Найм AI работников
Workers Delos — сдает автономных AI-сотрудников для бизнес-процессов, которые работают 24/7.
Как пример — Бэль, она встречает ваших посетителей, подтверждает их запись на прием и провожает их в нужную комнату. Белль фильтрует звонки, принимает сообщения и перенаправляет срочные, занимается бронированием, предотвращает конфликтные ситуации и подготавливает номера.
Также сортирует письма и перенаправляет их нужным контактам (HR-у, бухгалтеру и т.п.)
====
🔗 AI Consultung & Automation
📨 AI WEEKLY News
🎞 AI hottest video
🔗 Vacancies AI • IT (MENA/South Asia)
👨💻 Product Hunt Daily
Workers Delos — сдает автономных AI-сотрудников для бизнес-процессов, которые работают 24/7.
Как пример — Бэль, она встречает ваших посетителей, подтверждает их запись на прием и провожает их в нужную комнату. Белль фильтрует звонки, принимает сообщения и перенаправляет срочные, занимается бронированием, предотвращает конфликтные ситуации и подготавливает номера.
Также сортирует письма и перенаправляет их нужным контактам (HR-у, бухгалтеру и т.п.)
====
Please open Telegram to view this post
VIEW IN TELEGRAM
❤1
Вы должны попробовать эти 12 open-source ИИ-репо
Пока рынок спорит о подписках на ИИ, в open source уже собирают инструменты, которые закрывают продактов, инженеров и руководителей на уровне целых процессов. Я посмотрел свежую подборку и выбрал 12 проектов, которые особенно интересно тестировать прямо сейчас.
Если вы отвечаете за продукт, команду или операционку, здесь есть на что смотреть. Некоторые решения помогают писать код. Другие — собирать видео, проверять безопасность, работать с памятью и ускорять рутину в разы.
↓↓↓
Агенты, которые берут на себя сложную работу
OpenMontage — система, которая превращает запрос в готовое видео. Вы описываете идею простым языком → агент сам делает ресерч, пишет сценарий, собирает ассеты, монтирует итоговый ролик. У проекта почти 15 000 звёзд, и это уже не игрушка для демо, а реальный конструктор для контента.
Deer Flow — 74 000 звёзд. Это open-source harness для долгих задач: субагенты, память, песочницы, навыки. Его сила в том, что он умеет не просто отвечать, а держать длинный контекст и доводить работу до результата. Дата-пайплайны, слайд-деки, дашборды, контентные потоки — именно такие сценарии выглядят для него естественно.
Hermes — 200 000 звёзд. Один из самых популярных проектов в подборке. Его идея простая: если навык сломался, система не падает, а пытается самовосстановиться и улучшить следующий запуск. Для тех, кто строит автоматизацию в проде, это очень сильная точка входа.
---
Инструменты для контента и медиа
Hyperframes — более 30 000 звёзд. Проект для превращения HTML, CSS, медиа и анимаций в детерминированные MP4-видео. Полезен для продуктовых демо, motion graphics и презентаций. Это тот случай, когда дизайнерский пайплайн можно частично превратить в код.
Palmier Pro — AI-native видеоредактор для macOS. У него есть MCP-сервер, генеративные функции и интеграция с агентами вроде Claude, Codex и Cursor. Идея сильная: не просто “сделать видео”, а управлять самим редактором через ИИ.
Voicebox — полный голосовой стек локально. Клонирование голоса, синтез речи, транскрипция, работа без облака. Если вам нужен собственный voice IO layer для продуктов, это уже очень практичный вариант для экспериментов.
---
Инструменты для разработки
Codebase Memory MCP — 12 000+ звёзд. Это движок для кодовой базы, который индексирует репозитории очень быстро и помогает агентам понимать структуру проекта. Заявлено, что он поддерживает 158 языков и умеет работать в разных агентных средах. Для больших кодовых баз это прямой ответ на проблему “агент не видит весь проект”.
Matt Pocock Skills — 143 000 звёзд. Набор навыков для агентов, чтобы они писали код в более инженерном режиме, а не в стиле случайного vibe coding. Внутри есть routing, работа с документацией, уточнение терминов, обновление контекста и архитектурных решений. Это уже похоже на встроенную методологию разработки.
GStack — 114 000 звёзд. Процесс, а не набор тулов: think → plan → build → review → test → ship → reflect. Плюс сценарии вроде office hours, review и deploy-потоков. Для стартапов и команд, которые хотят стандартизировать работу ИИ-агента, это особенно ценно.
---
Безопасность и знания
Anthropic Cybersecurity Skills — набор навыков, который делает агента сильнее в кибербезопасности. Он использует реальные фреймворки, включая MITRE ATT&CK и NIST, и подходит для интеграции в инструменты вроде Claude Code, Cursor и других сред, где поддерживаются skills.
SkillSpector — сканер навыков перед установкой. Он ищет уязвимости, malicious patterns и риски безопасности. Проверяет сотни паттернов в десятках категорий, включая prompt injection и data exfiltration. Для меня это один из самых полезных проектов в списке, потому что он закрывает частую слепую зону: мы быстро подключаем инструменты, но редко проверяем, что именно они могут сделать.
Unlimited OCR — open-source vision-language модель для быстрого OCR и анализа документов. Особенно интересна тем, что умеет не просто читать текст, а работать с расположением объектов на странице. Для работы с PDF, отчётами и исследовательскими материалами это очень сильный класс инструмента.
