Black Magic Design: выпустили DaVinci Resolve 21.1. Наиболее интересное нововведение: работа с AI-ассистентами (Claude, Codex, ChatGPT). Встроенный MCP-сервер позволяет сэкономить время за счет устранения механической работы в проектах и создания новых инструментов/стилей. Основные возможности: — Автоматизация шаблонных действий: ужать 10 мин видео до 3 мин, основываясь на произнесённой речи; удалить фрагменты короче 1 сек; найти все фрагменты с конкретным маркером и переместить в другой проект; отрендерить видео в H.264/H.265; итд. — Создание и изменение пользовательских LUT и DCTL (цветовых преобразований) на основе простого описания. — Сохранение любимых рабочих процессов в виде сценариев, которые можно запускать по запросу. Настройка: МСР-сервер активен только в том случае, если одновременно запущены как DaVinci Resolve Studio, так и десктопная версия Claude или другого агента. Во Free версии Resolve этой фичи нет — нужна именно DaVinci Resolve Studio. PS: осталось, чтобы генерилось видео прямо на таймлайне по описанию/раскадровке. Где-то я уже видел плагины на эту тему... Сайт YouTube

Ловите еще одну идею на разъебаться) Есть чат в телеграм с друзьями. Уже 4 года ему. Думаю у каждого есть такие чаты, с всратым названием где вы впереписываетесь вообще без купюр. Постоянные подколки, угары и обсуждения филосовских вопросов. И вот мы давно уже разгоняли - что если скормить всю историю нашего чата - получится еще один угарный друг) И я вчера так и сделал. Загрузил все 75.000 сообщений. И создал нового бота Дейв. Подключил его к моему клоду и добавил в наш тг чат. И господи, как же он хорош! Он все про нас помнит. все локальные приколы и фразочки. Умеет понимать контекст. Он даже умеет скидывать гифки в тему и ставить реакции на наши сообщения. СТАВИТ РЕАКЦИИ НА НАШИ СООБЩЕНИЯ!! Дейв читает переписку и может сам иногда вклиниваться и закидывать чтото угарное. А вот со скрина меня вообще порвало. Я его не учил, и он сам стал писать по одной букве 😅 Живет это все на опусе. И уровень юмора, черного юмора просто пиздец. Его нельзя выпускать в открытые интернет) Хотя уже появилась идея завести ему отдельный тредс. Я уверен он быстро наберет аудиторию, так как собрал самые смешные части от всех нас. Сейчас ему прописал полностью персножа со своей историей. Взаимоотношения с каждым участником чата у него свои. Следующий шаг - я дам ему голос и научу записывать голосовые) Это впринципе не сложно. А вот сделать чтобы он мог к нам на созвоны к друзьям подключаться - это будет вообще разъеб) Как сегодня утром, я давно так не смеялся)

