Вайбкодинг для 1С: как получить production-ready код с ИИ
Развенчиваем миф о «случайном коде»Когда разработчики 1С слышат о вайбкодинге, у многих возникает скептицизм. И не без оснований если просто скидывать задачу в Cursor и ждать чуда, результат действительно будет плачевным. ИИ генерирует что-то среднее, нарушает архитектуру, ломает существующий код.Но это не проблема ИИ. Это проблема подхода.На самом деле в 1С уже сейчас можно писать код с помощью ИИ не хуже, а часто лучше, чем опытный разработчик вручную. И качество напрямую зависит от того, как вы организуете этот процесс.Почему стандартный вайбкодинг не работает для 1С
Что смогут ИИ-агенты к 2030 году
Привет! На связи команда Research & Insights Центра стратегии цифровых продуктов МТС. В прошлом году мы подготовили исследование мирового и российского рынка ИИ-агентов. Перед вами четвертая часть обзора этого исследования.
Почему ничего нельзя вайбкодить — на примере Телеграм-бота
История успешных вайбкодеров напоминает истории успешного успеха: рассказываю о личном опыте, как мой друг вайбкодил бота под свой проект, и не смог, а сервис, который он пытался скопировать не делался за пару вечеров под сериальчик.
ИИ-агенты без оркестрации и роутинга
Если у вас мультиагентная система или сложный RAG, то с большой вероятностью вы используете жесткий роутинг или оркестрацию.Например, в мультиагентной системе могут быть сложные разветвления и в каждой точке, в зависимости от результата предыдущего агента, нужно пойти налево (запустить ветку агентов A) или направо (запустить ветку агентов Б). Это жесткий роутинг.Или приходит запрос от пользователя и нужно его классифицировать, вы отправляете его в LLM, получаете ответ, что запрос про A или про Б, и направляете к агенту RAG, который отвечает за область A или Б. Это оркестрация.Минусы такого подхода
SpaceX приобрела xAI
Илон Маск объявил, что SpaceX приобрела его стартап в области искусственного интеллекта xAI. Источники оценивают сделку в $1,25 трлн.
«Позови оператора»
Всем привет! Я работаю в Сбере, в кластере Digital Sales & AI. Последние пару лет у нас, как и у всех, в фокусе работа с искусственным интеллектом. В прошлом году мы внедрили в СберБизнес Giga‑ассистента — ИИ‑помощника на базе GigaChat.
Добавил Claude к YandexGPT в анализатор договоров — нашёл в 2.5 раза больше рисков
Почему одной LLM недостаточно, как двухслойная валидация ловит ошибки модели, и сколько бизнес экономит на проверке договоров.Что было в первой версииПару недель назад я рассказывал, как построил модульную систему промптов для YandexGPT. 32 тематических промпта, детекторы паттернов, калибровка по рынку. Система работала, находила риски, но вылезли проблемы:Ложные срабатывания — LLM иногда «видела» асимметрию там, где её не былоПропуски — некоторые паттерны (типа «1% в день за невывоз») проскакивали мимоНет второго мнения
Шесть осей прогресса LLM: почему «данные закончились» — это заблуждение
TL;DR«Данные закончились» — это про одну ось из шести. Пять остальных работают. Одномерные прогнозы — мусор.Вот в чём проблемаЗайдите в любой айтишный-чат.«Из архитектуры выжали всё». «Данные закончились». «Модели будут деградировать».Звучит умно. Проблема? Это полная ерунда.Не потому что эти люди глупы. Часто это крутые разработчики. Проблема в том, что они видят одну ось — supervised pre-training на интернет-текстах — и думают, что это весь AI.Ось упёрлась? Значит, AI упёрся.Нет. Не значит.Давайте честно: одномерное мышление — это ловушка2012 год.
Использование генеративного ИИ помогает учёным синтезировать сложные материалы
Исследователи из Массачусетского технологического института создали новую модель искусственного интеллекта, которая помогает учёным разрабатывать способы синтеза материалов, ускоряя переход от теории к практическому использованию.Традиционный процесс получения материалов требует много времени и экспериментов, поскольку мелкие параметры вроде температуры или длительности реакции существенно влияют на свойства конечного продукта. Новая модель предлагает оптимальные «рецепты» синтеза, облегчая выбор условий для получения нужных материалов.