====
🔗 AI Consultung & Automation
📨 AI WEEKLY News
🎞 AI hottest video
🔗 Vacancies AI • IT (MENA/South Asia)
👨💻 Product Hunt Daily
Пока рынок спорит о подписках на ИИ, в open source уже собирают инструменты, которые закрывают продактов, инженеров и руководителей на уровне целых процессов. Я посмотрел свежую подборку и выбрал 12 проектов, которые особенно интересно тестировать прямо сейчас.
Если вы отвечаете за продукт, команду или операционку, здесь есть на что смотреть. Некоторые решения помогают писать код. Другие — собирать видео, проверять безопасность, работать с памятью и ускорять рутину в разы.
↓↓↓
Агенты, которые берут на себя сложную работу
OpenMontage — система, которая превращает запрос в готовое видео. Вы описываете идею простым языком → агент сам делает ресерч, пишет сценарий, собирает ассеты, монтирует итоговый ролик. У проекта почти 15 000 звёзд, и это уже не игрушка для демо, а реальный конструктор для контента.
Deer Flow — 74 000 звёзд. Это open-source harness для долгих задач: субагенты, память, песочницы, навыки. Его сила в том, что он умеет не просто отвечать, а держать длинный контекст и доводить работу до результата. Дата-пайплайны, слайд-деки, дашборды, контентные потоки — именно такие сценарии выглядят для него естественно.
Hermes — 200 000 звёзд. Один из самых популярных проектов в подборке. Его идея простая: если навык сломался, система не падает, а пытается самовосстановиться и улучшить следующий запуск. Для тех, кто строит автоматизацию в проде, это очень сильная точка входа.
---
Инструменты для контента и медиа
Hyperframes — более 30 000 звёзд. Проект для превращения HTML, CSS, медиа и анимаций в детерминированные MP4-видео. Полезен для продуктовых демо, motion graphics и презентаций. Это тот случай, когда дизайнерский пайплайн можно частично превратить в код.
Palmier Pro — AI-native видеоредактор для macOS. У него есть MCP-сервер, генеративные функции и интеграция с агентами вроде Claude, Codex и Cursor. Идея сильная: не просто “сделать видео”, а управлять самим редактором через ИИ.
Voicebox — полный голосовой стек локально. Клонирование голоса, синтез речи, транскрипция, работа без облака. Если вам нужен собственный voice IO layer для продуктов, это уже очень практичный вариант для экспериментов.
---
Инструменты для разработки
Codebase Memory MCP — 12 000+ звёзд. Это движок для кодовой базы, который индексирует репозитории очень быстро и помогает агентам понимать структуру проекта. Заявлено, что он поддерживает 158 языков и умеет работать в разных агентных средах. Для больших кодовых баз это прямой ответ на проблему “агент не видит весь проект”.
Matt Pocock Skills — 143 000 звёзд. Набор навыков для агентов, чтобы они писали код в более инженерном режиме, а не в стиле случайного vibe coding. Внутри есть routing, работа с документацией, уточнение терминов, обновление контекста и архитектурных решений. Это уже похоже на встроенную методологию разработки.
GStack — 114 000 звёзд. Процесс, а не набор тулов: think → plan → build → review → test → ship → reflect. Плюс сценарии вроде office hours, review и deploy-потоков. Для стартапов и команд, которые хотят стандартизировать работу ИИ-агента, это особенно ценно.
---
Безопасность и знания
Anthropic Cybersecurity Skills — набор навыков, который делает агента сильнее в кибербезопасности. Он использует реальные фреймворки, включая MITRE ATT&CK и NIST, и подходит для интеграции в инструменты вроде Claude Code, Cursor и других сред, где поддерживаются skills.
SkillSpector — сканер навыков перед установкой. Он ищет уязвимости, malicious patterns и риски безопасности. Проверяет сотни паттернов в десятках категорий, включая prompt injection и data exfiltration. Для меня это один из самых полезных проектов в списке, потому что он закрывает частую слепую зону: мы быстро подключаем инструменты, но редко проверяем, что именно они могут сделать.
Unlimited OCR — open-source vision-language модель для быстрого OCR и анализа документов. Особенно интересна тем, что умеет не просто читать текст, а работать с расположением объектов на странице. Для работы с PDF, отчётами и исследовательскими материалами это очень сильный класс инструмента.
====
Please open Telegram to view this post
VIEW IN TELEGRAM
❤1👍1🔥1
AI SEO генератор на стероидах
Прогаю с Fable AI SEO пайплайн, десятки суб-агентов собирают итоговый пайплайн, чтобы успеть до завтра (7 июля включена в подписки)
Это пиздец, я ничего раньше подобного не делал 🤯
Ротаторы из 5 акков Tavily, Fireclaw, IndexNow, SerpAPI, DataForSEO, yandex-search-api, yandex-worstat-api
SEO приемы: TAYA, EEAT, IndexNow, SERP-кластеризация (если у двух ключей в топ-10 Яндекса)
Архитектура: MongoDB, 2 LLM провайдера, мультиагентный пайплайн (аналог CrewAI), Sanity фреймворк под блог уже равернут.
В будущем (уже заложено) БД Redis, BullMQ для очередей (многопоточности).
Синтетические персоны: 3 аватара (Персоны) на которых обкатывается статья — каждая ставит оценки по шкалам (релевантность боли, доверие, ясность CTA, желание дочитать, 1–10) + 2–3 конкретных претензии.