Недавно разговаривала с парнем, который сейчас ищет работу после сокращения. Он работал Product Manager'ом в energy-стартапе. Европейская компания, довольно консервативная индустрия. Из тех сфер, где обычно кажется, что все эти истории про AI, автоматизацию и сокращения доберутся в последнюю очередь. Но нет. Примерно год назад в компании началась реструктуризация, сильно поменялся топ-менеджмент, и новый фокус был очень понятный: оптимизация расходов и автоматизация всего и вся. И по сути последние полгода до увольнения он занимался тем, что автоматизировал собственную работу. Сейчас, по словам его бывшего руководителя, около 60% того, что раньше делалось руками в компании, уже автоматизировано. После сокращений компания просто перераспределила функции, и теперь один Product Manager делает примерно тот объем работы, который раньше делали трое. И вот это меня почему-то зацепило сильнее, чем все разговоры про то, что «AI скоро кого-то заменит». Потому что это не «скоро», это уже вон полгода назад произошло 🙈🙈🙈 Причем не так, что сегодня есть профессия, а завтра ее нет. Сначала часть задач становится быстрее. Потом часть задач автоматизируется. Потом один человек начинает делать больше. Потом компания смотрит на команду и понимает, что столько людей ей больше не нужно. И сами роли тоже меняются. Product Manager уже давно не только Product Manager. Он и ресерчер, и аналитик, и project manager, и человек, который должен уметь настроить кучу процессов вокруг себя так, чтобы делать больше меньшими ресурсами. И самое интересное, что куда бы этот человек сейчас ни вышел на работу, есть большая вероятность, что через год-полтора он снова будет заниматься примерно тем же самым. Автоматизировать процессы. Убирать ручную работу. Повышать эффективность. И в итоге снова сокращать потребность компании в людях. Мне кажется, вот эта идея «я сейчас найду стабильную работу и дальше спокойно поработаю несколько лет» становится все менее реалистичной. Стабильность сейчас вообще не про сам факт найма. Можно попасть в хорошую компанию, на хороший контракт, на нормальную зарплату, и через год обнаружить, что твоя роль уже выглядит совсем иначе. И что особенно показательно: это уже происходит в европейских компаниях, в Германии, в довольно традиционных индустриях, где, казалось бы, еще должен был быть запас времени. Но никакого особенного запаса нет. Компании продолжают сокращать расходы, укрупнять роли и автоматизировать все, что можно автоматизировать. Вы уже задавали себе вопрос: Что в моей работе через год сможет делать один человек вместо трех, и смогу ли я быть этим человеком? Поделитесь, у вас внутри компаний тоже уже есть такие истории? Когда после автоматизации один человек начинал делать работу двух-трех или какие-то роли просто исчезали?

Мультиагентные команды вместо «одного чатбота» PM больше не «пользуется ИИ», а собирает команду агентов — Chief of Staff, PM-агент и десятки workers в циклах (loop/graph) с верификацией (Grok bot, hermes, openclaw 2.0) Суть: один агент — это ~1% потенциала; ценность появляется, когда агенты декомпозируют работу, передают её друг другу и поднимают человеку только решения. С чего начать: 1. проектировать систему (роли, handoff, verification, где человек утверждает), а не «лучший промпт» 2. Держать продукт-знания в Markdown/Git, а не в JSON/Confluence-простынях 3. Отдельная аналитика: bypass rate, качество ответа, доверие, не только «использовали фичу»

Google DeepMind сделала шаг от «умных рук» к управлению всем телом Новая Gemini Robotics 2 одновременно отвечает за ходьбу, баланс, наклоны и работу с предметами. Вот пример: робот Apollo 2 сам подходит к столу, берёт лейку, идёт к стеллажу, приседает и ставит её на нижнюю полку. Раньше такое было не под силу. Но главное - универсальность. Один и тот же чекпоинт модели работает с разными типами роботов и кистей. А локальную версию можно адаптировать под новую конструкцию всего за пару часов и на 200 примерах - даже если у роботов другие сенсоры и кинематика. Есть и «старший брат» - Gemini Robotics ER 2, который разбивает задачи на этапы, исправляет ошибки и координирует нескольких роботов одновременно. По ловкости роботы пока уступают людям: закрутить лампочку - только 36% успеха, завязать пакет - 44%. Но суть не в этом. Если навыки станут по-настоящему переносимыми, робот перестанет быть уникальной платформой - он станет просто «железом» под универсальный софт. ————————— ✔️Подписывайтесь на лучший  канал PRO Роботов 🥲Мы в Max

