Разбираемся в ИИ с Юрой Агеевым: от первого промпта до управления агентами Собрали девять выпусков подкаста make sense по работе с ИИ: разобраться, как модель работает с задачей, научиться проверять ответы и перейти о выполнения рутинных задач с помощью ИИ к полноценному делегированию. Выпуски можно слушать по порядку — от базовых навыков к изменениям в работе команды. А можно выбрать тот, который сейчас лучше всего решает вашу текущую проблему и послушать только его. 1. С чего начать (выпуск 403) Две суперсилы в работе с ИИ — профессиональный опыт и AI-fluency. Обсуждаем, как договориться с моделью о формате и критериях результата и создать первый навык для агента. Для тех, кто пока использует ИИ в основном для разговоров в чате. ⚪️Телеграм ⚪️Яндекс Музыка 2. Как модель видит вашу задачу (выпуск 417) Что происходит внутри контекстного окна и как это влияет на результат. Разбираем правила контекст-инжиниринга: зачем разделять чаты по задачам, почему не стоит загружать 30 файлов сразу и как переносить выжимку контекста в новую сессию. ⚪️Телеграм ⚪️Яндекс Музыка 3. Как ставить задачу (выпуск 420) Почему агент не задает уточняющих вопросов, а достраивает недостающую информацию до «среднего» решения. Говорим о декомпозиции и артефактах: непроработанная задача может вернуться к вам в виде аккуратно оформленного, но столь же непроработанного ответа. ⚪️Телеграм ⚪️Яндекс Музыка 4. Как проверять ответы (выпуск 419) Как оценить результат, если задача выходит за границы вашей компетентности. Обсуждаем сигналы доверия, якорение и два подхода к работе с ИИ — «киборг» и «кентавр». ⚪️Телеграм ⚪️Яндекс Музыка 5. Как проверять текст от ИИ на содержательность (выпуск 430) Убедительный текст может не нести смысла и повторять распространенные заблуждения. Разбираем, как проверять экспертность, смысл и стиль по отдельности, разбивать работу над текстом на шаги и подключать вторую модель для проверки. Главный вопрос: чем текст поможет читателю? ⚪️Телеграм ⚪️Яндекс Музыка 6. Как заметить подхалимство (выпуск 424) ИИ может представить уже принятое вами решение как результат независимого анализа. Разбираем, зачем создавать для работы отдельные роли «исследователь», «сторона защиты» и «сторона опровержения» и разносить их по разным чатам. ⚪️Телеграм ⚪️Яндекс Музыка 7. Как устроена работа агента (выпуск 421) Уровни автономности, рабочая среда и журнал решений. Обсуждаем, почему проектирование работы агента требует тех же навыков, что и работа менеджером. ⚪️Телеграм ⚪️Яндекс Музыка 8. Где заканчивается делегирование при работе с ИИ (выпуск 427) Запустить еще одного агента легко. Найти время на проверку его решений — сложнее. Разбираем, почему узким местом становится ваше внимание и как это ограничивает работу с несколькими агентами. ⚪️Телеграм ⚪️Яндекс Музыка 9. Как перейти от личной пользы к результатам команды (выпуск 425) 97% менеджеров продуктов используют ИИ, но 77% не видят изменений в метриках. Обсуждаем, почему причина часто в процессах и что мешает превратить личную продуктивность в результат для команды. ⚪️Телеграм ⚪️Яндекс Музыка Сохраняйте подборку и подписывайтесь на другие каналы команды ProductSense ProductSense | подкаст make sense | канал конференции PeopleSense @productmindset

Raven Харнесс харнессов — собирает агентов, инструменты, навыки и память в один завершенный результат Автономно строит и развивает модульные харнессы под конкретные модели и домены. Каждая пара модель-харнесс становится компонуемой единицей интеллекта. Обгоняет SOTA-агентов на сложных долгих задачах • Автоконструирование харнессов под модель и домен • Эволюция харнессов — постоянное улучшение • Сохранение контекста между сессиями через EverOS • Готовые агенты — Raven-Research, Raven-Code, Raven-Design, Raven-Oncall • Компонуемость — любая пара модель-харнесс как модуль Кейс: THRESHOLD. полный проект разработки игры. Бриф от человека Raven выполнил весь проект целиком. Зха 4 дня Raven автономно провел 42 цикла планирования, разработки и проверки, чтобы собрать играбельный шутер от первого лица на Godot 4 с ареной и босс-файтом. В комплекте постер, презентация и сайт — все сделано Raven Гитхаб #harness