Прошлые посты:
🔗 SEO Pipeline: мультиагентный конвейер Контента
🔗 Technical оптимизация блога GEO, AEO, SEO
Остается:
- Analytics Monitor (GA, Yandex Search API)
- Internal Linker (перелинковка статей)
- Langfuse для трейсинга и observability
- Trigger.Dev для очень длинных генераций
- Векторная БД для написания авторских статей в моем стиле (в pinecone я уже залил чанки, скоро посты будут из RAG 😎)
Прогаю с Fable AI SEO пайплайн, десятки суб-агентов собирают итоговый пайплайн, чтобы успеть до завтра (7 июля включена в подписки)
Это пиздец, я ничего раньше подобного не делал 🤯
Ротаторы из 5 акков Tavily, Fireclaw, IndexNow, SerpAPI, DataForSEO, yandex-search-api, yandex-worstat-api
SEO приемы: TAYA, EEAT, IndexNow, SERP-кластеризация (если у двух ключей в топ-10 Яндекса)
Архитектура: MongoDB, 2 LLM провайдера, мультиагентный пайплайн (аналог CrewAI), Sanity фреймворк под блог уже равернут.
В будущем (уже заложено) БД Redis, BullMQ для очередей (многопоточности).
Синтетические персоны: 3 аватара (Персоны) на которых обкатывается статья — каждая ставит оценки по шкалам (релевантность боли, доверие, ясность CTA, желание дочитать, 1–10) + 2–3 конкретных претензии.
Прошлые посты:
Остается:
- Analytics Monitor (GA, Yandex Search API)
- Internal Linker (перелинковка статей)
- Langfuse для трейсинга и observability
- Trigger.Dev для очень длинных генераций
- Векторная БД для написания авторских статей в моем стиле (в pinecone я уже залил чанки, скоро посты будут из RAG 😎)
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥4❤1
Рост доли соло-предпринимателей
Доля соло-предпринимателей с доходом $100k+ растёт давно. А доля тех, кто в одиночку делает $5-10M+ в год без штата и без раунда — резко пошла вверх именно в 2023-2024, ровно когда AI-инструменты стали заменять маленькую команду.
Источник: Andreessen Horowitz
Доля соло-предпринимателей с доходом $100k+ растёт давно. А доля тех, кто в одиночку делает $5-10M+ в год без штата и без раунда — резко пошла вверх именно в 2023-2024, ровно когда AI-инструменты стали заменять маленькую команду.
Источник: Andreessen Horowitz
❤1
Наглядно куда текут деньги
70% венчурного капитала ($510 млрд в H1 2026) ушло в ИИ. Думаю, в корпах ± также. А значит 70% создаваемых продуктов/решений будут ИИ-шные.
А значит спрос на PM-ов на рынке — 70% против не ИИ-шных продактов (это уже не тот продакт, что раньше, это AI Orchestrator, управляющий агентами, а не командой). Задача оркестратора — солвить проблемы клиентов, и растить выручку (классический T-shape: код, маркетинг, бизнес- и системный анализ чтобы собрать ИИ команду).
Использовать ИИ ≠ оператор ИИ.
Пока вы учитесь вайбкодить, ко-пилотить работу на пару с ИИ (PRD, ресерч и т.п.), Anthropic и OpenAI решают задачу оркестрации агентов, автономных ИИ (долгосрочных), которые заместят:
а) консультантов (рынок $2.27 трлн в 2023)
б) менеджеров (линейных и middle) — ибо зачем нужно прокси между страт. решением сверху и исполнением?
Временно наблюдается рост (пока), Российский консалтинговый рынок в целом вырос на 15% (до ₽140 млрд), с ростом числа консультантов на 13%.
AI-консалтинг растет на 34% в год
Быстрее любой отрасли. OpenAI запускают партнерскую сеть для ускорения внедрения ИИ, цель — 300 тыс. аккредитованных консультантов, партнёрится с McKinsey, BCG, Accenture, Bain, PwC. Anthropic тоже партнёрится с KPMG, Deloitte и Accenture. К чему всё идет?
В 2010х офисный работник, как класс во многом сконструирован Microsoft, т.к. «им нужно было продавать офисный софт». «Оператор ИИ агентов» также становится классом. История повторяется.
Итого:
В моменте ~70% не смогут найти работу, т.к. офисные работники старой формации больше не нужны. И будут вынуждены добирать эти навыки на кейсах / тренажерах (как я в GoPractice когда начинал карьеру) / пилить пет-проекты / смотреть ютуб..
Поэтому сейчас разрабатываю программу по кодинг-агентам для OTUS..
70% венчурного капитала ($510 млрд в H1 2026) ушло в ИИ. Думаю, в корпах ± также. А значит 70% создаваемых продуктов/решений будут ИИ-шные.
А значит спрос на PM-ов на рынке — 70% против не ИИ-шных продактов (это уже не тот продакт, что раньше, это AI Orchestrator, управляющий агентами, а не командой). Задача оркестратора — солвить проблемы клиентов, и растить выручку (классический T-shape: код, маркетинг, бизнес- и системный анализ чтобы собрать ИИ команду).
Использовать ИИ ≠ оператор ИИ.
Пока вы учитесь вайбкодить, ко-пилотить работу на пару с ИИ (PRD, ресерч и т.п.), Anthropic и OpenAI решают задачу оркестрации агентов, автономных ИИ (долгосрочных), которые заместят:
а) консультантов (рынок $2.27 трлн в 2023)
б) менеджеров (линейных и middle) — ибо зачем нужно прокси между страт. решением сверху и исполнением?
