llm.
Мультиагентный хаос: как мы собрали команду AI-сотрудников, а получили бесконечное совещание ни о чем
Введение. Ложное обещание мультиагентностиВ 2026 году каждый второй стартап обещает заменить команду разработчиков роем AI-агентов. Звучит как мечта уставшего тимлида: один агент пишет код, второй ревьюит, третий деплоит, четвертый отвечает на вопросы в Slack, а пятый, наверное, уже сам заказывает пиццу в офис. Никаких больничных, никаких «я не успеваю», только железная продуктивность 24/7.
Одна идея в десяти обёртках от LLM
Почему нейросеть думает одинаково восемь раз подряд — и как вытащить её из этой петли одной строчкой в системном промптеТы просишь Claude придумать несколько заголовков для статьи . Читаешь — и понимаешь, что это один заголовок в десяти обёртках. Меняются слова, порядок, двоеточия, суть — одна.Пишешь «сделай разнообразнее», становится чуть лучше: появляются варианты с цифрами, с вопросом, с кейсом. Но если присмотреться, тематически всё крутится вокруг тех же двух-трёх зацепок. Разнообразие получилось декоративным.
Если агент пишет код, то кем становится человек?
Андрей Карпати в январе 2026 года ввёл термин agentic engineering и сказал: вы не пишете код 99% времени, вы оркеструете агентов и выступаете надзором. Борис Черни, руководитель Claude Code в Anthropic, сообщил, что с ноября не правил ни одной строки руками и отгружает по двадцать с лишним пуллреквестов в день. Весь код пишет агент. Формулировки красивые. Хуже, что никто из них не объясняет, чем именно занят человек в эти 99% времени и что происходит, когда процесс не выстроен.
Как за 30 000р дообучить модель, которая работает на уровне GPT-5.4 — на задачах российских учителей
Продолжение. В первой статье мы протестировали 30 нейросетей на задачах для российских учителей. Российские модели заняли последние места. Но строчка #9 — наша: дообученная модель за ~30 000₽, которая работает локально. Вот как мы её сделали.Зачем вообще дообучатьВ комментариях к первой статье справедливо спросили — почему российские модели плохи? GigaChat-2 Max набрал 2.39 из 4, YandexGPT 5.1 Pro — 2.51. Ответ простой: в обучающей выборке этих моделей мало российских школьных задач, они оптимизированы под чат, не под образовательную деятельность.
Курсы по работе с LLM: осваиваем RAG-метод
RAG стал стандартом работы с LLM-системами: без retrieval-механизма языковые модели ограничены обучающими данными и «галлюцинируют» на незнакомых темах. Новые итерации курсов, связанных с обучением по взаимодействию с LLM, это прекрасно отражают, фокусируясь на практическом применении: от сборки ботов до интеграции агентов в корпоративные процессы. Что предлагают школы? Смотрим вместе с Хабр Курсами.Оглавление
Как устроен AI-агент изнутри
«Любая достаточно развитая обвязка неотличима от магии» — перефразированный Кларк, после недели ковыряния в исходниках.Внимание! Много букв, читать и познавать только для собственного развития в области работы AI-агентов.Последний год в тему AI-ассистентов для кода заходят буквально все — от одиночных разработчиков до крупных команд, у которых бюджеты на облачные модели уже сопоставимы с зарплатами джунов. Одни работают через веб-интерфейс, другие — через IDE-плагины, а третьи — прямо в терминале, в виде CLI-агента.
Как из факапа родился продукт: история EasyDoc
Привет, Хабр! Меня зовут Вадим Петросян, я директор по развитию бизнеса в ITFB Group
785 статей. 26 доменов. Для агентов, не людей
Live: https://happyin.space/ Repo: https://github.com/AnastasiyaW/knowledge-space (MIT)Когда агент пишет код в пустом проекте, он тратит первые 30-40% токенов на понимание того, что происходит вокруг. Не на работу - на ориентацию. README рассказывает мотивацию, туториал ведёт за руку, API-reference описывает параметры. Ни один из этих форматов не отвечает на вопрос, ради которого агент и пришёл: “вот задача, какой паттерн скопировать и где здесь грабли?”
