🤔 Как заставить кодинг-агента делать красивый и неоднотипный дизайн? На самом деле вам нужны всего три скилла и одно простое действие. И начнем со скилов 👇 Первый — Impeccable. Он чистит типичный нейросеточный дизайн от лишнего мусора и помогает собрать нормальную дизайн-систему под ваши предпочтения. Второй — Taste Design Frontend. По сути, добавляет агенту вкуса: элементы становятся современнее, дороже и просто приятнее визуально. Третий — Animate. Чтобы анимации были плавными и человеческими, а не с этими лютыми нейросеточными подергиваниями. 🤷‍♂️Но просто поставить эти три скилла недостаточно. Перед тем как что-то генерировать, найдите 3–5 референсов сайтов, которые вам реально нравятся. Потом запускаете Impeccable Init, скидываете туда референсы и собираете вместе дизайн-систему. Дальше подключаете Taste Design Frontend для визуала и Animate, если нужны анимации. Все. 😅 🚨 Главное не пропускайте шаг со сбором примеров. Потому что даже с лучшими скиллами но без примеров агент все равно будет делать довольно шаблонный дизайн. Свята место | 10МДК | YHub

#krea2 huggingface.co/yijunwang2/krea2-anygles - смена ракурса - для креа тоже сделали. Ноды: github.com/alexw5702-afk/krea2-anygles huggingface.co/Cierpliwy/krea2-inpaint-edit huggingface.co/yijunwang2/krea2-anypaint - инпейнтинг по черной области #inpainting civitai.red/articles/35782/krea-2-bboxbounding-box-text-to-image - статья/гайд по bbox тексту huggingface.co/lvladikov/Krea2-Turbo-Distill-2step-LoRA - 2-шаговая дистилляция Turbo обновилась (chk00031600): 4.2x быстрее денойзинг, детали на уровне учителя civitai.com/models/2911560/realistic-custom-face - #LoRA на 356 реальных портретах с разбором черт — тип лица, глаза, нос, губы, скулы, челюсть, подбородок. На 1.0 стандартное лицо Krea исчезает, теги дают точные черты #realism civitai.red/models/2967466/hm1girl-phone-camera-realism-lora-for-krea-2 - еще реализм MAX

📌 Dream-RSI: агент улучшает стратегию поиска решений на основе прошлых запусков Google опубликовала Dream-RSI - надстройку над агентами, которые ищут решения перебором: пишут код, прогоняют его через оценщик и дорабатывают лучшие варианты. Концепт управляет стратегией исследования, решая, какие варианты развивать, сколько попыток запускать параллельно и когда остановиться. Модель, агент и оценщик при этом не меняются, самосовершенствуется только код стратегии. 🟡Механика Каждый запуск сохраняется как дерево попыток, где узел хранит версию решения, диагностику и оценку. Это дерево используется как симулятор - альтернативная стратегия проходит по записанным ветвям в другом порядке, с другой параллельностью и другими точками остановки, а результаты берутся из записей без новых вызовов агента. Отдельный агент на базе языковой модели несколько раз переписывает код стратегии, каждую версию прогоняют по всем накопленным деревьям, и в следующий раунд уходит лучшая. Оценка складывается из лучшего найденного результата, штрафа за число попыток и бонуса за параллельность. Прежняя стратегия тоже участвует в отборе, поэтому на записях прошлых запусков новая версия по оценке не уступает старой. 🟡Тесты В задаче ускорения решателя Lasso версия на Gemini 3.1 Pro снизила среднее время работы на шести отложенных наборах данных с 3587 до 2931 мс и потратила 317 вызовов агента вместо 550. В математических задачах результат смешанный: в задаче сумм и разностей 1,145427 против 1,143975 у SimpleTES, в упаковке кругов ничья, в неравенстве автокорреляции результат хуже собственной базы. В третьей серии агент ускорял операции нейросетей на видеокарте из набора KernelBench. Для сети VGG16 и слоя нормализации LayerNorm Dream-RSI достиг той же скорости, что и база, за в 2,43 и 1,79 раза меньшее число попыток. Для двух связок свёртки с делением и с выбором максимума он при том же числе попыток нашёл код быстрее базового в 2,09 и 1,44 раза.