Временно наблюдается рост (пока), Российский консалтинговый рынок в целом вырос на 15% (до ₽140 млрд), с ростом числа консультантов на 13%.
AI-консалтинг растет на 34% в год
Быстрее любой отрасли. OpenAI запускают партнерскую сеть для ускорения внедрения ИИ, цель — 300 тыс. аккредитованных консультантов, партнёрится с McKinsey, BCG, Accenture, Bain, PwC. Anthropic тоже партнёрится с KPMG, Deloitte и Accenture. К чему всё идет?
В 2010х офисный работник, как класс во многом сконструирован Microsoft, т.к. «им нужно было продавать офисный софт». «Оператор ИИ агентов» также становится классом. История повторяется.
Итого:
В моменте ~70% не смогут найти работу, т.к. офисные работники старой формации больше не нужны. И будут вынуждены добирать эти навыки на кейсах / тренажерах (как я в GoPractice когда начинал карьеру) / пилить пет-проекты / смотреть ютуб..
Поэтому сейчас разрабатываю программу по кодинг-агентам для OTUS..
👍4
Forwarded from Кабинет инвестора
Айтишникам в РФ стало ещё сложнее найти работу, пишет Коммерсант.
Число вакансий в IT-сфере резко упало на 20-50% с начала года, а число резюме выросло на 21%. При этом падает и зарплаты.
Компании все чаще закрывают часть задач за счет внутренних переводов сотрудников и автоматизации, в том числе с использованием ИИ.
@investingcorp
Число вакансий в IT-сфере резко упало на 20-50% с начала года, а число резюме выросло на 21%. При этом падает и зарплаты.
Компании все чаще закрывают часть задач за счет внутренних переводов сотрудников и автоматизации, в том числе с использованием ИИ.
@investingcorp
🤯1
Product Management становится ключевым bottleneck
PMs переходят от написания требований к управлению портфелем экспериментов (portfolio of probabilistic bets), evaluation sense, simulation design и judgment под неопределенностью.
когда код пишется в 10–100x быстрее, выигрывают tiny high-context teams (крошечные команды с высоким уровнем контекста) с сильным product thinking.
PMs переходят от написания требований к управлению портфелем экспериментов (portfolio of probabilistic bets), evaluation sense, simulation design и judgment под неопределенностью.
когда код пишется в 10–100x быстрее, выигрывают tiny high-context teams (крошечные команды с высоким уровнем контекста) с сильным product thinking.
👍1
Цикл поиска продукта на основе 100 интервью
Пример реализации ф-ции /loop для продактов.
6 этапов, каждый из которых питает следующий:
Шаг 1: Извлечение → распределите по одному агенту, работающему по упрощенной модели, на каждое интервью ; каждый предоставит структурированные возможности, описания персонажей и дословные цитаты. Ограниченная, повторяющаяся работа: хайку или сонет, а не опус.
Шаг 2: Канонизация → один агент группирует исходные возможности в канонический набор. Экстракторы придумывают новую метку для каждого интервью, поэтому одна и та же потребность возникает под десятком названий; объединение синонимов — это вопрос субъективной оценки, поэтому это модель, а не код.
Шаг 3: Оценка возможностей → код ранжирует каждую каноническую возможность по частоте × важности × (5 - удовлетворенность). Модель не выполняет математические вычисления.
Шаг 4: Генерация и сортировка → для наиболее эффективных вариантов агент генерирует несколько идей решений ; затем отдельный эксперт оценивает каждую из них по показателю ROI (влияние против затрат на разработку) и оставляет 3 лучших для дальнейшей разработки. Показатель ROI меняет порядок в списке, поэтому недорогая, но эффективная задача может занять место для разработки, освободив его от задачи с более высоким баллом.
Шаг 5: Разработка → Для 3 лучших идей по ROI агент использует навыки фронтенд-дизайна, чтобы написать уникальный, кликабельный HTML-прототип, который я могу открыть.
Шаг 6: Проверка и повторный запуск → проверка выявляет любой прототип, который не удалось отобразить, или любую извлечение данных, показавшее низкую степень достоверности, и рабочий процесс повторно запускает только этот этап. Это и есть настоящий цикл: результат одного этапа определяет, будет ли повторно запущен предыдущий этап.
===
113 агентов потратили 1,95 млн токенов за 12,5 минут. 3 из 3 прототипов были созданы и проверены. JavaScript-код, отвечающий за маршрутизацию, оценку, контроль и зацикливание, не потратил ни одного токена модели.
Пример реализации ф-ции /loop для продактов.
6 этапов, каждый из которых питает следующий:
Шаг 1: Извлечение → распределите по одному агенту, работающему по упрощенной модели, на каждое интервью ; каждый предоставит структурированные возможности, описания персонажей и дословные цитаты. Ограниченная, повторяющаяся работа: хайку или сонет, а не опус.
Шаг 2: Канонизация → один агент группирует исходные возможности в канонический набор. Экстракторы придумывают новую метку для каждого интервью, поэтому одна и та же потребность возникает под десятком названий; объединение синонимов — это вопрос субъективной оценки, поэтому это модель, а не код.
Шаг 3: Оценка возможностей → код ранжирует каждую каноническую возможность по частоте × важности × (5 - удовлетворенность). Модель не выполняет математические вычисления.
