История продолжений: что после действия участвует в следующем ходе
Человеку почти никогда не приходится начинать с нуля. К моменту его включения в ситуацию многое уже участвует в том, как она может продолжиться: язык сохраняет прежние различения, профессия — найденные способы решения, организация — правила и распределение работы, интерфейс — подготовленные действия. Благодаря этому следующий участник получает результаты работы, которую ему не приходится повторять.
Тупая модель с жёстким циклом проверки бьёт умную модель без него
Недавно читал тут статью про «Cost per Task» и про то, что самая дешёвая модель в линейке внезапно обгоняет самую умную по цене решённой задачи. С выводом согласен полностью, но хочу добавить то, чего в той статье не было: дело не только в модели. Дело в том, что происходит после того, как модель написала код.Последние восемь месяцев я строю агентную обвязку, в которой модель не просто пишет файлы, а обязана доказать, что написанное работает. Выяснилось следующее: если прикрутить к слабой модели честный цикл верификации, она уверенно обходит сильную модель, работающую в режиме «написал и отчитался».
Headroom на 80 запусках агента: что получилось с расходом токенов
Недавно увидел ещё один репозиторий с обещанием резко сократить расход контекста у LLM-агентов — Headroom. Я сейчас исследую эту тему на примере SKILL.state и уже писал о первых результатах на Хабре - это были первые инженерные эксперименты; более строгие проверки ещё продолжаются. Так что меня заинтересовал подход headroom и я решил заодно с прочими экспериментами наскоро прогнать Headroom через тот же тестовый стенд. Эта статья — о том, что получилось.
Почему regex больше не находит клиентов в Telegram: препарируем 12 081 сообщение с помощью каскадного AI-скоринга
## TL;DR (BLUF)Классический мониторинг Telegram-чатов по ключевым словам («ищу разработчика», «нужен сайт», «требуется подрядчик») в 2026 году технически мертв: регулярные выражения пропускают 79.5% целевых коммерческих заявок и одновременно генерируют более 60% ложноположительного шума (самореклама исполнителей, вакансии, взаимопиар). В этой статье мы разбираем инженерную архитектуру трехуровневого каскадного пайплайна: от легковесных эвристик (2 мс) и мультиязычных эмбеддингов (15 мс) до LLM Decision Logic со строгой JSON-схемой. Все выводы подкреплены открытым бенчмарком на выборке из
Вайб‑спекинг для 1С: как ИИ помогает аналитику превратить идею в техническое задание
Вайб‑кодинг уже стал привычным способом разработки: человек описывает задачу обычным языком, а ИИ помогает писать и уточнять код. Но до кода обычно появляются требования, карта процесса и техническое задание. Если этот этап выполнен поверхностно, модель лишь быстрее создаст решение не той задачи.Для работы аналитика точнее подходит термин вайб‑спекинг — диалог с ИИ, в котором исходная идея постепенно превращается в спецификацию: с границами доработки, объектами конфигурации, исключениями, рисками и критериями приёмки.
Доля AI‑патчей в ядро Linux выросла с 0,33% до 17,25%
Каждый шестой патч для Linux Kernel в сентябре был написан с помощью AI. За прошлую неделю разработчики отправили 1634 патча, созданных с участием AI. Это новый рекорд.
Что, опять сетевики не нужны? И немного про SRv6
Факт 1. Недавно у меня было простое желание - написать заметочку про SRv6, вернее даже не про SRv6 как таковой, а про то как индустрия пришла от простого LDP к каким-то там SRv6 Дисклеймер №1Прежде чем читать эту статью дальше - откройте ссылку https://blog.pomazanov.com/posts/srh-vs-two-labels/ - пролистайте её, не особо вдаваясь в детали, минут пять займёт. Это для ознакомления с сутью того, что хотелось получить по факту факта 1. Факт 2. Листая на днях ленту Linkedin, знаменитой ярмарке тщеславия, заметил что у каждого второго чувака в ленте теперь есть модная AI-приставка к его роли:
Методология ИИ-мониторинга для работы с ИИ-выдачей в 2026 году
Если у вас уже дёргается веко от слова SEO, возрадуйтесь: ИИ спас нас от этой напасти, потому что приходом ИИ в поисковую выдачу, на смену Search Engine Optimization приходит GEO — Generative Engine Optimization (не путать с геосервисами вроде Яндекс/Гугл-карт и прочих Foursquare — это было гео для миллениалов). Для зумеров и молодящихся миллениалов ГЕО — это оптимизация под ИИ-выдачу, попадание в ИИ-рекомендации, в особенности (для Рунета) — в «Алису». «Попасть в рекомендации Алисы» — это уже реальный востребованный спрос, предложение на который только находится на этапе формирования.

