Промпт против скилла: прогнал библиотеку промптов Anthropic и скилл grill-me
Мне нужно было спарсить собственные статьи с Хабра. Не для красоты — для анализа: я веду полевой журнал метрик по каждой публикации, и руками сводить рейтинги, закладки и комментарии в таблицу надоело. Задача из тех, что откладываются месяцами, потому что «несложная».
Handoff-driven development
Улучшенный Spec-driven-dev. Это SDD + handoff’ы — передний край лучших мировых практик как для соло-разработки, так и для небольших команд. Это не история про рой агентов, которые в абстрактном цикле «план → код → ревью → тесты → деплой» самостоятельно везут продукт, синхронизируясь друг с другом через воркфлоу. У нас нет личного датацентра или полумиллиона долларов на токены.В конце будет ссылка на репозиторий-шаблон, который можно скачать, или просто указать, и сказать Opus’у (Fable’у): «сделай мне такую же систему спецификаций» — дальше он справится сам.Проблемы, которые решаем1. Чистота контекста.
Как я учил AI‑аудитора проверять сайты и не ломать отчеты
В общем, базовая история с аудитом страниц: мы каждый месяц отправляли подрядчику несколько страниц на проверку. Отбирали несколько максимально разных. Если находились проблемы на одной, мы также правили и на однотипных. В месяц так проверяли 4–6 страниц. И тут, из очевидных минусов — оплата подрядчика и ожидание.Учитывая, что по сути нужно проверять однотипные вещи, вроде title, description, H1 и, например, ошибки в консоли, то я подумал, почему бы не попробовать отдать это агенту. Да, в деталях всё не так просто, но общая процедура каждый раз плюс‑минус одинаковая, а значит, можно настроить сценарий.
Как мы встроили ИИ-агентов в платформу: архитектура, сценарии, безопасность
ИИ-ассистент в корпоративной среде довольно быстро упирается в одно ограничение: он отвечает на вопросы, но ничего не делает. Спросить можно, но создать задачу, собрать данные по инцидентам, отправить дайджест, найти связанные объекты — уже нет.В то же время в бизнесе только и разговоров, что об ИИ-агентах — эта сущность, в отличие от чат-бота или ассистента, может действовать самостоятельно. Получив запрос, ИИ-агент оценивает доступные инструменты и сам решает, в какой последовательности их вызвать. Жёсткого сценария нет, есть набор методов и инструкция, что этот агент умеет делать.
AI-база: LLM, языковые модели, агенты, агентные механизмы
Привет, хабр, меня зовут Кияшева Екатерина. Вообще я из QA, но сегодня сделаю шаг в сторону и разберу архитектуру агентов на базе языковых моделей.
Совет требует ИИ, а данные не готовы. Как ESM даёт фундамент, который не провалит пилот
В прошлой статье мы обсудили, почему ИИ-инициативы в компаниях, даже с большими деньгами и ресурсами, просто проваливаются. Коротко говоря, если у ИИ нет качественных данных, проект скорее всего обречён — по данным Gartner, 60% ИИ-проектов не доходят до продакшена из-за неготовности данных и процессов. В этот раз поищем решение: как собрать все заявки в одном месте и научить модель делать то, что вам нужно — уничтожать рутину.
Контекстная инженерия для слабой локальной модели: как мы делаем среднюю модель надёжной
Принято думать, что качество ИИ-агента упирается в размер модели. Но когда модель работает локально, в закрытом контуре и на ограниченном железе, брать «побольше» особо некуда. И оказывается, что главный рычаг не модель, а контекст: что вы ей показываете, в каком порядке и как фильтруете. Причём «контекст» здесь — это сборка под то, кто спрашивает, откуда и о чём, плюс честный порог релевантности и продуманный порядок секций. На сильной облачной модели небрежный контекст прощается запасом по reasoning; на средней локальной — нет. Об этом и статья.Почему на локальной модели контекст важнее самой модели
Как внедрять AI-агентов в легаси-код без тихих регрессий
Принято считать, что искусственный интеллект особенно хорош в разработке с нуля: он отлично пишет новый код, когда ему не мешает легаси-багаж. А вот разработка в существующей кодовой базе (“brownfield-разработка”), когда ИИ приходится трогать уже работающие системы, — зона, где всё становится опаснее. Это мнение понятно. И не совсем ошибочно.
Harness Bench: как оценить агентский harness и выбрать связку с моделью
Привет! Я Андрей Иванов, NLP-исследователь в R&D-лаборатории red_mad_robot.

