Из ИТ в fashion и к ИИ-агентам: как я создал COSMOS
Я Никита Краснов, автор COSMOS. Я пришёл из ИТ в бизнес одежды, а затем через задачи этого бизнеса вернулся к разработке уже системы для работы с AI-агентами.Эта история началась с очень приземлённого требования: меньше тратить на обслуживание повторяющихся операций. Маркетплейсы заставили нас постоянно оптимизировать работу. Нужно было продавать одежду, разбираться с возвратами, сопоставлять отчёты, вести учёт и понимать, что происходит между этими этапами. Каждая ручная передача данных добавляла работу.
От «Агента‑помощника» к «Фабрике агентов»: как я учился с ИИ разрабатывать кастомизацию PLM системы
ВводнаяДорогой читатель лови привет. Меня зовут Станислав и я не продажник, не разработчик, не учёный, не писатель и тем более не матёрый исследователь. Наверное, по частичке каждого навыка имеется, как и у многих, и мы не будем вдаваться в процентное соотношение каждого — сейчас это не важно. Моё основное направление деятельности — это функциональная архитектура систем и в большей степени PLM. Подходы, которые в ней применяются, можно перенимать, трансформировать и применять в других системах, как и наоборот. Но сейчас речь тоже не об этом, а то мы погрязнем в очередном холиваре и упустим главное.
Зачем нейросети «обвязка»: как превратить LLM в рабочий AI-сервис
Большую языковую модель можно скачать с Hugging Face, развернуть на сервере с GPU и отправить ей первый запрос. Технически LLM уже работает: получает текст на вход и генерирует ответ. Но до готового бизнес-сервиса еще далеко.
Вам не нужен ещё один Claude Code: зачем Pi оставляет сборку агента пользователю
Когда мы обсуждаем агентов для программирования, разговор быстро сводится к моделям. Какая модель Claude лучше пишет код, а какая версия GPT увереннее чинит ошибки, как
Строим продвинутый каркас для ИИ-агента
В основе базового agentic harness — простой цикл: LLM получает задачу, выбирает и вызывает инструмент, результат возвращается в контекст, после чего модель решает, какое действие выполнить следующим. Цикл продолжается, пока модель не решит, что задача выполнена.
Почему одна и та же модель может стоить в пять раз дороже
Исследователи из UC Berkeley и Arena сравнили семь моделей внутри Claude Code, Codex CLI и минималистичного Pi. На двух бенчмарках выбор харнесса почти не менял среднюю успешность, но увеличивал стоимость одной и той же модели до пяти раз. Результат хорошо объясняет, почему сравнивать coding-агентов только по названию моделей уже бессмысленно.А что именно измерили?
Kodacode лучший харнес для DeepSeek v4 Flash!? Замерили различные харнессы и модели
Когда кодовый агент решает задачу, сама LLM не редактирует файлы и не запускает тесты напрямую. Она работает через агентную оболочку, или, по-другому, харнесс. Она получает системные инструкции, выбирает инструменты, читает результаты их работы и решает, что делать дальше.Поэтому одна и та же модель в разных агентах может показать разные результаты. Где-то ей удобнее искать по проекту, где-то она получает более понятные ошибки, где-то лучше управляется контекст длинной сессии. Даже небольшое различие в инструментах или системном промпте на десятках шагов превращается в заметную разницу на выходе.
Дело о взрыве контекста: поиск случайного гостя, который захотел остаться
Всё началось со странной потери скорости решения задач.Сначала я думал, что это чисто субъективное наблюдение. Проекты развиваются, документация растёт, архитектурных связей становится больше. Значит, AI-агенту нужно прочитать больше файлов, удержать больше решений и проверить больше зависимостей. Контекст растёт — время выполнения задач тоже растёт. Вроде бы всё логично.
Обвязка решает
Разбор харнессов ИИ-агентов: как они устроены на обычном проекте, какими бывают — и что показал машинный журнал живого проектаПилю офлайн-заметочник Nitinol и пишу об этом статьи. В первой части рассказывал, как десять лет терял заметки, во второй — про хранение и поиск без RAG, в третьей
Обвязка вокруг модели даёт столько же, сколько сама модель: разбираю харнесс по слоям
Разбор харнессов ИИ‑агентов: как они устроены на обычном проекте, какими бывают — и что показал машинный журнал живого проектаПилю офлайн‑заметочник Nitinol и пишу об этом статьи. В первой части рассказывал, как десять лет терял заметки, во второй — про хранение и поиск без RAG, в третьей