Пока доступны только статья и страница проекта с интерактивной демонстрацией.  Код и скрипты для воспроизведения Google обещает выложить позже.

🟡Страница проекта 🟡Техотчет 🟡Демо 🖥GitHub @ai_machinelearning_big_data #AI #ML #RSI #Agents #DreamRSI #Google

Про новую задумку Андрея Браслава, создателя Kotlin, я здесь уже не раз писал. Его проект CodeSpeak — ответ совсем уж бесструктурному вайбкодингу, как его многие понимают; это не формальный язык программирования, но все же же ближе к ним, чем к часто бестолковому промптингу. Вот краткое, зато вполне популярное объяснение от самого Андрея. Заканчивается оно словами, которые у многих разработчиков вызовут не самые теплые чувства. Но вот именно Андрея обвинить в том, что он просто не разбирается в настоящей разработке, будет несколько затруднительно:)

В большинстве приложений люди со временем перестанут писать и читать код на традиционных языках и будут работать только на уровне человеческого языка.

https://education.yandex.ru/journal/codespeak

Пользователь взломал Internet Download Manager 6.43 с помощью Qwen3.8-Flash-Next-Uncensored, чтобы не платить 10 евро в год за лицензию на каждый компьютер. Модель сняла ограничения пробной версии и перевела программу в режим полноценной лицензированной работы. На облачный GPU при этом ушло 5 евро. Пользователь передал модели около 250 000 токенов контекста и позволил ей анализировать исполняемый файл IDM прямо на компьютере. Примерно через 30 минут ИИ предложил рабочий патч. В итоге для обхода проверки регистрации потребовалось изменить всего 1 байт в бинарном файле. После модификации автоматизированный скрипт записал нужные параметры в реестр Windows и установил для программы статус «v6.43b11 Full».

