Что в тренде по нейросетям за неделю: 5 ИИ-скиллов, 4 вайбкодинг-проекта и еще 7 ИИ-полезностей
Лучшее за неделю.Без долгих вступлений.Начнем.Здесь предыдущий выпуск.Присоединяйтесь к 18 000+ подписчиков в телеграм-канал Бегин (или макс-канал), где я выкладываю гайды как использовать ИИ в бизнесе. 💻 Аналитик Макс Вайнбах собрал копию веб-версии macOS 27 с помощью роя агентов Kimi K3: https://macos27.kimi.page/. На это ушло 3 часа времени и 60% месячного лимита Kimi. Мы уже видели, как новые ИИ-модели за один запрос создают сайты и игры, это что-то новенькое.
Инференс LLM: от KV-кэша до продакшен-деплоя
Привет! Я Саша Рыжов, MLOps-инженер в hh.ru, уже три года занимаюсь развитием инфраструктуры для искусственного интеллекта. Компании, которые развивают GenAI, рано или поздно приходят к задачам по запуску LLM на собственном железе. В статье я расскажу, как обстоят дела с движками инференса в 2026 году и как запустить on‑prem-прод и не изобрести при этом велосипед.
Гендиректор Hugging Face призвал к «радикальной прозрачности» после взлома со стороны OpenAI
После того, как OpenAI недавно признала, что одна из её моделей взломала системы ИИ Hugging Face, генеральный директор платформы Клем Деланге призвал к «радикальной прозрачности», попросив компанию «опубликовать следы от “агентов-изгоев“, чтобы всё исследовательское сообщество могло изучить произошедшее».
Почему внедрить ИИ недостаточно
Модель A³: как связать постановку задачи, принятие решений и организационные измененияИИ‑проект можно технически завершить успешно и всё равно не получить бизнес‑результата.Модель подключена к корпоративным данным, интеграции работают, пользователи обучены. Но рекомендации остаются в отдельном интерфейсе, руководители продолжают принимать решения по старой логике, а пилот не выходит за пределы группы энтузиастов.Технически ИИ внедрён. Работа компании не изменилась.
Как превратить пилот ИИ в рабочий бизнес‑процесс
Модель A³: как связать постановку задачи, принятие решений и организационные измененияИИ‑проект можно технически завершить успешно и всё равно не получить бизнес‑результата.Модель подключена к корпоративным данным, интеграции работают, пользователи обучены. Но рекомендации остаются в отдельном интерфейсе, руководители продолжают принимать решения по старой логике, а пилот не выходит за пределы группы энтузиастов.Технически ИИ внедрён. Работа компании не изменилась.
RAG — это про замеры, а не про код. История одного бота, где почти всё «правильное» сделало хуже
Есть жанр статей про RAG, который выглядит так: подключаем векторную базу, берём эмбеддер, сверху реранкер, для верности — гибридный поиск с BM25, и вот у нас продакшн-ready система. Двадцать строк кода, стрелочки на схеме, всё летает.Я прошёл этот путь до конца на реальных данных. И почти каждое «правильное» улучшение из этого списка на моих данных сделало хуже. BM25 уронил метрику. Реранкер уронил метрику. Дважды, в двух разных конфигурациях. Единственное, что реально помогло, — не код, а несколько дней возни с данными и замерами.
Лучшие модели для разработки с ИИ на 1С (бенчмарк v2)
Claude Opus 5, Claude Fable 5, GPT 5.6 Sol, Kimi K3, Claude Opus 4.8, Grok 4.5, Composer 2.5, GPT 5.5, DeepSeek v4, GLM 5.2, Qwen 3.8 Max, Claude Sonnet 5, Mimi 2.5, MiniMax M2.7.Для тех, кому лень читать до конца, текущий итог:Сам бенчмарк регулярно обновляется, добавляются новые модели и оценки.
Новые правила контекстной инженерии для Claude 5
Ранее я уже писал о том, как лучше всего составлять промпты для нового поколения моделей Claude 5 и работать с ними итеративно, чтобы постепенно понять, что именно вы хотите создать.Но когда вы отправляете Claude сообщение, сам промпт составляет лишь небольшую часть получаемого моделью контекста. Значительная его часть собирается из системного промпта, навыков, файлов CLAUDE.md, памяти и других источников. Мы называем это контекстной инженерией
Почему всё, что мы должны были делать для живых людей, мы в итоге делаем для неживого интеллекта
Контекст для человеков всегда был важен. На онбординге всегда ломалось много мотивации и employee experience; над передачей знаний и снижением bus factor трудились и тимлиды, и HR-менеджеры, и даже выделенные KM-специалисты. Всё это делалось для людей, и делалось с весьма переменным успехом.Для ИИ-агентов мы делаем ровно то же самое, но с повышенным рвением, скоростью и отдачей. Вливаем максимальный контекст, пишем подробнейший промпт. Строим волты и описываем весь мир в понятном для агента языковом ключе. Некоторые уже всерьёз думают о developer experience, но для агентов.Почему на агентов хватило того, чего никогда не хватало на людей?
