llm.
AI-агенты в работе коммерческого директора: месяц практики
Когда говоришь «AI в продажах», люди представляют робота, который звонит бабушкам и предлагает кредитную карту. Расслабьтесь. Бабушки в безопасности.Речь про другое. Про момент, когда ты как руководитель перестаёшь тонуть в рутине и начинаешь работать со скоростью, которая раньше требовала трёх дополнительных людей. Без трёх дополнительных людей.Коммерческий директор GPTunnel. Расскажу, что работает у меня в проде прямо сейчас. Не «мы провели пилот и получили интересные результаты». А буквально: вот агент, вот задача, вот деньги, которые он сэкономил.Почему не нанимать, а автоматизировать
ИИ-агенты никому не нужны. Часть 2. Укрощение лобстера
Как OpenClaw стал самым быстрорастущим проектом в истории GitHubВ ноябре 2025 австрийский разработчик Петер Штайнбергер собрал за выходные автономного агента, который мог выполнять задачи на компьютере. Назвал Clawdbot. Утилитарно и честно.
Сборка дешевого домашнего вычислительного кластера на двух процессорах и 6 «почти» RTX3080
Я инженер, и у меня есть эдакий фетиш - все, что важно, должно находиться под моим контролем. Локально, в железе, которое можно измерить осциллографом, нагрузить до упора и при необходимости перепаять. Когда ты привык работать со схемами, сигналами и источниками питания, становится странно отдавать вычисления куда-то наружу и надеяться, что там “все нормально работает”.
Организация как Код: как описывать подразделения как исполнимые сервисные контракты
В большинстве компаний подразделение до сих пор описывается двумя способами. Первый — оргсхема, где есть прямоугольник с названием отдела и стрелками подчинённости. Второй — положение о подразделении, где сказано, что оно «обеспечивает», «контролирует», «сопровождает» и «взаимодействует». Формально этого достаточно: отдел существует, функции перечислены, зона ответственности обозначена.
От промпта к мутациям: как я перестал писать тесты руками и собрал команду из 7 AI-агентов
Кому будет полезноФронтенд-разработчикам, которые хотят мигрировать тесты с Enzyme на React Testing LibraryТем, кто экспериментирует с LLM для генерации кодаТем, кому интересен практический опыт построения мультиагентных систем⚠️ Дисклеймер. Статья полностью про фронтенд: React, Jest/Vitest, React Testing Library. И ещё: это просто моя честная история, как было. Можно было сделать быстрее, можно было думать по-другому, но я рассказываю как есть, со всеми ошибками и тупиками.КонтекстВ первой статье
Иллюзия логики: как я доказал, что LLM-агенты игнорируют факты, и почему Chain-of-Thought делает только хуже
Сейчас каждый второй стартап пилит ИИ-агентов. Мы оборачиваем LLM в цикл Промпт -> Вызов инструмента (API/Поиск) -> Чтение -> Ответ и ждем, что нейросеть сама расследует инцидент, найдет баг или напишет фичу. Но на практике автономные агенты часто ходят по кругу, галлюцинируют и застревают в бесконечных циклах.Индустрия пытается лечить это экстенсивно: наращивает контекстное окно до миллионов токенов или пишет в системном промпте заклинания вроде «подумай шаг за шагом и будь максимально объективен».
Тендеры без ошибок: как ИИ обошёл экспертов в проверке документации
Кто победит в соревновании по обработке документов — опытный специалист или нейросеть? На рутинных повторяющихся задачах ИИ уверенно обходит человека: он работает быстрее и не устаёт, тогда как внимание человека дискретно — мы ошибаемся из‑за усталости или монотонности работы.Оптимальное решение — разделить роли: нейросеть быстро и точно сортирует данные, а человек ставит задачи, контролирует процесс и оценивает результат. Как же на практике превратить ИИ-помощника и живого эксперта в эффективную команду?

