ai.
Собираем AI-агента нового поколения: Python, RAG и внешние инструменты через MCP (Model Context Protocol)
Введение: от простых цепочек к агентам, которые действуютЕщё пару лет назад типичное LLM-приложение выглядело как последовательная цепочка вызовов: взяли промпт, добавили контекст из векторной базы, отправили в модель, получили ответ. LangChain популяризировал эту парадигму — chains, retrievers, memory — и это работало для простых сценариев вроде «ответь на вопрос по документации».Но бизнес-задачи редко укладываются в линейный пайплайн. Пользователь хочет не просто получить ответ, а чтобы система совершила действие
Linux 7.0: один Bash-скрипт, одни выходные, 23 года багов в ядре
Релиз Linux 7.0 состоялся 12 апреля. Rust теперь официально в деле. ИИ стал полноправным «соавтором» ядра. Линус Торвальдс называет это «новой нормальностью».Двадцать три года. И один вечер.
Kaggle Benchmarks. «Kaggle уже не тот…»
В ML/DS сообществе есть шаблонная фраза “Kaggle уже не тот”. Ностальгия по временам ушедшим понятна, но в общем-то очевидно, что драматически меняется вся индустрия и ландшафт соревнований вместе с ним. На смену заголовку, встречавшему кагглеров раньше, “Your Home for Data Science” пришел новый: “The World's AI Proving Ground”. Бенчмарки на KaggleВ 2026 Kaggle окончательно перешел под крыло AI фронтьера от Google DeepMind. Сменился и фокус. Один из больших апдейтов - появление раздела "Benchmarks" и инструментария Kaggle Benchmarks SDK
Почему ИИ-код создаёт больше проблем, чем решает
Многие команды сейчас экспериментируют с ИИ. Ставят ИИ-инструменты и удивляются как резво растёт кодовая база. Но счастье длится недолго. Очень быстро выясняется что количество багов растёт с той же, а порой и опережающей скоростью. А аудиты, хоть ИИ и сделал их доступнее, раздувают бэклог на недели вперёд.Типичная история 2026 года. ИИ-революция случилась быстрее, чем мы осознали что произошло и что с этим делать. А главное, как выстраивать процессы разработки по-новому, чтобы удержать этот код от взрыва в продакшене.Цифры которые не сходятся
Is a new wave of process excellence coming?
TL;DR Companies are rolling out AI by trying agents on whatever comes to mind, without the process mapping discipline that used to precede any serious automation. It's worth asking whether that discipline is about to matter again, as agent architecture, token economics, and regulation start catching up with the experimentation.It's a strange question to ask in 2026, when agents are at the top of most companies' agendas and calling yourself "AI-native" has become almost mandatory. Against that backdrop,
ИИ стирает рабочие места. Но кто тогда будет покупать?
Goldman Sachs теперь отслеживает это ежемесячно.25 000 рабочих мест уходит из-за прямой замены людей ИИ.9 000 возвращаются за счёт так называемого «усиления» труда — когда ИИ не заменяет сотрудника, а помогает ему.Итог:
В Москве прошло мероприятие от Яндекса: митап About:Cloud — Infrastructure
16 апреля 2026 года, в Москве прошло мероприятие от Яндекса: митап About:Cloud — Infrastructure.Событие прошло немного в полугаражной атмосфере, но скорее это было что-то наподобие ночного клуба. Программа была аж до 11 вечера, хотя начало было в 17-00. Девушки, если вы хотите реально познакомиться с Айтишниками, то Вам можно не ходить на DataFusion или на K2 Cloud, ибо там Вас быстро отошьют, но на это мероприятие ходить, очевидно, надо.
Топ 15 нейросетей на все случаи жизни: сервисы и ИИ для разных задач
Модели искусственного интеллекта выходят каждый день. В результате появляется все больше инструментов, платформ и сервисов на основе нейросетей для разных сфер жизни.За это время я уже подготовил подборки инструментов для программирования, рерайта, саммари, генерации текста и презентаций. А также выкладывал сборник сервисов сразу для нескольких областей. Сегодня я обновлю его и покажу вам полезные сервисы для повседневных задач. Не скажу, что все они будут бесплатны, но пробный период есть у каждого - чтобы вы сами могли оценить, стоят ли платформы ваших денег.
Что если собирать агентов как dbt-проект?
Я пришел в разработку агентов из дата инженерии, и в очередной раз занимаясь сборкой типовой структуры на LangGraph я заскучал по декларативному подходу, хорошо многим знакомому по dbt - там ты описываешь что ты хочешь сделать с данными, а не как. И тогда у меня появилась мысль - а почему бы не собрать свой фреймворк для агентов, который даст тот же подход.