Помните, как мы платили за мегабайты? В опросе про Instinct бизнес-модель набрала 1 голос из 60. Хотя для меня как инвестора это самая интересная часть кейса. Да, комиссию Instinct ещё не берёт. Но именно по бизнес-модели видно, во что превратится компания, если рост продолжится. Давайте разберёмся, и начнём издалека. Сегодня в AI мы платим за доступ: $20/мес для обычных смертных, $200 для гиков или за каждый токен через API. Очень похоже на начало любой технологической волны. Сам помню, как в далеком 1999-м в Нижнем Новгороде платил за каждый час в сети и следил за минутами, как за таксометром. А в Америке AOL в 96-м году перешла с почасовой оплаты на безлимит — за пару недель пришёл миллион новых пользователей, и сеть легла. Сегодня OpenAI и Anthropic в той же роли: продают доступ по подписке, вводят лимиты и упираются в нехватку мощностей. Дальше доступ в интернет превратился в трубу, за которую все платят и о которой никто не думает. Большие деньги достались не провайдерам, а тем, кто стоял ближе к намерению человека. Google брал с рекламодателей деньги за клики из поиска, то есть за людей, которые уже готовы купить. Amazon и eBay брали процент с покупки. С мобильным интернетом повторилось то же самое. Мы, миллениалы, помним, как платили оператору за каждый килобайт. Потом появились App Store и бесплатные приложения, а операторы стали трубой. Когда Facebook выходил на IPO в 2012 году, мобильная выручка у него была почти нулевой. Через полтора года мобильная реклама давала почти половину. В AI это уже происходит, но с подвохом. По данным MIT FutureTech, цена за один и тот же уровень качества падает в 5–10 раз в год. Только дешевеет единица, а не счёт: работа с самыми мощными моделями, по тем же данным, дорожает в 3–18 раз в год, потому что на каждую задачу уходит всё больше токенов. Помните, как мегабайт дешевел, но стоило начать смотреть видео с телефона — и счёт за связь улетал в космос? Кто в этой схеме проигрывает, хорошо видно на Harvey. Клиенты стали тратить в 20 раз больше, и маржа ушла в минус. Harvey выкрутился, переехав на собственную модель на базе открытой. Но это лечит себестоимость, а не бизнес-модель. Продавать доступ к модели — бизнес трубы. Он может быть огромным: телекомы зарабатывают до сих пор, и Anthropic с OpenAI, скорее всего, тоже будут. Но это игра для пары компаний с дата-центрами. Остальным перепродавать чужие токены с наценкой значит жить на чужом прайсе, пока счёт клиента растёт. Выигрывает тот, кто продаёт не токены, а результат. Instinct идёт именно этим путём. Это AI-агент, который не советует, а сам делает то, что вам нужно. Продукт бесплатный, а зарабатывать собираются процентом с транзакций, которые совершает агент. Логика понятна: это Google и Amazon в одном лице. Агент владеет намерением «мне нужно в Нью-Йорк сегодня вечером» и сам его исполняет. Сработает ли это, будем посмотреть... В следующем посте хочу разобрать девять классических бизнес-моделей стартапов: какие AI усилит, какие перерастут во что-то новое, а какие отомрут. Ставьте 🔥, если тема заходит. Андрей Резинкин | Money For Startup

Бенчмарки железа для ИИ-шек Artificial Analysis сделал AA-AgentPerf-Local – открытый бенчмарк, который прогоняет записанные сессии реальных агентов: 8 задач, 168 ходов модели, контекст разрастается до ~56K токенов. Каждый ход генерирует ровно столько токенов, сколько в записи, так что все железки делают одинаковую работу. Можно запустить у себя против любого OpenAI-совместимого сервера. Что тестировали: – Железо: DGX Spark (128 GB), AMD Ryzen AI Halo (128 GB), MacBook Pro M5 Pro (64 GB), RTX 5090 (32 GB) – Модели: Qwen3.5-9B, Qwen3.8-27B, Qwen3.6-35B-A3B, Ling 3.0 Flash (124B / 5B активных), всё в 4 битах – Все 14 конфигов одинаково настроенные. Результаты: – RTX 5090 рвёт всех, если модель влезает в 32 GB – быстрее остальных в 3.5+ раза. Причина простая: 1,792 GB/s пропускной способности памяти против 256–307 GB/s у систем с unified memory. Но посмотрим, что будет на Mac Studio. – Скорость больше всего зависит от активных параметров: MoE Qwen3.6-35B-A3B самая быстрая везде, в 2.5–3.3 раза быстрее плотной 27B – DGX Spark и Ryzen AI Halo стоят одинаково ($4,000 MSRP), память почти одинаковая, но Spark быстрее в 1.4–1.7 раза на трёх моделях из четырёх. Больше вычислений на префилл + зрелый CUDA – MacBook Pro M5 Pro – единственный ноутбук, и он в пределах 2–9% от Halo на двух моделях, при этом сейчас самый дешёвый из четвёрки ($3,700) – Спекулятивное декодирование даёт +30–120% к скорости декода 27B сверх теоретического потолка по памяти Прикол, что даже когда 73–93% промпта берётся из кэша, новые токены съедают 22–41% всего времени. Агент ведь постоянно читает результаты тулов – за сессию ~196K новых входных токенов против ~31K выходных. Когда тул возвращает большой файл, Halo думает до 24 секунд, MacBook – до 39, а 5090 – около 2. Короче, для локальных агентов смотреть надо не только на скорость генерации, но и на скорость чтения контекста – именно там unified memory сейчас проседает. Если модель влезает в 32 GB – брать 5090 и не мучиться, если нужны большие MoE – Spark. А мак норм как компромисс, если он и так уже на столе :) https://artificialanalysis.ai/articles/aa-agentperf-local

Агент, которому нельзя ошибаться Несколько друзей рассказали, что написали себе приложения, чтобы следить за школой детей: это стало отдельной работой. Оценки в одном месте, домашка в другом, объявления в третьем, плюс email и родительские чаты. Business Insider недавно описал ровно эту проблему. Средний школьный округ в США пользуется тысячами цифровых инструментов. Одна мама из Майами собрала агента на Claude: он читает школьную почту и переносит важное в календарь. Но времени стало уходить больше: теперь она проверяет, не пропустил ли что-нибудь агент. Claude тут ни при чём, дело в асимметрии: за пропуск наказывают, за лишнее сообщение нет. Поэтому школа шлёт всё, а родители читают всё. AI сделал генерацию информации почти бесплатной, но цена пропуска осталась прежней. Агент экономит время, только когда ты перестаёшь его проверять, а значит, принимаешь, что иногда он ошибётся. Если к этому не готов, агент просто добавляет ещё один слой работы. В компаниях с AI-агентами ровно та же история: пока человек перепроверяет каждый результат, работа никуда не делась, её просто переставили и умножили на два. @maxvotek | linkedin | substack