AI начинает экономить мне деньги совсем не там, где я ожидал Подписчики периодически присылают способы использовать ChatGPT или Claude для поиска скидок, купонов и более дешёвых вариантов покупки. Подтверждаю, это действительно работает и уже сэкономило сотни долларов. Делился с вами, что написал агента для поиска авиабилетов. Дал ему доступ к Google API, Amadeus и другим источникам, пару раз он нашёл большие скидки. На направлениях, которые я хорошо знаю, он меня пока не обыгрывает, но потенциал очевиден. Мой близкий друг рассказывал, как с помощью Claude вернул большую часть денег за несостоявшуюся поездку из-за забастовки Lufthansa. Агент разобрал правила авиакомпании и помог правильно построить претензию к перевозчику и отелю в Австрии. Экономия в тысячах долларов. Недавно нашёл ещё один дорогой сценарий: медицинские счета в США. Американское здравоохранение устроено так, что пациент часто вообще не понимает, сколько стоит услуга, потому что больница нигде не публикует расценки. Ты получаешь лечение, потом приходят счета от разных компаний. Внутри десятки кодов, процедур, препаратов, правил страховой, франшиза, потолок собственных расходов, сроки подачи заявки и апелляции. Чтобы нормально проверить такой счёт, надо одновременно немного понимать медицину, страхование, выставление счетов и право. Преимущество здесь почти всегда было на стороне системы. У госпиталя есть отдел биллинга, у страховой специалисты и юристы, а у тебя PDF на двадцать страниц и желание понять, почему ты должен десятки тысяч долларов. Мы с сыном попробовали разобрать несколько таких счетов с Claude. Получилось трудоёмко, но думаю, в следующий раз пойдёт сильно быстрее. Claude раскладывает счёт по кодам, проверяет процедуры, сопоставляет назначения, ищет несоответствия, читает правила страховки, находит сроки, в которые больница или страховая обязаны ответить. Помогает составлять апелляции и письма и отправляет их через API, включая бумажные письма с подписью и в конвертах. Результат вышел вполне материальный. По одному счёту госпиталь перестал отвечать и пропустил процессуальные сроки. По другому выяснилось, что страховая просто не покрыла часть расходов, которую должна была покрыть, и после повторного обращения оплатила их. Тысячи долларов не ушли бюрократам, и это очень приятно. Передовые модели сокращают неравенство в знаниях. Многие системы десятилетиями были сложными не случайно: медицинский биллинг, страхование, налоги, банковские комиссии, договоры. Чтобы защищать свои интересы, надо знать тысячи страниц правил, исключений, классификаторов и судебных решений. Корпорация может нанять для этого сотни специалистов, обычный человек нет. Теперь у него появляется машина, которая читает эти тысячи страниц за несколько минут. То же самое вижу с налогами. Американский налоговый кодекс настолько сложный, что даже хороший CPA специализируется только на его части. При этом незнание одного правила или льготы может стоить человеку десятки тысяч долларов. На бюрократии уже рождается отдельный класс AI-бизнесов. Что-то вроде сервисов возврата денег за отменённые рейсы, только для медицинских счетов, страховок, налогов и прочих сложных систем. Агент получает документы, проверяет их, находит нарушения, пишет обращения, следит за сроками и эскалирует дальше. Несколько подписок по $200 в год, которые защищают мои интересы, уже выглядят реальной ценностью. Правда, без обвязки с контекстом, знаниями и API они пока требуют многих часов проб и ошибок. Думаю, это только начало, и скоро бюрократия нанесёт ответный удар: регуляции, ограничения и показательные суды, где будут наказывать потребителей за использование моделей. @maxvotek | linkedin | substack

Astra делает рилсы с моим аватаром для Lovarus Понимаю, что контент-заводами и ИИ-аватарами уже никого не удивишь. Но я долго откладывал автоматизацию этих процессов, из-за качества. С выходом Astra, я пересмотрел свое отношение к возможностям агентов и решил попробовать автоматизировать рилсы. Что я сделал? 1) Снял видео с собой для ИИ-аватара 2) Записал голос для клонирования голоса 3) Купил подписку на higgsfield за 60$ Дальше в Codex попросил Astra выполнять каждый день следующий алгоритм: 1) Ищи на Яндекс.Картах предприятия без сайта 2) Открывай Lovarus.ru и закидывай промпт и ссылку на карточку в картах 3) Делай скринкаст чата и полученного результата 4) Генерируй текст рисла по сценарию 5) Озвучивай текст моим голосом и моим аватаром 6) Монтируй рилс с субтитрами 7) Публикуй рилс в моих социальных сетях 8) Пиши мне скрипт и коммерческое для продажи сайта Пример рилса приложил. Как вам?