Пол двигается каждые четыре месяца Pat Grady из Sequoia выложил запись своего отчёта для инвесторов фонда о том, что происходит в AI. Это внутренний доклад, без какого-либо маркетинга, и наружу такие попадают редко. Grady считает, что компании, которые строят приложения поверх моделей, переизобретают себя каждые четыре месяца, потому что пол под ногами постоянно сдвигается. Интернет и мобильная связь меняли то, как информация распространяется. AI меняет то, как она обрабатывается, и последний такой переход был в 60-х, когда электроника перешла на кремний. Поэтому платформа, на которой ты строишь, улучшается быстрее, чем то, что ты на ней построил. В ведущих лабораториях уже обсуждают ASI, потому что модели во многом строят сами себя. Grady выделяет три точки перелома: ChatGPT в ноябре 2022 (масштаб), o1 в конце 2024 (рассуждения) и Claude осенью 2025 (агенты, которые держат длинную задачу). Первые две дали более быстрых лошадей, а после третьей ассистент стал агентом, который доводит работу до результата. С Zoom было так же: видеозвонки существовали и раньше, но доверять им начали только с ним. Что из этого следует: 1. Разрыв во внедрении. Между тем, что модели умеют, и тем, что реально внедрено, огромная дистанция, и все прикладные компании живут в этом разрыве. Лабы идут туда сами: режут цены на API и нанимают армии инженеров, которые сидят прямо у клиентов из Fortune 500 и строят там приложения на их токенах. Я писал про FDE как профессию, теперь это стратегия лаб. 2. Дорогая интеллектуальная работа: программирование, кибербезопасность, медицина, финансы, бухгалтерия. Sequoia ждёт гиганта в каждой из этих областей. Одна из таких компаний закрыла прошлый год на $200M и идёт на $700M в этом. В фарме кандидатов в лекарства уже находят промптом за дни вместо нескольких лет. 3. Свои модели. Компании уводят нагрузку с фронтир-моделей на свои дообученные open-source модели, и причина экономическая. Поставщик даёт три точки на кривой цена/качество - большую, среднюю и маленькую модель, а твои задачи почти никогда не попадают ровно в них, поэтому своя модель выходит дешевле и лучше. Дешёвые токены не значат, что все побегут к OpenAI. 4. Специализированные архитектуры. Ещё одна универсальная лаборатория миру не нужна, нужны лабы под конкретную область или новую архитектуру. JEV вышел на рынок с моделью-классификатором: большая часть корпоративного ML сводится к выбору из нескольких вариантов, и классификатор делает это в 100 раз дешевле, чем LLM. С нуля до $100M выручки за семь дней, The Information пишет об оценке $10B. 5. Организация как лаборатория. Лучших людей отделяют от операционки и дают ломать и строить продукт, а координация идёт через AI вместо слоёв менеджеров. Иначе за четыре месяца не пересобраться. Норма теперь - это два раунда подряд: один от партнёра, который строит продукт вместе с тобой, второй от того, кто просто даёт деньги. У Sequoia за год семь таких сделок: первый раунд в среднем по оценке $110M, а через месяц второй по $3,4B. Grady говорит, что никогда такого не видел, и сам называет это пузырём, хотя в том же докладе называет происходящее самым большим и быстрым технологическим переходом в истории. Мне кажется, верно и то и другое, я про это писал. Для Sequoia разрыв во внедрении - это рынок для стартапов. Мне он больше видится рынком ответственности: разрыв закрывают люди внутри конкретной компании, которые подписались за результат и готовы рисковать репутацией и позицией при следующем сдвиге пола. Конкурировать с лабами по вычислительной мощности бесполезно, а контекст, данные и того, с кого спросят за результат, лаба на себя не возьмёт. Я бы спросил свою компанию, что мы пересоберём через четыре месяца и кто за это отвечает. @maxvotek | linkedin | substack

#QI21 pastebin.com/NVJCj4Xk pastebin.com/Q4uQrq9B - консистентные персонажи: Head shot и Multiview #workflow github.com/Pyrolistical/qwen-image-2.1-workflows - редактирование, управляемое JSON-файлом рядом с картинкой civitai.com/articles/35828/2x-faster-qwen-image-21-using-4-steps-lora-comfyui-low-vram-workflow - #lowVRAM : INT8 ConvRot + Kitchen Attention + 4-шаговая LoRA = ~2x быстрее. Как эдит-модель Qwen 2.1 силен (стиль, одежда, character sheet), чистый T2I слабее — кожа, руки, мелкий текст github.com/shootthesound/Fizgig - Fizgig 6.5.0: тренировка LoRA и LoKR Qwen Image 2.1, турбо-превью, адаптер с более резкой картинкой (huggingface.co/ShootTheSound/Fizgig-Qwen-Image-2.1-Training-Adapter), 10GB VRAM+ huggingface.co/WarmBloodAban/Qwen-Image-2.1-LoRAs - Anime_consistency, Anything2RealCharacters, huggingface.co/lilylilith/QI_2.1_AnyAngle - произвольные ракурсы для любого изображения #LoRA #cameracontrol MAX

🤖 Робот сначала ошибается в симуляции, а потом исправляет движение до попытки в реальном мире. Sakana AI и Токийский университет представили SAIL. Модель получает несколько примеров выполнения задачи и предлагает траекторию. Её проверяют в симуляторе, другая модель смотрит видео и отмечает, где робот перестал продвигаться к цели. Затем система меняет неудачный участок и пробует снова. На физический манипулятор отправляют только выбранную траекторию. В симуляции робот выполнял шесть разных задач. Одна попытка выбрать движение приводила к успеху в 25% случаев. Когда SAIL могла проверить и улучшить до 45 вариантов, успех вырос до 73%. Затем метод испытали на настоящем роботе: в одной задаче он справился 5 раз из 6. Пока это проверка на одной физической задаче, но идея наглядная: дать модели больше попыток *до* движения робота, не переобучая её. Блог - https://pub.sakana.ai/sail/ Статья - https://arxiv.org/abs/2603.08269 @ai_machinelearning_big_data #Sakana