Шаг 4: Генерация и сортировка → для наиболее эффективных вариантов агент генерирует несколько идей решений ; затем отдельный эксперт оценивает каждую из них по показателю ROI (влияние против затрат на разработку) и оставляет 3 лучших для дальнейшей разработки. Показатель ROI меняет порядок в списке, поэтому недорогая, но эффективная задача может занять место для разработки, освободив его от задачи с более высоким баллом.
Шаг 5: Разработка → Для 3 лучших идей по ROI агент использует навыки фронтенд-дизайна, чтобы написать уникальный, кликабельный HTML-прототип, который я могу открыть.
Шаг 6: Проверка и повторный запуск → проверка выявляет любой прототип, который не удалось отобразить, или любую извлечение данных, показавшее низкую степень достоверности, и рабочий процесс повторно запускает только этот этап. Это и есть настоящий цикл: результат одного этапа определяет, будет ли повторно запущен предыдущий этап.
===
113 агентов потратили 1,95 млн токенов за 12,5 минут. 3 из 3 прототипов были созданы и проверены. JavaScript-код, отвечающий за маршрутизацию, оценку, контроль и зацикливание, не потратил ни одного токена модели.
👍1
Закончил эксперимент с Email AI Outreach
Результаты на скрине.
Можно масштабировать 😎
Доставляемость 100%
Конверсия хорошая.
Заспамленность домена отсутствует.
Нюансы как всегда есть.
Важно брать трастовые домены .com, .ru
Ставить DKIM, DMARC, SPF
Выбирать Google Workspace, либо Microsoft360
Лимиты:
на платных: 2000 в день
на бесплатных: 100 в день
Прогревать ступеньками:
- Days 1–5: 5–10 писем/день (только к людям, которые ответят)
- Days 6–10: 15–25 писем/день
- Days 11–14: 30–50 писем/день
- Days 15–21: 75–100 писем/день
Минимальный возраст до запуска 14–30 дней
Аккаунты брать с отлежкой, чем старше ак, тем лучше.
===
Кому актуально — пишите, установка на ваш сервер за 1-2 дня.
Результаты на скрине.
Можно масштабировать 😎
Доставляемость 100%
Конверсия хорошая.
Заспамленность домена отсутствует.
Нюансы как всегда есть.
Важно брать трастовые домены .com, .ru
Ставить DKIM, DMARC, SPF
Выбирать Google Workspace, либо Microsoft360
Лимиты:
на платных: 2000 в день
на бесплатных: 100 в день
Прогревать ступеньками:
- Days 1–5: 5–10 писем/день (только к людям, которые ответят)
- Days 6–10: 15–25 писем/день
- Days 11–14: 30–50 писем/день
- Days 15–21: 75–100 писем/день
Минимальный возраст до запуска 14–30 дней
Аккаунты брать с отлежкой, чем старше ак, тем лучше.
===
Кому актуально — пишите, установка на ваш сервер за 1-2 дня.
👍1
2026: 99% общения в ТГ — с ИИ агентами
Какой это топ, прокачать Hermes ещё GSD кодинг агентами, скиллами, петлями.
Обязательно попробуйте!
Hermes кодит в разы лучше.
Завтра буду настраивать мета-промпты для /goal
Из полезного что нашел, что может внедрить РМ — в этом посте 21 agent loops ideas you can run this week as a PM.
↓↓↓
Какой это топ, прокачать Hermes ещё GSD кодинг агентами, скиллами, петлями.
Обязательно попробуйте!
Hermes кодит в разы лучше.
Завтра буду настраивать мета-промпты для /goal
Из полезного что нашел, что может внедрить РМ — в этом посте 21 agent loops ideas you can run this week as a PM.
↓↓↓
/goal Harden a PRD until two engineers, reading independently, would build the same thing.
Each pass: find the single biggest ambiguity (the spot two readers would resolve differently), resolve it by adding the missing acceptance criterion, number, or edge case, then re-read for the next-biggest gap.
Cap at 5 passes. Flag anything that needs a product decision you haven't made.
Checked by: an independent second model reads the PRD cold and finds no ambiguity that would split two builds.
😍
AI SEO / GEO принципы дают результат
Алгоритмы и принципы зашитые в систему (и это всё ИИ),
На выходных ещё попался очень интересный эксперимент с loop engineering применительно к SEO (🎞 видео), где ты ставишь ИИ агенту цель → он ищет точки роста как вырасти в SEО → сам анализирует результаты в Google, Яндекс → сам пишет стратегию поднятия в топ. В общем крутая идея.
Также (о чем я знал, но забыл применить) - - LLM.txt на домен и LLM.txt на статью в Markdown. ChatGPT, Claude, Perplexity и др. нейронки поощряют домены из которых можно БЫСТРО извлечь контент. Поэтому ГЛУПО закрывать страницы от краулеров/парсеров, ибо этим парсером может быть chatGPT, который мог бы выдвать вашему потенциальному клиенту ссылку на ваш сайт.
Плюс в 2026 рулит авторство (тот самый EEAT), поисковики не брендовый контент контент который не имеет личного бренда или бренда компании
AI SEO / GEO принципы дают результат
Алгоритмы и принципы зашитые в систему (и это всё ИИ),
На выходных ещё попался очень интересный эксперимент с loop engineering применительно к SEO (
Также (о чем я знал, но забыл применить) - - LLM.txt на домен и LLM.txt на статью в Markdown. ChatGPT, Claude, Perplexity и др. нейронки поощряют домены из которых можно БЫСТРО извлечь контент. Поэтому ГЛУПО закрывать страницы от краулеров/парсеров, ибо этим парсером может быть chatGPT, который мог бы выдвать вашему потенциальному клиенту ссылку на ваш сайт.