Отношения требуют поддержания - иначе они попросту гаснут, как костер без дров. То есть, без сообщений, звонков, встреч, приглашений, поздравлений. Я человек рассеянный и часто факаплю это дело, хоть отношения мне чертовски важны. Поэтому один из любимых ai-проектов на основе моей базы знаний - это персональная CRM (Community Relationship Management). CRM решает для меня много чего, но вот вам топ-3 задачи: - Не забывать про людей - без CRM вспоминаю о ком-то раз в год, случайно. - Не оставлять сообщения подвисшими - обещал ответить и отвлекся. - Не давать связям тихо остыть, пока не пишешь людям месяцами, сам того не замечая. Как это работает: - Карточка человека - это история взаимодействий в тг/почте/календаре, теги проставляются сами. Смотрю на карточку Бронислава - и за секунду вспоминаю, о чем мы говорили на прошлой встрече. - Лента "Сегодня" подкидывает повод и черновик сообщения - правлю, жму кнопку, улетает в телеграм. Так снова заговорил с людьми, с которыми давно не общался. - AI сам ищет пересечения: кто из контактов - IT-фаундеры в Амстердаме, кто из сообщества Authentic живет в Португалии, кого позвать спикером в AI Native, кого с кем познакомить. - Граф связей и мини-игры для разбора дублей, архивирования и удаления. Последнее назвл "Остракизм-9000". Разбирать базу оказалось развлечением, а не рутиной. Что поменялось? Я стал чаще писать людям, с которыми давно не общался. Ручная рутина ушла в фоновые джобы: карточки и черновики готовятся сами, ночью, а я просто с утра вижу все готовое. Ну и появилось какое-то спокойствие: если раньше я вспоминал о человеке раз в год случайно, то теперь система держит мои контуры живыми. Прикольно, что это выросло из вайб-кодинг эксперимента на интенсиве в систему на 1100+ карточек с автоапдейтом и интерфейсом - при этом всё читается и редактируется в виде обычных текстовых файлов. Ну и заменяет сразу несколько платных сервисов - CRM, Notion, таблицы - только под мои задачи. Завести такое себе можно за 3-4 недели, и хранить локально, приватно и секьюрно. Радуюсь, что костры рябин горят в этом году еще ярче.

Как я написала агента на питоне Про наши косяки я узнаю от студентов. В Инженерке мы делаем симуляторы и тренажёры. Это в основном практика в песочнице собственной разработки плюс текст, — и вот в этой практике то косяки по невнимательности, то код перестал исполняться из-за обновлений, то стенд упал. При разработке материал у нас проходит через преподавателя, потом через контент-менеджера, потом через фокус-группу, а раньше, в хорошие времена, ещё и через методиста с редактором, и всё равно на выходе оказываются поломки, тупые ошибки и неточности. В какой-то момент мне захотелось самой находить ошибки не дожидаясь замечаний от студентов, поэтому решила написать агента своими руками, а мужа, он же наш архитектор, попросить внедрить его в общую архитектуру. Договорились, что это будет отдельное приложение, тем более что у меня последние несколько месяцев настроение писать код, так что я закатала рукава. Далеко ходить не стала, взяла его же тренажёр по разработке ИИ-агентов — Паша автор, я там тоже соавтор, но только на последних уроках по экономике. Мне нужен был агент, который забирает из ЛМС урок и содержимое песочницы, раскладывает всё это по структуре, расставляет метки для ИИ, что где, прогоняет материал по заданным мной критериям и отдаёт отчёт с ошибками. Хватило мне для этого демо нашего симулятора, причём бесплатного. Питон я не знаю, зато когда-то программировала под железо, и этого хватило, чтобы разобраться и переиспользовать код из учебного проекта и адаптировать его под свою задачу, а потом дописать отдельный парсер: мы с Пашей договорились, в каком виде он мне поставит материал, а дальше я парсила как мне надо. Отдельно пришлось разобраться с FastAPI, которого в демо нет, и сделать сваггер, чтобы он подключился к моему приложению по API. Получилось при этом не сплошное навайбкоженное говно, а нормально проработанная архитектура, с виртуальным окружением и правильной работой с секретами и ключами. С разверткой было проще: он прислал мне свой проект и попросил навайбкодить такой же деплой по аналогии, что я и сделала. Дальше он понажимал кнопок в таймвебе (господи, прости их) — и вуаля. Эвалов, конечно, никаких не было. Вместо них я попросила нашу техподдержку пройти курс руками и сравнить, что увидела она и что увидел агент. Результат меня порадовал: агент оказался продуктивным, большую часть ошибок мы скосили. Чего он пока не умеет — так это разговаривать по-человечески. Отчёт иногда выходит слишком техническим, и надо отдельно садиться за промпты, чтобы в нём разобрался человек, далёкий от техники. Также для более высокого качества прогнать на косяки одной кнопкой весь курс - не получится. Все равно нужно разбираться руками вместе с агентом поурочно. Порог входа в разработку рухнул, и держится он теперь не на языке, а на том, умеешь ли ты продумать внятную архитектуру и не разложить ключи по коду. Но на одном ИИ далеко не уедешь: надёжную и масштабируемую систему он тебе без понимания нюансов не соберёт.

