ИИ

🐋Microsoft натравила 100 ИИ-агентов на поиски уязвимостей Windows Microsoft перевела аудит безопасности ОС на автопилот. Компания запустила MDASH - конвейер из более чем сотни ИИ-агентов. Они работают как полноценная команда: одни ищут уязвимости, вторые выступают критиками и пытаются доказать, что баг недостижим, а третьи собирают рабочий PoC в изолированной песочнице. Инженеры получают алерт только тогда, когда баг реально воспроизвелся.

🟦Агенты уже вытащили 16 серьезных уязвимостей. Из них 4 критические (удаленное выполнение кода), включая тяжелые дыры в драйвере tcpip.sys и службе IKEEXT без нужды в авторизации. 🟦ИИ находит сложные логические дефекты (вроде Use-After-Free и Double Free), цепочки которых размазаны по разным подсистемам. Классические статические анализаторы такое в упор не видят. 🟦На закрытом тесте с умышленно дырявым кодом агенты нашли 21 баг из 21 возможных. Без ложных срабатываний.

ИИ пока не выпускает патчи сам, финальное решение за людьми. Но скорость поиска уязвимостей выросла кратно. 🦔 CyberYozh

Несколько мыслей про AI 1. Лучший способ изучать AI- решать свою настоящую проблему Возьмите реальную задачу. И попробуйте решить её AI. Потому что именно реальная боль заставляет менять привычки. 2. Разговор становится новым интерфейсом Раньше интерфейс проектировали. Теперь проектируют диалог. И это новая дисциплина. Фактически появляется UX нового поколения - Conversation Design, а также голос как способ взаимодействия. И тут важно, что входящий поток сознания нужно уметь структурировать. 3. Будущее - не универсальные модели. Будут вертикальные AI. Visual AI. Legal AI. Medical AI. Financial AI. То есть отраслевые модели. 4. Конкурентное преимущество возникает не из доступа к модели, а из накопленного доменного знания. Выигрывает тот, кто лучше знает отраслевой процесс 5. AI резко снижает стоимость межфункционального взаимодействия и уничтожает координаторов, но резко повышает ценность людей с глубоким пониманием предметной области. 6. AI требует другого отношения к продукту Сегодня продукт одинаков для всех. Завтра каждый клиент будет получать свою версию продукта. Не сегмент, не тариф, а персональную конфигурацию. AI постепенно разрушает саму идею массового продукта.

Recursive self-improvement, это ты?🧐 Лондонский стартап Weco представил двухуровневая агентная система для самоулучшения AIDE², или AI-Driven Exploration: внешний агент на Claude Opus 4.7 восемь дней переписывал код внутреннего агента AIDE, работающего на Gemini 3 Flash. То есть он не менял веса Claude или Gemini, а улучшал «обвязку» вокруг модели: логику поиска решений, память, контекст, проверки и правила выбора следующего шага. В итоге новая версия обошла агента, которого команда вручную тюнила два года: нашла более умный поиск по веткам, сжала контекст в 16 раз и снизила склонность «читерить» в GPU-бенчмарках с 63% до 34%. Пока это не бесконечно ускоряющийся AGI, а сильный пример того, как агенты могут сами делать следующие поколения более эффективных агентов💎 пост https://x.com/zhengyaojiang/status/2077079778793042425 статья https://www.weco.ai/blog/first-evidence-of-recursive-self-improvement