Плюс в 2026 рулит авторство (тот самый EEAT), поисковики не брендовый контент контент который не имеет личного бренда или бренда компании
Please open Telegram to view this post
VIEW IN TELEGRAM
👍2
OpenParser: ИИ находит ответы в ваших документах и БД
Задайте вопрос, и ИИ найдёт ответы в ваших документах, базах данных и на сайтах.
OpenParser AI — агентная платформа документального интеллекта корпоративного уровня, которая превращает статичные документы, базы данных и веб-контент в единый защищённый слой знаний.
Платформа позволяет задавать вопросы на естественном языке и получать точные ответы с цитатами из источников, а также запускать 20+ готовых ИИ-агентов для автоматизации документоёмких задач: проверка контрактов, комплаенс-аудит, валидация счетов, суммаризация отчётов и другое. Доступна в двух вариантах: SaaS (облако) и On-Prem
Платформа эволюционировала из простого Q&A-инструмента в агентную систему, которая не просто отвечает, а выполняет законченные рабочие процессы
Интеграция с Google Drive, SharePoint, SQL-базами и любыми веб-сайтами — знания обновляются автоматически.
Поддержка PDF, DOCX, XLSX, PPTX, ODS, ODT, MD, HTML, RTF, TXT, CSV — конвертация не требуется.
Поддержка моделей от OpenAI, Anthropic, Google, Meta
💼 Кейсы применения
Маркетинг
- Автоматическая суммаризация отчётов по кампаниям из 50+ слайдов в одностраничные брифы.
- Анализ конкурентных сайтов и выгрузка ключевых офферов, pricing, УТП в таблицу.
Продажи
- Быстрая подготовка компетентных ответов на запросы клиентов по технической документации.
- Извлечение ключевых условий из контрактов (сроки, штрафы, SLA) для переговоров.
HR
- Онбординг: новые сотрудники задают вопросы по политикам, процедурам, handbook'ам и получают ответы с цитатами.
- Аудит резюме и сопроводительных писем на соответствие требованиям вакансии.
Продукт
- Анализ пользовательских фидбеков из опросов, meeting notes, support-тикетов — выделение паттернов и action items.
- Суммаризация длинных спецификаций и PRD в executive summary для стейкхолдеров.
ИТ
- Валидация инвойсов против PO, флагирование аномалий в данных.
- Профилирование данных из CSV/XLSX, сравнение версий датасетов, проверка качества.
Operations / Compliance
- Проверка контрактов на risk-клаузы, извлечение обязательств и дедлайнов.
- GDPR/SOC 2 комплаенс-аудит: поиск PII/PHI в документах, отчёт по уязвимостям.
- Обработка meeting notes: выделение задач, ответственных, сроков.
Задайте вопрос, и ИИ найдёт ответы в ваших документах, базах данных и на сайтах.
OpenParser AI — агентная платформа документального интеллекта корпоративного уровня, которая превращает статичные документы, базы данных и веб-контент в единый защищённый слой знаний.
Платформа позволяет задавать вопросы на естественном языке и получать точные ответы с цитатами из источников, а также запускать 20+ готовых ИИ-агентов для автоматизации документоёмких задач: проверка контрактов, комплаенс-аудит, валидация счетов, суммаризация отчётов и другое. Доступна в двух вариантах: SaaS (облако) и On-Prem
Платформа эволюционировала из простого Q&A-инструмента в агентную систему, которая не просто отвечает, а выполняет законченные рабочие процессы
Интеграция с Google Drive, SharePoint, SQL-базами и любыми веб-сайтами — знания обновляются автоматически.
Поддержка PDF, DOCX, XLSX, PPTX, ODS, ODT, MD, HTML, RTF, TXT, CSV — конвертация не требуется.
Поддержка моделей от OpenAI, Anthropic, Google, Meta
💼 Кейсы применения
Маркетинг
- Автоматическая суммаризация отчётов по кампаниям из 50+ слайдов в одностраничные брифы.
- Анализ конкурентных сайтов и выгрузка ключевых офферов, pricing, УТП в таблицу.
Продажи
- Быстрая подготовка компетентных ответов на запросы клиентов по технической документации.
- Извлечение ключевых условий из контрактов (сроки, штрафы, SLA) для переговоров.
HR
- Онбординг: новые сотрудники задают вопросы по политикам, процедурам, handbook'ам и получают ответы с цитатами.
- Аудит резюме и сопроводительных писем на соответствие требованиям вакансии.
Продукт
- Анализ пользовательских фидбеков из опросов, meeting notes, support-тикетов — выделение паттернов и action items.
- Суммаризация длинных спецификаций и PRD в executive summary для стейкхолдеров.
ИТ
- Валидация инвойсов против PO, флагирование аномалий в данных.
- Профилирование данных из CSV/XLSX, сравнение версий датасетов, проверка качества.
Operations / Compliance
- Проверка контрактов на risk-клаузы, извлечение обязательств и дедлайнов.
- GDPR/SOC 2 комплаенс-аудит: поиск PII/PHI в документах, отчёт по уязвимостям.
- Обработка meeting notes: выделение задач, ответственных, сроков.