AI для корпораций OpenAI выпустил инструкцию руководителям – как внедрять агентов. Написано на очень “корпоративном”, я старался облегчить как мог, но всё же не добалвлял отсебятины. ------ – Выбрать одну и только одну задачу. Критерии – процесс, в котором сходятся стратегический приоритет, системы, передачи работы между людьми, контроль и измеримый результат. Он должен повторяться достаточно часто, чтобы на нём было чему учиться, и быть достаточно важным, чтобы его стоило перекраивать. – Сформулировать результат и способ его измерения до старта. Назначить ответственного владельца, KPI, базовый уровень и ограничители. Отдельно мерить глубину – сколько задач доведено до конца, сколько подключено контекста и инструментов, сколько вылезает исключений, какая нагрузка на ревью, – и отдельно ценность: время цикла, качество, стоимость, выручку, риск. Объём выдачи говорит лишь, что у AI стали больше просить, а есть ли в этом толк, показывают результаты процесса. – Написать агенту должностную инструкцию. Что запускает работу, каким должен быть результат, какой нужен контекст, какие инструменты и права доступа, насколько настойчиво добиваться завершения. Какие доказательства своей работы агент обязан предъявить, и в какой точке обязан остановиться и позвать человека. – Построить вокруг агента человеческую систему. В контур проектирования посадить тех, кто ближе всего к процессу, и явно назначить, кто отвечает за бизнес-результат, кто за доменную логику, кто за доступы и контроль, кто за внедрение и повседневное использование. – Сделать эксперименты видимыми и переиспользуемыми. Через полгода после внедрения сотрудники в начале карьеры пишут AI на 13 сообщений в неделю больше, чем руководители – пробуют в основном снизу. Значит, надо дать людям место пробовать, а удачное забирать наверх: фиксировать процесс и доказательства того, что сработало, и упаковывать в скиллы, плагины, общие рабочие пространства. Режимы разные под разные задачи: Chat – вопросы и быстрое обсуждение, Work – многошаговая работа с готовым результатом на выходе, Codex – техническое исполнение. – Переносить схему дальше. Сохранять не сам результат, а обвязку вокруг него – контекст, права доступа, оценки, точки проверки, владельцев, метрики, обучение людей, – и прикладывать к следующему процессу. Каждый следующий эксперимент должен начинаться с лучшей стартовой точки, чем предыдущий. -------- 5 из 6 пунктов, кажется, универсальны и относятся к любым изменениям, не только внедрению AI. Что, впрочем, совершенно логично. https://openai.com/index/ai-native-company-workflows/

Беспилотный трамвай в Петербурге: что изменилось за 4 года промышленной эксплуатации Четыре года назад в Петербурге беспилотный трамвай был штучным экспериментом. Сейчас системой помощи водителю оснащено больше 350 вагонов, она различает велосипедистов и самокатчиков отдельным классом, разговаривает со светофорами напрямую и умеет ездить по разветвлённым путям депо, где раньше просто путалась в стрелках. Но вот как инженеры проверяли антиюз, реакцию на ситуацию, когда колёса встали, а вагон продолжает скользить. Гололёда ждать не стали, а просто взяли и намазали рельсы в депо маслом. А потом погнали по ним трамваи, чтобы посмотреть, вернёт автоматика контроль над торможением или нет. Посмотрим, как трамвай повёл себя на масле и что ещё выросло в системе за четыре года.

