ИИ

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/

HP представила ноутбуки OmniBook Ultra 16 и X 14 на процессоре Nvidia RTX Spark HP представила ноутбуки OmniBook Ultra 16 и OmniBook X 14 на платформе Nvidia RTX Spark, а осенью также выпустит десктоп OmniDesk. Ultra 16 получил до 128 ГБ унифицированной памяти, графику Blackwell и производительность до 1 Пфлопс в FP4, поэтому подходит для запуска ИИ локально. У него 3K OLED-экран, батарея на 99 Вт·ч и автономность до 17 часов, а зарядка до 50% занимает около 30 минут. Более компактный X 14 тоже оснащён OLED-дисплеем, работает до 15 часов и комплектуется зарядкой на 140 Вт. Цены и подробные характеристики некоторых конфигураций HP пока не раскрыла. #hpomnibook #hp #rtxspark 📎Подробнее 🔖 3DNews в TG | MAX | VK

ImageGen – мой любимый нативный инструмент в Codex. Я не помню точно, когда он появился, но уже несколько месяцев использую его на регулярной основе. Теперь, если есть какой-то макет или дизайн, он сразу получает изображения в тему (а не те попытки сделать из svg картинку, что были раньше). PDF-документы, в которых собираю отчёты и практические методички (формат индивидуальных книг), получили качественные изображения. В этом кейсе у меня Hermes вызывает Codex для того, чтобы сгенерировать изображение. Из-за ImageGen я даже отказался от Nano Banana Pro, который считал лучшим для передачи деталей и inpaint. OpenAI, видимо, понемногу докручивают свой инструмент, так как он сильно внимательнее стал к деталям и уже не так часто генерирует вместо зловещую долину. Ещё попробовал его в моих попытках в геймдев. Спрайт в сегодняшнем медиа считаем анонсом. Будет история о том, во что это вылилось в итоге. Со ссылкой, где можно попробовать 😊 Единственная ложка дёгтя во всём этом безобразии с ImageGen – разрешение. Оно не дотягивает даже до 2К. И если нужно больше детализации, то единственный выход – апскейл. Либо выбирать другой инструмент. Была надежда, что GPT Image 2.5 даст разрешение повыше. Однако на данный момент даже Astra не способна ответить на вопрос "Это GPT Image 2.5 или ещё нет?".