mcp.
1352 кейса внедрения ИИ в России: почему в продакшене побеждает не модель, а обвязка
В каталоге кейсов внедрения искусственного интеллекта набралось 1352 проекта в российских компаниях и госорганах: от антифрода Сбера до распознавания сорняков с дронов у «Русагро». Каталог ведём мы в АНО «Цифровые платформы», кейсы в него добавляют сами компании и наша команда. Когда смотришь на внедрения 2025-2026 годов не по одному, а разом, видны закономерности: что повторяется из проекта в проект, где ломается и где приносит деньги. О них эта статья.
ЮKassa запустила MCP‑сервер для подключения ИИ‑агентов к платежам
ЮKassa запустила MCP‑сервер, который позволяет подключать ИИ‑агентов к платёжной инфраструктуре. Теперь агент может создавать счета и ссылки на оплату, получать информацию о платежах и возвратах, а также отображать статус операции прямо в диалоге.Как это устроеноВ основе решения — Model Context Protocol (MCP): открытый протокол для взаимодействия ИИ‑моделей с внешними инструментами и сервисами. Упрощённо архитектура выглядит так: Пользователь → ИИ‑агент → MCP‑сервер ЮKassa → платёжная инфраструктура
ИИ: личный опыт без хайпа. Часть 0. Термины, связи и устройство
Обложка цикла «ИИ: личный опыт без хайпа»Введение
ИИ-агенту запретили запись в CRM. Но CRM всё равно изменилась
ИИ-агенту запретили запись в CRM. Но CRM всё равно измениласьПочему ограничения на уровне модели ещё не означают, что вся AI-система работает в режиме read-only — и почему это важно перед production rollout, расширением полномочий агента и передачей решения клиенту.В первой статье я разбирал более узкий случай: человек одобряет одно действие, а downstream-workflow способен попытаться выполнить другое. Там вопрос был в целостности цепочки approval → execution.Здесь хочу посмотреть на ту же проблему шире. Если самой модели запрещена запись, означает ли это, что вся AI-система
Codebase Intelligence для агента: строим «dev tool будущего» и сразу тестируем на Rails монолите в 3,5M+ строк
Сгенерированная картинка для привлечения внимания. Промпт: «Продемонстрируй, что всё новое — это хорошо забытое старое» (нет)
LLM не должен читать логи без ограничений: безопасный MCP-шлюз для разбора сбоев
В понедельник утром пайплайн упал. В чате уже есть три версии причины: «сеть», «база опять задумалась» и «давайте просто перезапустим». Ассистент мог бы за минуту собрать список упавших задач, показать зависимые пайплайны и выдать первую гипотезу. Но для этого ему часто отдают доступ к логам, метаданным и иногда — не будем показывать пальцем — к произвольному SQL.Так делать не стоит. Достаточно, что модель прочитает токен в логе, получит инструкцию из текста ошибки или отправит в базу слишком дорогой запрос. У инженера тут должен сработать простой вопрос: «Можно. А зачем?»
Сорок раундов ревью на код, который уже был отревьюен: что два ИИ-ревьюера нашли друг за другом
В прошлой статье про skillmem — локальную память для кодовых агентов — я рассказывал, как чужой README мог стать правилом пользователя, и как мы закрыли это в 0.10. Тогда код прошёл два независимых ревью, и я считал, что дыра одна и она закрыта.Вчера вышел 0.11.0. Между ними — сорок раундов ревью двумя моделями с разных сторон (одна на стороне Claude, другая на стороне GPT), каждая читала код враждебно и обязана была воспроизвести находку командой, а не рассуждением. Ниже — что из этого вышло и почему я теперь не верю ни одному «чистому» ревью, пока за ним не стоит ещё одно.Правило стопа
Бывший разработчик ChatGPT представил очень быструю ИИ-модель для задач классификации
Человеческий язык удобен для разговора с пользователем, но внутри приложения за эту универсальность приходится платить временем. Когда одна LLM передаёт результат другой модели, ответ всё равно генерируется токен за токеном. Для классификации заявки, оценки риска или выбора следующего инструмента развёрнутый текст вообще не нужен.Диого Алмейда, бывший исследователь OpenAI и соавтор InstructGPT, вместе с командой TypeSafe представил Jev, первую публичную модель семейства System One.
