«Аниме-завод» открыт: выкладываю код конвейера, который сам режет эпизоды на Shorts
За последнее время я написал три статьи про систему, которая превращает длинные видео в вертикальные клипы: общий обзор «аниме-завода», разбор виртуальной камеры с face tracking и рассказ о том, почему связка «транскрипт + LLM» почти всегда даёт мусор.Комментарий, который повторялся под всеми тремя, был один и тот же: «покажи код».Показываю.→ github.com/ialakey/shorts-factory
Как запускать Python‑функцию с её зависимостями — и не засорять окружение проекта
Два проекта вызывают одну Python‑функцию, чьи зависимости установлены в отдельном окружении
Как создавался агрегатор ИБ‑новостей: склейка сюжетов, семь признаков важности и порог по данным
Идея агрегатора новостей по кибербезопасности зародилась еще давно. Хотелось получать самое важное и без инфошума. LLM тогда ещё не были повседневным инструментом, и первую версию реализовал на модели суммаризации rut5_base_sum_gazeta, а важность считал textrank. Работало так себе. Потом появились сервисы, которые сами подбирают новости под настроенную ленту. Но оптимального решения так и не увидел — это либо про всё сразу, либо что‑то про одну узкую тему.
Как подключить к LLM вашу документацию и базу знаний
Материал подготовлен в рамках курса «ИИ для Python‑разработчиков». Привет, Хабр! Меня зовут Андрей Бирюков. Я — независимый эксперт в области ИТ и ИБ, преподаю в учебных центрах и пишу статьи и книги.Вы когда‑нибудь пытались спросить у ChatGPT о том, как работает ваш собственный проект? Модель вежливо отвечает, но её ответы — это общие шаблоны, основанные на обучении на миллионах чужих репозиториев.
В ответах нейросетей почти всегда есть ссылки. Но не по всем из них видно, что за источник за этим стоит
Ответ нейросети с включённым поиском обычно приходит со списком источников, и этот список выглядит как готовый ответ на вопрос «где про эту тему пишут». Я собрал такой список по семи запросам одной темы из логов собственного прогона — получилось 359 уникальных адресов. Раскрыть удалось 199. За остальными 160 стоит редирект, за которым реальный сайт не виден ни из кода, ни глазами.Ниже — откуда берётся этот пробел, почему его нельзя закрыть локально, что из неё всё‑таки вытаскивается бесплатно и как из‑за неё врут метрики, если считать их наивно.Что вообще отдают каналы вместе с ответом
Мой первый RAG без LangChain
GPT-5.6 и Opus ищут, как подключить принтер в розеткуВ наши дни все, кому было интересно, уже попробовали RAG, я в том числе. И стандартная схема тривиальна: цепляем LangChain, три импорта, .from_documents()
Одна сессия Claude Code на нескольких машинах: что ломается, если просто синхронизировать папку
У меня три рабочих места с пятью ОС: десктоп на Linux и Windows, ноутбук также с Linux и Windows, а ещё мак мини на macOS. Claude Code стоит на всех, и каждый раз повторялось одно и то же: разговор, который я вёл на десктопе, оставался на десктопе. Сажусь за ноутбук — Клод не помнит ни проекта, ни договорённостей, скиллы не те, MCP-серверы не подключены, память пустая.Очевидное решение — положить ~/.claude в облачную папку, например в свой Яндекс.Диск, — не сработало. Почему именно не сработало, я понял не сразу, и это оказалось самой интересной частью задачи. Дальше — разбор граблей, на которые я наступил, пока делал синхронизацию по-настоящему.
Переводим книги нейронками для себя: год спустя. Словари, скорости и почему переводчики всё ещё нужны
Год назад я написал статью «Переводим fb2 книжки, с нейронками, для себя» — про то, как собрал на паре Tesla P40 в гараже программу Sunny Narrator («Солнечный сказочник»), которая переводит художественные книги через локальные и облачные LLM. Тогда это был скорее прототип «доказать себе, что так можно»: черновики читались с головной болью, книга в тысячу страниц переводилась два дня, а электричество, отключённое посреди процесса, стоило ещё двух.За год программа доехала до версии 2.1, я перевёл достаточно книг, чтобы набить руку, и понял главное:
ML‑датасет для Data Scientist: практический гайд по проверке качества данных перед обучением модели
Всем привет, меня зовут Сергей Прощаев, я Tech Lead и руководитель направления Java | Kotlin разработки в FinTech & E‑commerce и преподаю на курсах разработки и архитектуры в ОТУС.В этой статье расскажу про восемь проверок датасета, которые нужно прогнать до того, как кто‑то в команде напишет model.fit().Пятница, релиз
Я распознал паспорт. Чем я могу это доказать?
Система работает и разбирает документы. Претензия у меня к ней одна, зато неустранимая изнутри: я не могу доказать ни одно из полученных значений.Ниже — опись. По каждому полю: как оно читается, чем проверяется и чего эта проверка стоит. Последняя строка описи самая интересная, потому что напротив неё не стоит ничего.Что за задача