Neo labs: большие раунды или большой риск? Помните мой пост о том, почему мы не инвестируем в neo labs (стартапы AI-исследователей)? Deedy Das, партнер Menlo Ventures (не путать с Mento 🙂), написал свои мысли и расчеты, объяснил почему вложения в такие компании сложно окупить. Даже если им удастся создать хорошую модель. Что тогда таким стартапам делать с вычислительными мощностями, на которые они привлекли сотни миллионов долларов? Перевел текст для вас, чтобы каждый составил свое мнение:

Экономика «неолабораторий» (neo labs) Под неолабораторией здесь будем понимать стартап, созданный AI-ресерчерами. Такая компания привлекает крупные инвестиции еще до появления готового продукта, чтобы оплатить вычислительные мощности и взяться за решение масштабной задачи в AI. Для обучения собственной AI-модели нужны огромные вычислительные мощности. По расчету автора, только оборудование обойдется в $125-150 млн за три года, причем часть суммы придется опплатить сразу. И даже при таких затратах можно обучить модель всего лишь уровня GPT-4. Прим.: в оригинале автор приводит конкретные модели оборудования и расчет их мощности Если взять сильную open-source модель и дообучить ее, шансов выйти на уровень передовых LLM больше. Но есть два риска: 1) Придется потратить еще миллионы долларов на среды для обучения с подкреплением (RL) - задачи и симуляции, на которых модель тренируется и получает обратную связь, 2) Пока вы дообучаете выбранную LLM, может выйти новая модель, которая окажется лучше. Тогда придется либо продолжать работу с уже устаревшей, либо начинать дообучение заново. Чтобы вложения окупились, ваша модель должна давать результаты лучше и, желательно, стоить дешевле. А клиенты должны пользоваться ею достаточно долго, чтобы прибыль от их запросов покрыла затраты на обучение. Если обучение модели обошлось в $10 млн, то при марже 50% и средней цене $2 за миллион токенов, клиенты должны воспользоваться моделью на 10 трлн токенов (!), чтобы прибыль покрыла только обучение. При этом нужно убедить клиентов выбрать вашу модель вместо новых и более дешевых, например Opus 5.5. Тем временем каждый час простоя влетает в копеечку. Поэтому свободные мощности обычно перепродают посредникам, используют для обработки запросов к open-source моделям или сдают в краткосрочную аренду. Но если мощности заняты меньше 60% времени, даже сдача в аренду не покроет расходы. Добавьте к этому огромные затраты на команду. Что тогда можно делать с вычислительными мощностями? • Вообще не лезть в разработку моделей, • Занять нишу, в которую не пойдут крупные AI-лаборатории (как сделали Jev и World Labs): такой продукт может мешать их основному бизнесу, приносить слишком мало денег или отвлекать от главной цели, • Собрать большой массив собственных данных в конкретной области (как Periodic Labs), и за счет них превзойти универсальные передовые модели. Такое чаще возможно в робототехнике, биологии и химии. Но даже если вам удалось создать полезную модель, которая выигрывает у крупных лабораторий по качеству и цене, этого мало. Нужно найти рынок, где достаточно клиентов и где выручка существенно превышает стоимость вычислений. Иначе огромные расходы на мощности не окупятся. Короче, легких денег здесь нет. Оригинал: https://x.com/deedydas/status/2103903382822089010?s=46