Где проходит граница? Посмотрите какая любопытная статья. Посвящённая одному из ключевых вопросов техно-трудовой повестки: на чём должна строиться методология определения границ между автоматическим и человеческим? Авторы предлагают три фактора, почему человек всё ещё важен и нужен в рабочем процессе, даже при таком интенсивном масштабировании возможностей AI: 1. Technical Человек приносит то, чего пока нет у AI: опыт, контекст, физическое восприятие и сложное движение, специфические способы мышления. Но мы также видим, что этот фактор очень подвижный. И напрямую зависит от развития технологии. Если AI научится воспроизводить нужную способность или получать тот же результат другим способом, человеческое участие можно убрать. 2. Normative Деятельность, где участие человека определяется нормативными атрибутами: ответственностью, отношениями, авторством, оценками. То есть здесь важно не то, может ли AI сделать работу, а какой социальный контекст и обязательства вокруг этой работы возникают. Соответственно, для полного цикла подобных задач у технологий должен быть социальный и этический статус. 3. Emergence Есть особый тип работы и задач, где невозможно заранее определить образ результата и критерии оценки. Они раскрываются в процессе, когда человек взаимодействует с промежуточными вариантами, прототипами и альтернативами. Это ключевая концепция статьи — идея Target Emergence. Где у человека ведущая роль. И её пока никак не автоматизировать. Target Emergence состоит из Revelation (определение цели), Refinement (уточнение и операционализация) и Constitution (переформулирование цели и критериев успеха). Вывод такой: машине можно доверить экзекьюшен, но создавать видение и цель — это прерогатива человека. В комментариях аудио-саммари и оригинал статьи. → https://arxiv.org/abs/2607.21547

Я думаю, что нас ждет локальная llm как часть операционной системы. Мы в Steelman тренируем модели на computer use тректориях, поэтому активно догфудим дату. У нас есть навайбкоженный мной рекордер для записи экрана и системных ивентов с тонной кастомной логики. Установщик у него такой: "дай своему клоду/кодексу эту ссылку и скажи поставить, вот конфиг и ключи." Для обновления: "скажи своему этому пусть обновит." Я уже не помню когда последний раз разбирался в деталях как что-то поставить или настроить. А помните старые времена, до докера, когда частью навыков программиста было понять, как на одной машине установить две версии постгресса? Хорошо, что этот кошмар позади. Другой пример. Я поставил себе на Rog Ally X Готику 2 (точнее фанатский мод Archolos), но она жутко лагала. Запряг клода, он там нашел какой-то патч, чтобы перевести игру на современный DirectX. Все стало летать и графика стала лучше. Думаю смержить мегапак модов на New Vegas и заставить их запуститься оно тоже может. В общем, я думаю это новая норма. Причём мне кажется такой помощник/инсталлятор не обязан быть Фейбл 5.1. Я думаю и небольшая модель справится. И я думаю это может поменять как делается и дистрибьютится софт. Раньше вся работа ложилась на разработчика. Он должен сделать билд под все платформы которые хочет поддерживать и постоянно всё тестировать. Предполагается, что клиент не может и пальцем пошевелить. Однако в мире где к каждому компьютеру прилагается LLM разработчик может делать лишь некоторое ядро функционала, а затем каждый клиент допилит под себя всё необходимое, чтобы это запустилось на конкретно его утюге. Возможно это будет частью процесса инсталляции. В детстве мы смотрели за ползунком прогресса установщика где в основном была распаковка. А в будущем будем смотреть за ползунком, а под капотом там пережатый в 300 шакалов GLM Flash пишет драйвера.