Радар спроса: ловим «ищу разработчика» в чатах, а ИИ-классификатор держит потолок $30 в месяц
Я делаю сайты и телеграм-ботов на заказ. Заказчики пишут «ищу, кто сделает лендинг» в профильные чаты и в ленты соцсетей, и кто ответит первым, тот обычно и получает разговор. Читать все чаты глазами я не могу, поэтому собрал робота: он читает чаты и ленты, отсеивает мусор, оценивает каждую находку нейросетью и присылает мне в личку карточку с баллом и черновиком первого ответа. Отвечаю я сам, руками. Пишет робот только мне, и это правило я зашил прямо в код, на свою силу воли не полагаюсь.
OpenAI запустила сайт с аппаратными проектами, созданными с помощью Codex
OpenAI запустила сайт с коллекцией аппаратных проектов, которые авторы разработали с помощью AI‑агента Codex. В каталоге представлено 20 проектов, инструкции для желающих их повторить и форма для отправки собственных разработок.
Соблазнительный образ логотипа Apple (редакторская версия)
Про свет и тьму мы поговорили в прошлой статье, а сейчас, раз уж мы вышли на свет, давайте поговорим про соблазн и соблазны. Придётся немного пошалить, иначе тему раскрыть будет невозможно. Статья, как и в прошлый раз, взялась из вопроса, который долго не давал покоя: почему Apple выбрали яблоко? В интернете полно красивых версий, но ни одна не звучит как окончательная. А ведь в одном маленьком символе спрятана целая матрёшка смыслов.
Apple ввела новые правила для App Store против интимных ИИ‑дипфейков
Apple обновила «Правила проверки приложений» (App Review Guidelines), внеся ряд изменений, направленных на усиление защиты от вредоносного контента и недобросовестных практик при модерации.
Кандидат наук из США подал 2300 резюме и не нашёл работу
Кандидат наук в области химической инженерии из Принстона подал заявки на 2300 вакансий, от постдокторских стипендий до корпоративных научных должностей и позиций в сфере разработки программного обеспечения. Однако он так и не нашёл работу.
Apple Intelligence. Минус 30 гигабайт во имя будущего (которое мы не просили устанавливать)
Два года назад Apple пообещала сделать наши устройства умнее. За это время искусственный интеллект научился многому, но ещё быстрее научился занимать место на накопителе. Зачем ему столько гигабайтов, что мы получили взамен и почему так трудно избавиться от «подарка».Помните, как летом 2024 года Apple представила Apple Intelligence? Всё было как мы любим: красивые презентации, впечатляющие демонстрации, восторженные обещания. Siri наконец‑то должна была научиться понимать человека, учитывать личный контекст, работать с приложениями, почтой, фотографиями и сообщениями.
Мой агент получил высокий балл. Проверяю, что он сделал
Как проверить, что диалоговый агент выполнил задачу, если бенчмарк поставил высокий балл? В первой пробе мой агент получил награду 1 на всех пяти задачах. Потом заглушка без единого вызова инструмента набрала 34% на полном наборе.Я разрабатываю собственную экспериментальную систему и называю её ELM. В её диалоговом варианте код предлагает действия, нейросеть выбирает из них, а код исполняет вызов и собирает ответ. В проверяемом здесь режиме нейросеть не пишет текст ответа.
Замена Lens, которую целиком написала модель: что получилось и где мы проигрываем
Зачем ещё один Kubernetes‑клиентSextant — десктопный клиент Kubernetes на Rust и Tauri 2: всё, что вы делали в Lens, без аккаунта, сервера и телеметрии, плюс встроенный MCP‑сервер для AI‑агентов. Проект открытый (MIT или Apache-2.0), сборки есть для Linux, macOS и Windows.Меня зовут Юрий Потемкин, я CTO в REES46 и 25 лет в IT. Kubernetes для меня — ежедневная работа: высоконагруженные системы на 120 тысяч запросов в секунду и несколько кластеров одновременно. Lens долго был открыт у меня с утра до вечера, и за это время накопилось три боли.
Как превратить Cursor в долговременную память проекта: LLM Wiki, QMD и Cursor CLI
> Практический кейс интеграции LLM Wiki и локального поиска в рабочий процесс Cursor. Ссылка на исходные конфигурации и skills — в конце статьи.Большой контекст в Cursor помогает ровно до момента, когда проект начинает жить дольше одного чата. В одной сессии обсуждается исходная постановка задачи, в другой — устройство витрины, в третьей внезапно выясняется, что показатель должен считаться немного иначе, а ещё через неделю приходится заново объяснять агенту, почему первое очевидное решение уже было отвергнуто.