Лучшие посты | Mento VC Fund II | Стать инвестором

Здоровье как побочный эффект Болезнь – штука непредсказуемая и иногда очень разрушительная. Поэтому возникает идея страховки. В некоторых странах вся медицина базируется на ней. Страховая компания не хочет платить за дорогие лекарства, поэтому старается объяснить врачу, что он зря выписал что-то современное, лечить Билла надо подорожником. Доктору, конечно, жаль больного, но тратить свое время на ругань с бюрократией ему лень. У пациента права голоса вообще нет. В результате рецепты реально не доходят до аптеки. И в этот момент страдает фармкомпания – её новый и дорогой бестселлер не купят, а на подорожнике много не заработаешь. И поэтому возникает #стартадпня Forus – бесплатный для врача AI-агент, который ругается со страховой, показывает ей анализы и предыдущие назначения и в итоге проталкивает рецепт для одобрения. Позиционирование: “вы можете выписывать хорошие лекарства, и их подтвердят”. И, между прочим, жизни людям спасает таким странным способом: хорошие лекарства не зря считаются хорошими, кому-то помогут. Forus – уже довольно большой бизнес. Выручка в мае пересекла отметку в 50 миллионов долларов в год, а на днях стартап привлек инвестиции по оценке в 3 миллиарда. https://forus.com/ #сша #здоровье #мегараунд #ai

О профессиональном боксе и ноге рефери Вчера смотрел бой Отара Эраносяна - ученика моего тренера Тимура Ибрагимова, о котором я писал раньше. Десять раундов Отар контролировал бой. На последних секундах он вдруг качнулся и чуть не упал. Показалось, что соперник попал. Пересмотрел видео и оказалось что нет. Отар зацепился за ногу рефери, и об этих секундах я и хочу написать. Отар защищал пояс WBA NABA во втором полулёгком весе (130 lb / 59 кг) против колумбийца Дувана Зулеты. Оба без поражений: 17–0 у Отара, 10–0–1 у Зулеты. Это был второй главный бой турнира Championing Mental Health 3 в Commerce Casino под Лос-Анджелесом - серии Bash Boxing, где профессиональные бои совмещают с разговором о ментальном здоровье спортсменов. Этот же пояс NABA Тимур в 2010-м отобрал у Оливера Макколла в тяжёлом весе, а теперь его ученик защищает титул в 130 lb. Профессиональный бокс отличается от любительского не одним словом в названии: - в любителях 3 раунда, у профи это 10–12 - в любителях считают очки, у профи продают зрелище - у профи обоим бойцам платят деньги, и жалеть друг друга никто не собирается Отар выиграл единогласным решением: 99–91, 96–94, 98–92. Рекорд 18–0, 9 нокаутов, пояс остался у него. Смотрел я этот бой не как зритель: у меня было несколько учебных спаррингов с Отаром, и его стиль я знаю на себе. Много лёгких ударов, чтобы ты не мог дышать, потом в связке один тяжёлый. Очень быстрые ноги, постоянная смена углов атаки, нырки. Темперамент, который чувствуешь сразу: он тебя не отпустит. Отсюда и прозвище - Pitbull. В первом спарринге я еле дотянул до последнего гонга. Просто нечем было дышать. Вчера на ринге был тот же Pitbull, только невозмутимый: он делал ровно то, что должен был. В глазах тренера то же спокойствие - он видел всю картину боя. К предыдущему бою мы разбирали для Отара соперника с помощью AI - у того было много записей на YouTube, и мы искали уязвимости. Насколько это помогло, сказать сложно. Но статистика очень чёткая: ошибки у боксёра из боя в бой почти не меняются. Про сам подход писал здесь. В этот раз AI не использовали. Зулета оказался очень неудобным: сыпал ударами без особой системы, на провокации не вёлся, сам на удар не шёл. Профессиональный бокс - непредсказуемый спорт. Я всегда считал, что непредсказуемость - это соперник. Но за десять раундов соперник Отара пошатнуть не смог, а чуть не уронил его человек, который в бою вообще не участвует. В спорте и в бизнесе у тебя должен быть запас всего: сил, навыков, подготовки. Без него на ринг выходить нельзя. Случайность запас не отменяет, но делает её нефатальной. Отар вёл 99–91 на одной из карточек, споткнулся и ничего не изменилось. При равном бое такая картинка на последней секунде могла стоить пояса. Готовишься к сопернику, разбираешь его по кадрам, а спотыкаешься о того, кого в плане не было. В бизнесе так же: у конкурента есть паттерны, и AI их найдёт. К сильному конкуренту можно подготовиться по данным, а на ногу рефери данных нет, и запас нужен как раз для неё. Феноменальный бой. Поздравляю Отара и Тимура Ибрагимова. Ждём боя с Ломаченко - Отар всё ближе к элите бокса в США. @maxvotek | linkedin | substack