🔥1
Вышел TypeScript 7.0
стал быстрее в 10 раз. что сделали:
- Переписали компилятор на Go → нативная скорость + многопоточность
- Ускорение сборки: x7.7 – x11.9 на реальных проектах
- VS Code (repo): 125.7s → 10.6s
- Sentry: 139.8s → 15.7s
- Playwright: 12.8s → 1.47s
- Память: -6% до -26%
- First error в редакторе: 17.5s → 1.3s (x13 быстрее)
Реальные кейсы:
- Slack: -40% времени merge, CI check 7.5 мин → 1.25 мин
- Microsoft: -400 часов в месяц на сборку билдов
- Canva: ошибки в редакторе 58s → 4.8s
Вопрос: сколько стоит 1 минута ожидания в вашей команде?
Это классический эффект второго порядка.
Вы ускоряете не билд.
Вы ускоряете итерацию гипотез.
- Было: 5–10 циклов в день
- Стало: 30–50 циклов
А значит:
- быстрее проверка фичей
- меньше batch-thinking
- выше скорость обучения команды
Это уже не DevEx. Это growth-фактор продукта.
стал быстрее в 10 раз. что сделали:
- Переписали компилятор на Go → нативная скорость + многопоточность
- Ускорение сборки: x7.7 – x11.9 на реальных проектах
- VS Code (repo): 125.7s → 10.6s
- Sentry: 139.8s → 15.7s
- Playwright: 12.8s → 1.47s
- Память: -6% до -26%
- First error в редакторе: 17.5s → 1.3s (x13 быстрее)
Реальные кейсы:
- Slack: -40% времени merge, CI check 7.5 мин → 1.25 мин
- Microsoft: -400 часов в месяц на сборку билдов
- Canva: ошибки в редакторе 58s → 4.8s
Вопрос: сколько стоит 1 минута ожидания в вашей команде?
Это классический эффект второго порядка.
Вы ускоряете не билд.
Вы ускоряете итерацию гипотез.
- Было: 5–10 циклов в день
- Стало: 30–50 циклов
А значит:
- быстрее проверка фичей
- меньше batch-thinking
- выше скорость обучения команды
Это уже не DevEx. Это growth-фактор продукта.
👍2
ИИ для продакта & CPO | Влад Прошинский
Курс по coding агентам в OTUS Ко мне пришли из OTUS с запросом «сделать лучшую программу по кодинг агентам». Сижу собираю новую программу курса для сентябрьской когорты по кодинг-агентам, и решил посмотреть конкурентов, открыл курс агентному программированию…
↓↓↓
Курс по кодинг-агентам в OTUS
Закончил обновленную программу🔗 курса
(времени ушло х5 от запланированного 🙈)
Но, это будет лучший курс! И вот почему:
1. Я проанализировал лучшие мировые курсы по coding-агентам на Maven от мировых практиков топовых ИТ-компаний.
2. Через весь курс идёт один сквозной проект.
Каждый урок заканчивается артефактом, который встраивается в этот проект: правила и окружение → handoff-пакет (PRD, design.md) → фронт → backend → контур качества → мульти-агентная разработка → защита на демо-дне. Студент не решает 20 разрозненных задачек, а собирает один продукт: идея → прототип → MVP → production решение.
3.🔥 Отдельно крут модуль про мульти-агентов.
Это то, куда индустрия придёт в ближайший год: вы перестаёте быть разработчиком с ассистентом и становитесь тимлидом команды агентов — оркестратор раздаёт задачи, агенты-специалисты (Front, Backend, QA, Review) работают параллельно, фоновые петли приносят готовые PR, пока вы спите.
Чем курс отличается от всего, что есть на рынке:
- полный продуктовый цикл: discovery → PRD → UX → код → production
- мульти-модельная стратегия
- токен-экономика: Opus/Fable планирует, Sonnet исполняют, Haiku ревьюит
- адаптация под русскоязычный рынок: GigaCode, YandexGPT, TimeWeb Cloud
- безопасность кодинг-агентов: tool hijacking, заражённые skills, prompt injection из веба, проверка supply chain — этой темы нет ни в одном западном курсе
=== ПРОГРАММА ====
Курс по кодинг-агентам в OTUS
Закончил обновленную программу
(времени ушло х5 от запланированного 🙈)
Но, это будет лучший курс! И вот почему:
1. Я проанализировал лучшие мировые курсы по coding-агентам на Maven от мировых практиков топовых ИТ-компаний.
2. Через весь курс идёт один сквозной проект.
Каждый урок заканчивается артефактом, который встраивается в этот проект: правила и окружение → handoff-пакет (PRD, design.md) → фронт → backend → контур качества → мульти-агентная разработка → защита на демо-дне. Студент не решает 20 разрозненных задачек, а собирает один продукт: идея → прототип → MVP → production решение.
3.
Это то, куда индустрия придёт в ближайший год: вы перестаёте быть разработчиком с ассистентом и становитесь тимлидом команды агентов — оркестратор раздаёт задачи, агенты-специалисты (Front, Backend, QA, Review) работают параллельно, фоновые петли приносят готовые PR, пока вы спите.
