Поставить LLM-шлюз, попросив агента: плагин Keystone для Claude Code
Попросите агента «поставь нам LLM-шлюз», и он уверенно придумает переменные окружения, которых не существует.
GPT-6 Astra вручную исправила Qwen и при чем тут MIT
Теперь можно попросить переписать веса другой нейросети просто сказав, что ты хочешь видеть. На днях исследователи из MIT CSAIL опубликовали
Kimi K3 — открытая модель, которая обошла закрытых лидеров рынка
Открытые системы редко конкурируют на равных с закрытыми лидерами индустрии: у их разработчиков обычно меньше вычислительных ресурсов и данных, чем у крупных лабораторий, и это сказывается на качестве. Kimi K3 — исключение: ее веса можно
Человекоцентричность, или тихая революция в дизайне
Одна из самых значимых перемен в интерфейсном дизайне последних лет происходит почти незаметно. Экран перестал быть самостоятельным продуктом с фиксированной информационной архитектурой. Теперь пользователь формулирует запрос, а агент выполняет задачу и возвращает вместе с текстом UI-компоненты — таблицу, график, карточку с действием или карту. Такой подход называется Generative UI, или GenUI. Но сам по себе пересобираемый экран — не революция. Персонализированную ленту и адаптивную вёрстку индустрия делает уже давно, но каждый раз в итоге пользователю приходиться изучать язык системы, просто другой.
Маршрутизатор языковых моделей изнутри. От вектора задачи до судьи и обучения на отзывах
Ранее мы рассказывали о библиотеке FAIRouter, которая направляет запрос к наиболее подходящему исполнителю. Пока исполнителями могут быть только языковые модели (LLM), но в дальнейшем мы планируем добавить инструменты и агентов. В той статье вопрос о том, как именно маршрутизатор решает, кому отдать задачу, был затронут лишь вскользь. Поэтому было принято решение посвятить математике отдельную статью и разобрать ее по шагам: от признаков задачи до обучения на отзывах.
Как я подключил Hermes Agent к серверам, Obsidian, почте и разделил на Telegram-ботов
❯ Мои проблемы
Pydantic AI: типизированные агенты на своих моделях
У типового проекта с LLM-агентом судьба примерно одна. Сначала это милые сорок строк: промпт, вызов openai-совместимого API, json.loads — и всё работает. Через пару недель модель начинает вставлять перед JSON пояснительный текст в духе «Конечно! Вот ваш ответ:», одно из обязательных полей то появляется, то исчезает, а вложенный массив иногда приходит строкой. В код въезжают регулярки, ручные проверки и повторные запросы. Ещё через месяц вы владеете комом связующего кода на несколько сотен строк, который никто не хочет трогать — потому что непонятно, что именно отвалится.
Harness engineering: где на самом деле ломается агентная разработка
Почему генерация кода перестала быть узким местом и что проектировать вокруг модели: контекст, права, тесты, наблюдаемость и точки остановкиЕщё недавно спор про coding-агентов сводился к тому, какая модель лучше пишет код. Сейчас интереснее другой вопрос: почему команда, у которой агент генерирует в разы больше diff’ов, не получает пропорционального роста поставленной ценности? Ответ всё чаще звучит не про модель, а про среду вокруг неё: контекст, права, тесты, аудит, наблюдаемость и точки остановки.Это и есть harness engineering
Почему мы забрали у LLM браузер: 8 выводов после года работы над расширением для промокодов
Год назад наш ИИ чуть не оформил заказ за пользователя.