В моей рабочей почте каждый день примерно 50 писем с темой: we've built new ai empowered gtm tool. Дальше это обычно что-то из: cold outreach automation, market research, и самое частое конечно же SEO/GEO или как там его про выдачу в чат боты. Сотни писем, большая часть написана через AI, отвечено - ноль. Почти у всех письмо построено по принципу: • в заголовке хук (например чел написал Ferrari, оказалось это название их тула) • внутри аля переработанное описание того, что о твоей компании нашел агент (обычно конечно же нормально оно найти не может, глазами будет в три раза быстрее понять) • стандартный темплейт про мы найдем вам стопицот сделок, сделаем стопицот результатов Бывает открываю сайты таких ребят - 100% made by claude

Зачем изобретать велосипеды?

никакая автоматизация не дает повод изобретать велосипеды на каждый чих у Рината скорее всего есть идея, как что-то принципиально улучшить

Это было комментарием на мое замечание, что я писал markdown редактор для себя. Давайте объясню зачем мне такое. Итак, я Ринат Абдуллин. 20+ лет работаю с кодом и с компаниями в EU/USA. Веду достаточно сложные и временами высоконагруженные продукты (про что пишу в этом канале, в блоге и рассылке), еще веду распределенный R&D в области AI агентов (вместе с потрясающим коммьюнити инженеров вокруг BitGN), иногда провожу курсы и тренинги. Для актуализации навыков и качественного преподавания мне нужно не просто разрабатывать сложные и высоконагруженные продукты. Для последнего вообще особо заморачиваться не нужно - просто берешь стабильные технологии старше пары лет и грабель горя не знаешь. Нет, тут надо еще следить за состоянием технологий прямо сейчас. Что они могут, где у них сильные места, а где слабые. Причем следить нужно не теоретически, почитывая каналы и статьи, а на практике. Это позволяет интернализовать навыки, пропускать их через призму своего опыта и перекладывать все самое важное на учебный материал. Поэтому у меня есть концепция Katas - упражнений, которые позволяют отточить навыки и мастерство. А в случае с быстро изменяющимися технологиями заодно и сверить часы с реальностью - не упустил ли я что-то еще. Термин “ката” берет свое начало из боевых искусств, где нужно тысячи раз медленно отрабатывать какой-то навык, чтобы отладить его и довести до автоматизма. Это обязательная часть совершенствования как ученика, так и мастера. Подход применим и к IT. Например, в TimeToAct я вел katas в области Domain-Driven Design, симуляций и Machine Learning. Эти упражнения начались как внутреннее обучение в компании, чтобы прокачивать какие-то навыки, а потом мы их открыли для всех. Люди просто начали присылать свои решения и требовать еще задания (ибо каты делаются как маленькие упражнения, на которые не нужно много времени). Причем это было в эру до ChatGPT, когда все еще нужно было печатать код вручную. Написание своего markdown редактора или эквивалента Miro (по очень конкретным требованиям) - это мой вариант katas для AI Native coding. Он позволяет отточить навык на последних технологиях без существенных затрат времени. Заодно и проверяю снова и снова, а как быстро можно натянуть актуальные принципы разработки на "замусоренное" решением, что работает лучше с последней версией модели, а что хуже. И когда меня спросят в лайве "А правда, что GPT-6 Astra - это мусор?" или "А что самое важное для AI Native проекта в сентябре 2026 года?" - я смогу ответить системно, просто и обоснованно. Ну а то, что в процессе продвигается вперед R&D в области разработки и personal productivity - это приятный бонус. Ваш, @llm_under_hood 🤗