Чем курс отличается от всего, что есть на рынке:
- полный продуктовый цикл: discovery → PRD → UX → код → production
- мульти-модельная стратегия
- токен-экономика: Opus/Fable планирует, Sonnet исполняют, Haiku ревьюит
- адаптация под русскоязычный рынок: GigaCode, YandexGPT, TimeWeb Cloud
- безопасность кодинг-агентов: tool hijacking, заражённые skills, prompt injection из веба, проверка supply chain — этой темы нет ни в одном западном курсе
=== ПРОГРАММА ====
Модуль 1. Экосистема AI-инжиниринга
- Ландшафт coding-агентов в 2026
- Разбираем функциональные возможности coding-агентов
- Учимся управлять coding-агентом
Модуль 2. Настройка AI-dev окружения и Context Engineering
- Настройка среды и структура проекта
- От промпт-инженерии к инженерии контекста
- Фреймворки разработки для эффективной работы
Модуль 3. Идея, дизайн и требования
- Стратегия и генерация гипотез проекта
- Проработка требований
- Проектируем UX
Модуль 4. Фронт
- Собираем прототип
- Собираем MVP и Landing Page
- Собираем высококачественный Production UI
Модуль 5. Back-end
- База данных для вашего проекта
- Разрабатываем Backend: API и бизнес-логика
- Backend: интеграции AI-функционала в проект
Модуль 6. Code-review, QA и деплой
- Code-review с AI-агентом
- QA с AI-агентом: мульти-модельное ревью
- Деплой и production-контур
Модуль 7. Мульти-агенты (Dev team)
- Оркестрация: из одного агента — в команду разработки
- Фоновые агенты и автономные петли
- Бонус: безопасность и контроль кодинг-агентов
В конце каждого модуля ДЗ, а в конце — финальный проект.
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥4❤2
Большинство AI для маркетинга только советуют: посмотрел, порекомендовал, дальше сам.
В Plurio.ai агент действует, сам ведёт закуп в кабинетах. И под него ищут человека, чья методология станет его мозгом. Вакансия стоит внимания, даже если работу не ищешь.
Смотри, что агенты уже забирают на себя:
– раньше надо было самому часами разглядывать дэшборды → теперь Plurio делает глубокий анализ за минуты
– раньше надо было самому считать распределение бюджета в эксельках → теперь Plurio даёт оптимальный сплит по каналам, кампаниям и эд-сетам
– раньше надо было самому отсматривать креативы и править ставки в кабинетах → теперь Plurio отстреливает, масштабирует и перезапускает их прямо в кабинетах автоматически
– раньше решения по Google / Meta / TikTok принимались на интуиции → теперь Plurio анализирует исторические данные ml-модельками и предлагает, как сделать правила оптимизации эффективнее
Если совсем на пальцах: Plurio сам подсказывает, в какую кампанию докинуть бюджет, а какая скоро выгорит. Попросил у ребят скрин, смотрите ниже 👇
Весь execution уходит в агента, и роль меняется принципиально: ты управляешь не каналами, а агентом – кладёшь свою баинг-логику в его воркфлоу и правила и отвечаешь за рост клиентских метрик. Это уже не про управление каналом в чистом виде: ты напрямую влияешь на продукт и процессы.
И почему советую посмотреть: ребята в гиперросте, они нанимают. Продукт анонсировали только в марте, а агент уже крутит $500M+ ad spend в год, клиенты со спендами $300k–15m/m, база выросла в 4 раза за 10–12 недель. Задача – построить autonomous user acquisition factory, которая работает в 10 раз лучше всего, что было раньше, и довести бюджет под управлением до $30B. Это не типичная вакансия: ищут реально лучших в сфере. Лидерская позиция, под капотом команда ai marketing engineers и агент на твоей логике. До ~$15k/m (фикс + бонусы), ремоут по US-времени.
Если ты или кто-то из твоих знакомых круче всех шарит в Мете — посмотрите по ссылке: career.metahead.plurio.ai
В Plurio.ai агент действует, сам ведёт закуп в кабинетах. И под него ищут человека, чья методология станет его мозгом. Вакансия стоит внимания, даже если работу не ищешь.
Смотри, что агенты уже забирают на себя:
– раньше надо было самому часами разглядывать дэшборды → теперь Plurio делает глубокий анализ за минуты
– раньше надо было самому считать распределение бюджета в эксельках → теперь Plurio даёт оптимальный сплит по каналам, кампаниям и эд-сетам
– раньше надо было самому отсматривать креативы и править ставки в кабинетах → теперь Plurio отстреливает, масштабирует и перезапускает их прямо в кабинетах автоматически
– раньше решения по Google / Meta / TikTok принимались на интуиции → теперь Plurio анализирует исторические данные ml-модельками и предлагает, как сделать правила оптимизации эффективнее
Если совсем на пальцах: Plurio сам подсказывает, в какую кампанию докинуть бюджет, а какая скоро выгорит. Попросил у ребят скрин, смотрите ниже 👇
Весь execution уходит в агента, и роль меняется принципиально: ты управляешь не каналами, а агентом – кладёшь свою баинг-логику в его воркфлоу и правила и отвечаешь за рост клиентских метрик. Это уже не про управление каналом в чистом виде: ты напрямую влияешь на продукт и процессы.
И почему советую посмотреть: ребята в гиперросте, они нанимают. Продукт анонсировали только в марте, а агент уже крутит $500M+ ad spend в год, клиенты со спендами $300k–15m/m, база выросла в 4 раза за 10–12 недель. Задача – построить autonomous user acquisition factory, которая работает в 10 раз лучше всего, что было раньше, и довести бюджет под управлением до $30B. Это не типичная вакансия: ищут реально лучших в сфере. Лидерская позиция, под капотом команда ai marketing engineers и агент на твоей логике. До ~$15k/m (фикс + бонусы), ремоут по US-времени.
Если ты или кто-то из твоих знакомых круче всех шарит в Мете — посмотрите по ссылке: career.metahead.plurio.ai
❤3👍1