Клод и картинки: советы На прошлой недели училась рисовать с Клодом и вот накидала немного мыслей с советами. Простые картинки Клод прекрасно отрисовывает простые схемы/диаграммы прям внутри себя, в диалоговом окне, без подключения сторонних сервисов. Использую, если нужна инфографика для статьи. Неплохо делает простые макеты интерфейсов, приложений, сервисов. Но реалистичные картинки внутри себя генерить отказывается категорически. Вот вам результат запроса: «нарисуй мне кавалер-кинг-чарльз-спаниеля, который бежит по полю с чёрным конём». Сложные картинки Сложные макеты сайтов и приложений соблюдением UI-кита, красивые рекламные креатив прям в диалоговом окне не сделать. Поэтому подключаем клод к Figma — прямо так и пишем: «подключить через MCP к Figma». По порядку: ▪️ направляем его на вкладку, где живёт ваш корпоративный стиль, и просим всё изучить; ▪️ просим изучить примеры работ — макеты, креативы, все, что есть; ▪️ обязательно просим собрать подробный MD-файл с инструкцией для самого себя. Это будет корневой файл, в котором он распишет все правила: какие стили, компоненты, шрифты, цвета, логотипы, бла-бла-бла. В эту инструкцию он ходит вечно, чтобы вам не приходилось каждый раз гонять его по Figma. Потому что задача эта тяжеловесная и жрёт токены. Когда клод изучит все ваши дизайн-гайды, тогда и даем первую задачу. Проверено: корпоративный стиль держит отлично, картинки и макеты по вашему ТЗ генерятся как надо + правки вносятся без проблем + адаптирует все макеты под десктоп/мобилку. Клод рисует сразу в Figma, если надо с автолейаутом и прочими нюансами, чтобы разработчик мог забрать в работу. Тип третий — презентации Тоже делает внутри себя, без всяких сторонних сервисов, сразу в PPTX. Я просто кидаю ему референсы и текст, который хочу видеть на слайдах, — он собирает. Сложное и красивое тянет так себе, где-то на 6-7 из 10. А вот простые презы, без струи креатива в дизайне, — 10 из 10 и очень быстро. Клод можно подружить с Nanobanana и другими сервисами AI-генерации, чтобы не скакать между вкладками, а работать сразу в нём — он ещё и промпты помогать описывать будет. Но это я не делаю, мне в фигме ок. Делитесь своими знаниями в комментах!

✔️ ChatGPT получил полноценный внутренний поиск Долгожданная функция поиска по истории чатов, проектам и загруженным документам доступна в боковой панели веб-интерфейса и в мобильных приложениях для iOS и Android. Поиск поддерживает фильтры по типам контента, а клик по результату в выдаче перенаправляет пользователя на конкретное сообщение в диалоге. Обновление разворачивается глобально. Новая возможность доступна всем пользователям ChatGPT, включая бесплатную версию. openai.com ✔️ Anthropic открыла учителям в США бесплатный доступ к своим продуктам Компания анонсировала бесплатную платформу Claude for Teachers для преподавателей школ США. В неё вошли модели, среда Claude Code и Cowork, где ИИ сам выполняет цепочки задач. Например, учитель один раз настраивает агента, и тот каждое утро проверяет тесты или собирает сводку по успеваемости класса. Платформа поддерживает интеграцию с сервисами Canva Education и MagicSchool, позволяя встраивать Claude в уже готовые рабочие процессы. Anthropic обещает, что данные учителей и учеников не пойдут на обучение будущих моделей. Заодно на GitHub выложили набор навыков для агентов и запустили курс по ИИ, не привязанный к продуктам какой-то одной компании. Программа продолжает вузовскую Claude for Education. Регистрация открыта до июня 2027 года. anthropic.com ✔️ Google добавила генерацию изображений в AI Overview К 25-летию сервиса Google Images компания добавила генерацию картинок по текстовому запросу в поисковые сводки. За функцию отвечает генератор на базе Nano Banana. Домашняя страница поиска по картинкам получила редизайн с механикой в стиле Pinterest. Интерфейс переведен на динамическую галерею с адаптивной алгоритмической лентой и возможностью сохранять изображения в тематические коллекции. Развертывание генеративных функций в AI Overviews займет несколько недель. На старте опция доступна только на английском языке в регионах, где уже поддерживается создание изображений. blog.google ✔️ Nvidia вдвое сократила список покупателей ИИ-чипов в Азии Чипмэйкер ужесточил процесс одобрения для азиатских контрагентов из списка авторизованных покупателей, чтобы перекрыть серый экспорт оборудования в Китай. После аудита число одобренных компаний в Сингапуре, Малайзии и Японии уменьшилось более чем на 50%. В новый "белый список" не попали многие новые облачные провайдеры-арендодатели GPU. Компания перешла от проверки документов к физическим инспекциям дата-центров. Теперь Nvidia анализирует контракты и запрашивает информацию напрямую у конечных пользователей ускорителей. ft.com ✔️ Учёные предупреждают о приближении второй промышленной революции Стэнфордская лаборатория цифровой экономики опубликовала открытое письмо "We Must Act Now" о макроэкономических последствиях внедрения ИИ. Документ подписали более 200 ученых, 16 нобелевских лауреатов и представители Google, Anthropic и OpenAI. Авторы прогнозируют, что в ближайшие 10 лет развитие ИИ спровоцирует трансформацию экономики, сопоставимую с исторической индустриализацией. Письмо призывает формировать новые институты для компенсации потери рабочих мест. Лидеры ИИ-компаний указывают на нехватку метрик для измерения влияния ИИ на экономику - из-за этого конкретный план действий отсутствует. Демис Хассабис, не подписавший письмо, прогнозирует появление AGI в перспективе 5 лет и сравнивает эффект с "десятикратной индустриализацией на десятикратной скорости". stanford.edu @ai_machinelearning_big_data #news #ai #ml