TrackEverything от CMU и Meta (запрещено в РФ) Плотный 3D-трекер точек на длинных видео. Отслеживает все видимые точки всех кадров на горизонте 1000+ кадров, представляя видео как постоянные 3D-трассы в мировых координатах • все точки, а не только с первого кадра - трек начинается, как только точка появилась • 3D и 2D трассы одновременно, с учётом движения камеры • классификация статика/динамика покадрово по окнам • разбиение на дубликаты в 3D-представлении убирает двойные соответствия Метод через дедупликацию 3D-сцен-репрезентаций - в отличие от предшественников с ретроспективой на первый кадр. Слабые места честно называются: быстрые смещения и текстуры с повторами ломают соответствие Гитхаб ждем #tracking MAX

короче, я в последний месяц веду разработку ai-native brain для инвестиционной компании (~$150m). задача звучит так же просто, как и масштабно - каждый бит данных, каждая коммуникация и каждое действие - сохраняются и формируют внутреннее информационное ядро компании. рядом идёт сканирование интернета, обогащение внутренних данных внешними: новостями, найденными фактами, данными из соцсетей, и так далее. и вокруг этого 24/7 бегает ворох разных агентов, которые беспрерывно что-то анализируют, подсказывают, обнаруживают связи, возможности, прочее. что-то между OSINT, CRM и собственным harness на максималках. и вот 2 наблюдения, которые взрывают мне мозг сильнее всего. во первых, вот я в разработке ~20 лет, и то, как сейчас создаются такие продукты - это ваще не разработка. это очень странный и волшебный процесс, который сложно объяснить на словах. вот помните шутки про const result = await ai('write function for adding numbers 3 and 6 and execute it')? вот это не шутки. целые части системы больше не программируются в классическом понимании, они описываются через агентные процессы, буквально спеками, тулсетами, и так далее. в 2025 году было модно говорить "я 80% / 90% / 100% кода я пишу при помощи AI". сейчас, на конец 2026 я поймал себя на мысли, что новый флекс - это то, что часть кода для систем я и вовсе не пишу. не "20% продукта сделаны AI", а "20% продукта - это и есть AI". целые куски системы - это агент с правильным тулсетом и спеками. акценты жутко сильно сместились в сторону модели данных, правил, ограничений и рельсов, нежели фактической реализации бизнес-логики. во вторых, агенты - это не просто "помощники", это главные пользователи системы. агенты везде - внутренние в системе, внешние, но тоже в системе, совсем внешние - личные агенты юзеров, и всё делается вокруг них и для них. 90% работы с приложением идёт через локальных агентов юзеров. давайте ещё раз, максимально простыми словами: в 90% случаев пользователь не идёт в браузер или аппку, он просто говорит Клоду/Кодексу что сделать, и работу в системе выполняет агент. и никто не заставляет юзеров так делать - это буквально их хотелка. личные агентные чаты стали настолько родным и естественным универсальным интерфейсом для всего, что первый вопрос, который все задают "а я могу подключить Клод? а как это можно сделать через Кодекс?". термин UX (user experience) полностью уступает AX (agent experience) - интерфейсы больше делаются не для юзеров, гораздо важнее стало проектировать именно AX - как сделать агенту удобно и понятно, чтобы он не запутался в тулах, контексте, и так далее. это всё дико интересно, конечно. я как будто перепрыгнул в 2029, и своими глазами наблюдаю этот "app-less world", где единственное приложение на компе - ChatGPT/Claude, а единственный интерфейс - поле ввода с иконкой микрофончика.