llm.
Я сделал начальника AI-офиса токсичным. Но сработал не мат, а право сказать FAIL
Я несколько раз пересобирал роль начальника в мультиагентной системе на Claude Code. Сначала мне казалось, что результат улучшился, когда я сделал начальника жёстким и разрешил ему материться на агентов.После сравнения версий boss.md вывод оказался менее смешным: вместе с характером я почти полностью переписал должностную инструкцию. Начальник получил ответственность за конечный результат, право отклонять работу и обязанность возвращать её конкретному исполнителю.То есть сработал не мат сам по себе. Сработала приёмка, в которой незакрытый дефект не может получить статус «готово».
Как я автоматизировал почти всю работу в CRM
Я долго ходил по конференциям, у меня хороший нетворк, и все это длительное время я наполнял CRM контактами, результатами звонков, переписками, договорённостями и тд.В какой-то момент в ней оказалось почти 10К человек и вся моя история отношений с ними.Но накопить данные конечно легче чем применять их так, чтобы была максимальная польза. Чтобы CRM приносила эту пользу, я должен помнить, кого и как там искать, какие фильтры включить, что делать дальше и как масштабировать это.Я хотел автоматизировать почти всё.Что было в первой версии моей CRM Источники данных существовали независимо друг от друга:
Пятница, пиво и 900 слайдов: как ИИ превратил посиделки в ночные лекции
За это лето у меня вышло 23 презентации на 914 слайдов, от ядерной триады до вопроса «а есть ли у мира создатель». Этот текст про то, как так вышло, что именно делает ИИ в этой схеме, а что нет, и почему у меня ощущение, что я не стал умнее, а просто освободил голову. Писать статьи никогда не было моим занятием, и, наверное, не стало: это первая. Так что если где‑то сбивчиво, это не ИИ, это я.Как это началось
Добро пожаловать в эру AGI (по версии отдела маркетинга OpenAI)
3 сентября 2026 года в 19:49 по тихоокеанскому времени Сэм Альтман опубликовал твит о новой флагманской модели OpenAI. В твите — название модели, список задач, три цифры и обещание, что ожидание стоило того. Твит собрал 4,1 млн просмотров. В нём нет одного слова — того, вокруг которого потом развернулась вся полемика.Слова «AGI» в твите Альтмана не встречается ни разу.
Как 17B активных бьют 70B плотных: анатомия Mixture-of-Experts (MoE)
Если вдруг вы моргнули на моменте, когда разработчики нейросетей мерились у кого больше цифра рядом с названием модели, а выморгнув, обнаружили, что теперь модно флексить скромными размерами активных параметров, эта статья для вас. Сегодня объясняю, как же так произошло, что все флагманы опенсорса внезапно стали MoE, почему Qwen3.5 на 397 миллиардов параметров строчит токены, как будто ей 17 и почему никто не разорился на видеокартах.Ну и для тех, кому «только спросить» откроем тайну: в каком же кабинете у MoE живет эксперт по медицине.
I Gave an AI the Same 20 Coding Tasks With Short and Detailed Prompts — More Context Didn’t Always Produce Better Code
There is a habit I picked up after using AI for coding for a while. Whenever the generated code was not quite right, I added more context. Then a little more. Input formats, edge cases, performance requirements, error handling, preferred architecture, things the function should not do. Eventually a two-line request could turn into a small technical specification.It feels logical. A developer cannot read your mind, so why should an AI model be able to? More information should remove ambiguity and give better code. But after a few cases where a detailed prompt produced something strangely overengineered, I started wondering whether this assumption was actually true for small programming tasks.So I made a small experiment. I prepared 20 coding problems and sent every problem to the same model twice. The first version was intentionally short. The second explained almost everything I could reasonably explain without giving away the solution. There were 40 generated solutions in total. No follow-up messages, no asking the model to fix a failing test, no manually repairing imports. The first answer was the answer.
Решил проверить, правда ли все ищут AI-инженеров. Спойлер: 84% вакансий про ИИ молчат
Решил я на досуге посмотреть, а много ли на рынке сейчас требуется людей, владеющих AI-технологиями. Ощущение-то у всех одинаковое: ИИ везде, без него никуда, каждый второй пост в ленте про агентов. А что на рынке труда?Спарсил я значит hh.ru (не без помощи LLM), все активные вакансии в 25 категориях направления «Информационные технологии» по России — получилось 34 053 штуки. Дальше посчитал, в скольких из них вообще упоминаются языковые модели и смежные вещи: LLM, GPT, RAG, агенты, промпты, Cursor, LangChain, GigaChat и ещё пара десятков терминов. Отдельно — сколько разобрал по полному тексту описания: 853 вакансии.Сколько всего
Что значит развернуть LLM локально: два дня с vLLM, DGX Spark и настоящими ограничениями
Когда меня однажды спросили, что такое инференс и как выглядит локальное развёртывание модели, я ответил правильно, но слишком общо: загрузить веса, поднять runtime, отдать API, подключить приложение.Теорию я понимал. Но честный ответ был таким: собственного опыта, в котором всё это проходит путь от файлов модели до работающего пользовательского сценария, у меня тогда не было.Через несколько дней такой опыт появился.
