Interpretable Context Methodology (Методология интерпретируемого контекста): структура директорий как архитектура агента
Привет, Хабр! Это не перевод, скорее выжимка из статьи со схожим названием. Очень советую ознакомиться, если подход заинтересует.Текущий подход к оркестрации AI агентов обычно включает в себя создание фреймворка, который руководит передачей контекста, памятью, обработкой ошибок и координацией шагов решения задачи (CrewAI, LangChain, AutoGen). Подобные фреймворки отлично подходят для сложных, многозадачных систем. Но для последовательных процессов, требующих проверки работы человеком для определенных шагов процесса, использование подобных фреймворков добавляет огромный инженерных overhead.
Как делать скилы правильно и собрать из них маркетплейс
Началось всё с подборки промтов cursor-vibe-prompts, которую я таскал из проекта в проект копипастой, и в какой-то момент меня настолько утомила эта рутинная процедура копирования из одного окошка в другое, что захотелось чуть упростить себе задачу и вместо копипасты оформить эту историю в формате скилов и вызывать по необходимости.Так на свет и появился репозиторий rpa-skills, изначально в нём была сборная солянка директорий скилов, которые содержали в себе просто SKILL.md
Куда делись мои токены?
Когда начинаешь плотно работать с AI-агентом, кажется, что бОльшая часть токенов улетает на сложные процессы - код написать, сайт разобрать, статью подготовить, браузером поуправлять, в логах покопаться. Вроде логично, задача сложная, модель думает, инструменты дергает, контекст растет.
Как мы с Claude Code учились оценивать качество RAG системы
Уверен, на Хабре найдётся немало статей, посвященных оценке качества RAG систем. Тема по-прежнему остаётся актуальной, потому что даже готовые библиотеки вроде RAGAS не очень-то работают из коробки, требуют навыков программирования и некоторой квалификации. При этом сам процесс оценки - повторение достаточно простых операций и мне всегда хотелось переложить его на AI-ассистента.
Accept-driven development или давайте снова понимать свой код
Наверное, через это уже прошёл каждый из нас :)
Structured Outputs без иллюзий: как OpenAI, Gemini и xAI соблюдают JSON»-схемы
Structured Outputs, или structured decoding, это способ заставить LLM возвращать ответ в заранее заданном формате: валидный JSON, соответствующий JSON Schema. На уровне генерации это обычно означает constrained decoding: на каждом шаге модели запрещаются токены, которые привели бы к нарушению схемы. Хорошее техническое объяснение есть в статье vLLM: .Для продакшн-систем это важно, потому что ответ модели часто становится входом для следующего шага: API-вызова, записи в базу, бизнес-правила или другого LLM-запроса.
Я дал AI-агенту канбан-борд, и он справился с проджект-менеджментом лучше моей команды
Или что происходит, когда AI-агенты сами ведут спринт-бордКанбан-бордДисклеймер: оригинал статьи написан автором для medium.com на английском языке. Для адаптации на русский язык использовалась помощь AI.
Рецепт как PM прокачать техничку c помощью ИИ и перестать стыдиться перед разработчиками
ПредисловиеСкрытый текст
Превращаем Видео-уроки в навыки для Claude и других с помощью одного инструмента
Наткнулась на мощный open-source инструмент Skill Seekers, который помогает быстро запаковать знания из видеоуроков в формат для Claude, Gemini, OpenAI, RAG-пайплайнов и AI