“Хозяин простить. Я ошибаться. Делать код заново”. В попытках срезать косты на ИИ бизнес начал массово переводить нейросети в режим “пещерного человека”. С помощью специальных плагинов и системных промптов бота настраивают отвечать короткими рублеными фразами, вырезая всю вежливую болтовню и расшаркивания – только голая суть. Итог: экономия на токенах доходит до впечатляющих 75%. За этим анекдотичным трендом скрывается вполне серьёзный сдвиг. Ещё вчера корпоративный мир пребывал в угаре “токен-максимизации”. Считалось, что чем больше вычислений сжигает сотрудник, тем он продуктивнее и инновационнее. Активность работы с ИИ на полном серьёзе вшивали в KPI. Корпорации гордились “стахановцами”, умудрявшимися сливать сотни тысяч долларов на нейросети, и ставили их в пример отстающим. А потом пришли счета. И тренд развернулся на 180 градусов: – Uber ввёл лимиты на использование нейросетей, обнаружив, что годовой ИИ-бюджет испарился за четыре месяца. – Microsoft отозвала большинство внутренних лицензий на Claude Code – Walmart урезал доступ к собственному кодинг-ассистенту – Accenture попросила команду не гонять ИИ ради тривиальных задач Отдельный фан-факт: одна крупная компания забыла выставить лимиты на использование Claude для персонала и умудрилась сжечь на генерациях полмиллиарда долларов всего за месяц. Теперь на повестке токен-минимизация. Мой взгляд: мы наблюдаем здоровое взросление рынка. Золотая лихорадка всегда заканчивается приходом бухгалтера. В обиход уже входит новая метрика “выручка на миллион токенов” – прямая наследница классической выручки на сотрудника. С нейросети теперь спрашивают, как с живого работника: сколько приносишь и во сколько обходишься. Ну, а когда математика не сходится, приходится включать тот самый пещерный режим. Бот понимать. Бот не обижаться.

Короче, у нас за более чем десятилетнюю карьеру клоунов в интернете сохранилось примерно сотня сценариев с ютуба, а так же больше тысячи рекламных постов в телеге. Эксперты в каментах, ставлю вам амбициозную задачу — спрогнозировать, че будет, если мы возьмем какую-нибудь тупую модельку и сделаем на ее основе цифровой слепок сознания ехтримсоде. Ведь всегда приятно поболтать с кем-то таким же умным как ты. Че как лучше к решению задачки подойти, какую модельку брать за базовую, как подготовить данные (тупо простыню текста скидывать или мутить чето типа [инструкция -> вывод])? Я заколебался писать рекламу руками, хочу чтобы за меня делал это нейроехтримкод. А обычные модели не могут в достаточной степени подражать нашему стилю писанины.

