Нейросклад компонентов для микроэлектроники. 40 часов инженера превратились в 8 часов офис-менеджера
Давно не брал я в руки перо, поэтому сложно начать рассказ. Можно, конечно, попросить ИИ накидать слопа по сценарию из 5 строк, но это не путь олдов. Начну с простого — с контекста: работаю техническим директором на небольшом предприятии, разрабатывающем, производящем и внедряющем системы управления освещением. При этом я совладелец, и любая техническая боль — моя личная боль. С 2013 года мы разработали порядка 15 электронных плат и производим их по несколько тысяч штук в год в виде готовых приборов.Производство микроэлектроники объемом 5–7 тысяч контроллеров в год у нас выглядит примерно так:
Что такое JEV и зачем он нужен: собираем AI‑агента на связке LLM + open‑source аналог JEV
Автор: Алексей Яковенко, опытный python‑разработчик с многолетним стажем.Со времени моей последней статьи в мире ИИ успел появиться очередной «убийца всех LLM» и чуть ли не будущее всей AI‑индустрии — JEV. По крайней мере, именно так его сейчас местами преподносят.Сегодня предлагаю познакомиться с этим зверем поближе. Разберёмся, что из себя представляет JEV, почему вокруг него столько шума, как он работает и чем отличается от привычных нам языковых моделей. Заодно посмотрим, какие у него уже появились open‑source аналоги.
Как построить self‑hosted RAG‑систему с LangGraph‑агентом на локальных LLM
Введение Обычно стек для RAG‑систем и AI‑агентов строится вокруг облачных API (OpenAI, Anthropic) и управляемых векторных баз. Но для ряда задач критически важна полная автономность: устойчивость к санкциям и независимость от внешних провайдеров.В этой статье я расскажу, какие архитектурные решения и инженерные компромиссы позволили мне построить такую систему полностью на локальных моделях. Мы пройдем путь от сбора RSS‑лент до умного агента, который сам вызывает инструменты, и разберём грабли, на которые я наступил.Стек: Python 3.12, FastAPI, PostgreSQL + pgvector, Celery, LangGraph, Ollama (Qwen 2.5 14B, BGE‑M3), Streamlit, Langfuse, Docker.
Open-source ассистент для чернового монтажа видео
Привет, Хабр.Недавно я писал про edge-навигацию на руль — OLED, 2ГИС, велосипед/мотоцикл. Побочный эффект DIY: накопилось много не особо связаных между собой видосов. Медийку развивать мне хотелось, а времени на монтаж и разбор видео особо не было (на самом деле идея и базовая реализация появились давно, но сейчас это рпигодилось на практике).Так появился NeuroCut — локальный AI-ассистент для rough cut. Кидаешь видео (или несколько), пишешь brief текстом, получаешь план монтажа и экспорт:FCP7 XML для Premiere Pro / DaVinci Resolve;ZIP с готовыми MP4-клипами
ИИ‑агенты. Часть 1: Первые шаги
Всем привет! Сегодня я хочу рассказать вам про то, как я начал внедрять в процесс разработки ИИ‑агентов. Поделюсь своим опытом.Эта статья нацелена на начинающих, чтобы дать им первый толчок к использованию ИИ‑агентов. Однако, если вы уже давно в этой теме, то буду рад вам в комментариях.Что такое ИИ‑агент?Я уже рассказывал, что такое нейронная сеть. И мы знаем, что LLM тоже нейронная сеть (Transfomer точнее). Однако, что из себя представляет ИИ‑агент я понял только сейчас.ИИ‑агент
Python глазами C++-разработчика: GIL, asyncio и процессы на примере видеосервера
В первой статье цикла я разобрал real-time-конвейер видеоаналитики на C++20. Затем мы настроили систему через браузерный Viewer и безопасно опубликовали её через VPS. Теперь посмотрим на Python-реализацию того же сервера — глазами разработчика, привыкшего к RAII, std::thread, явному владению памятью и статической типизации.
Как я собрал бота‑команду из 11 ИИ‑юристов и что под капотом пошло не так первым же смоук‑тестом
Полтора месяца назад мне пришла претензия на 44 тысячи рублей за фото восьмилетней давности на сайте нашего отеля — типичный «фотобанковский» иск с QR‑кодом, печатью и таблицей коэффициентов. Разбирался сам, с помощью Claude, закрыл спор на 20 тысячах вместо 44 без суда и без найма юриста. Написал об этом на VC.ru — сюда, на Хабр, тащить ту же историю смысла нет, тут расскажу, как это в итоге превратилось в бота и что было интересного технически: архитектура, пять реальных багов с продакшена и то, как я срезал расходы на Claude API почти на порядок.
Как AI‑ассистент вырос в production‑систему: путь от NLU к оркестрации и надёжной обработке сообщений
В 2025 году Volga AI Assistant начинался как отдельный Telegram‑бот. Пользователь отправлял сообщение, NLU определял намерение, после чего бот возвращал подготовленный ответ.Архитектура первой версии почти полностью повторяла этот сценарий:
На что способен бесплатный Devin: тест на реальном проекте
Привет, Хабр! Меня зовут Завур, я фронтенд-разработчик в Selectel
Как за 5 недель построить рекомендательную систему в TravelTech: Kafka и MongoDB вместо Feature Store
Привет! Меня зовут Кристина, я MLOps-инженер в Туту. Занимаюсь тем, что помогаю рекомендательным системам добраться до прода со всеми компромиссами, горящими дедлайнами и новыми идеями. Эта статья — про один из таких запусков.В идеальном ML-мире запуск рекомендаций выглядит примерно так: полгода проектируют хранилище признаков (Feature Store), настраивают, откуда и как берутся данные, гоняют тяжёлые расчёты фичей и моделей, а отдельная команда следит, не деградирует ли модель из‑за изменений в данных.