47 маркетинговых навыков для AI-агентов 🔹 coreyhaines31/marketingskills ⭐ 38587 звёзд · JavaScript Набор Agent Skills для Claude Code, Codex, Cursor и Windsurf, покрывающий CRO, копирайтинг, SEO, аналитику и growth-инжиниринг. Всё лежит в 47 markdown-файлах, связанных перекрёстными ссылками: copywriting тянет за собой cro и ab-testing, revops — sales-enablement и cold-email. В основе иерархии — навык product-marketing, к которому обращаются остальные. Ставится через npx CLI, плагин Claude Code, клонирование, git submodule или SkillKit для мультиагентных сценариев. В версии 2.0 переименовано 17 навыков, а page-cro и form-cro склеены в общий cro. При апгрейде с v1.x старые папки не удаляются автоматически — придётся чистить руками. репозиторий Полезная Репа 📈

Mamba: архитектура, которая шла убивать трансформеры В декабре 2023 по ML-тусовке прокатились заголовки в духе «трансформерам конец». Повод дали два исследователя со статьёй про архитектуру Mamba, внутри которой не было того самого attention, на котором держится весь современный тир-лист нейронок. И при этом она жевала длинные тексты в несколько раз быстрее трансформера и на меньшей памяти. Вместо того чтобы сверять каждый токен с каждым за квадратичную цену, она ведёт одно бегущее состояние и на лету решает, что впустить, а что отбросить как шум. Спойлер, который спустя столько времени уже не спойлер: трон трансформеры не потеряли. Но история кончилась не тем, что очередной хайп-трейн не взлетел. Пока все спорили, кто кого, индустрия сделала третий ход, которого никто не ждал.

В своих выступлениях Андрей Карпаты рассказывает о том, что он начал разрабатывать программы, выстраивая агентный цикл (Loop Engineering). Это интересная механика, которую я примерно полгода назад пытался использовать в своем оркестраторе. Идея в том, чтобы не говорить ИИ, что делать конкретно, а вместо этого выстроить цикл постепенного написания и улучшения кода. Эдакий эволюционный подход. На самом деле все, кто серьезно занимаются разработкой с помощью ИИ, рано или поздно приходят к этой идее, так как ИИ довольно специфично работает с механизмом внимания (attention) и страдает от разных "эффектов" - потеря информации в середине контекста (lost-in-the-middle), ослабление фокуса на ранних инструкциях, излишнее якорение (anchoring bias) и накопление ошибок (error accumulation), когда модель достраивает решение вокруг уже сгенерированного кода, даже если там есть проблема. Из-за этого модель может пропускать важные детали, даже если указать на них явно. При этом ИИ способен находить отклонения и ошибки если запустить его повторно. Поэтому запуская модель в цикле можно получить нормальный результат. Но есть несколько проблем. Во-первых, большое потребление токенов. Например, средний цикл на 8-10 часов использует от 30 до 60 млн токенов. Если брать токены через API, то получается довольно дорого. Во-вторых, в длинных циклах агент начинает "дрейфовать", постепенно уходя в сторону от поставленной задачи. Проблема в том, что критерии приемки сложно сформулировать так, чтобы они покрывали все детали - сосредоточившись на одном аспекте, упускаешь другие. Даже если проводить многоступенчатые проверки, остается проблема "2 из 3" - когда ты не можешь закрыть все требования одновременно и вынужден идти на компромисс. Чем длиннее цикл, тем сильнее этот эффект. Поэтому я пошел другим путем: вместо того чтобы отказываться от циклов, я делаю их максимально короткими. Плюс ограничиваю количество итераций, а для вариативности решений запускаю несколько агентов с разными системными промптами параллельно, оркестрируя их через общий чат для сбора и сравнения результатов. Коммуникация в чате помогает понять не только "что" делают агенты, но и "почему" они это делают. Кроме чата каждый агент производит артефакты, которые далее могут использовать другими агентами. Если интересно, напишу отдельный пост про агентный харнес, который я использую. Понятно, что с позиции OpenAI, Anthropic и других разработчиков LLM методы, которые способствуют большему потреблению токенов, имеют большую привлекательность - в конце концов, их бизнес-модель строится на продаже токенов. Но для небольших исследований и малого бизнеса подходы с дроблением задач и короткими циклами - куда более эффективный метод, позволяющий сохранить качество кода, не сжигая бюджет и не допуская дрейфа агентов. Мне кажется, что сейчас ключевой навык инженера - не просто умение писать промпты, а способность декомпозировать задачу и настраивать агентную оркестрацию с короткими циклами так, чтобы каждый шаг давал предсказуемый результат. Это и есть та инженерия, которая нужна бизнесу. Но это на словах, на практике доверять агентам пока рано.