Забудьте об AI агентах, работающих только с кодом
Beezi — платформа оркестровки разработки с ИИ. Не замена вашим инструментам, а слой поверх них: Jira, GitHub, GitLab, Azure DevOps, Slack, Teams — всё подключается без переезда команды.
Три ключевых модуля:
- Умная система тикетов — анализирует задачу → выявляет размытость → предлагает уточнения до того, как модель увидела хоть строчку
- Оптимизатор маршрутизации — автоматически выбирает самую эффективную LLM под конкретную задачу в реальном времени, не вручную
- Аналитический центр — скорость доставки, затраты на ИИ, ROI — всё в одном дашборде, не по итогам месяца, а прямо сейчас
Если вы руководите продуктом или инженерной командой, которая уже использует ИИ — но не может ответить на вопрос "сколько мы тратим и что получаем" — это про вашу ситуацию.
Как выглядит один цикл в Beezi
- Ticket — задача создаётся в вашем PM-инструменте и автоматически попадает в бэклог
- Score — ИИ оценивает чёткость описания: ясные задачи идут дальше, размытые — помечаются
- Clarify — если деталей не хватает, короткий диалог заполняет пробелы до полной ясности
- Plan — генерируется README-style план реализации, который уточняется через быстрый обмен репликами
- PR — код готов за минуты и отправляется как Pull Request, готовый к ревью и комментариям
- IDE — после создания PR открываете код в своей локальной среде и продолжаете как обычно
Ticket → Score → Clarify → Plan → PR → IDE. Весь цикл — без смены инструментов и без ручного контроля на каждом шаге.
Beezi — платформа оркестровки разработки с ИИ. Не замена вашим инструментам, а слой поверх них: Jira, GitHub, GitLab, Azure DevOps, Slack, Teams — всё подключается без переезда команды.
Три ключевых модуля:
- Умная система тикетов — анализирует задачу → выявляет размытость → предлагает уточнения до того, как модель увидела хоть строчку
- Оптимизатор маршрутизации — автоматически выбирает самую эффективную LLM под конкретную задачу в реальном времени, не вручную
- Аналитический центр — скорость доставки, затраты на ИИ, ROI — всё в одном дашборде, не по итогам месяца, а прямо сейчас
Если вы руководите продуктом или инженерной командой, которая уже использует ИИ — но не может ответить на вопрос "сколько мы тратим и что получаем" — это про вашу ситуацию.
Как выглядит один цикл в Beezi
- Ticket — задача создаётся в вашем PM-инструменте и автоматически попадает в бэклог
- Score — ИИ оценивает чёткость описания: ясные задачи идут дальше, размытые — помечаются
- Clarify — если деталей не хватает, короткий диалог заполняет пробелы до полной ясности
- Plan — генерируется README-style план реализации, который уточняется через быстрый обмен репликами
- PR — код готов за минуты и отправляется как Pull Request, готовый к ревью и комментариям
- IDE — после создания PR открываете код в своей локальной среде и продолжаете как обычно
Ticket → Score → Clarify → Plan → PR → IDE. Весь цикл — без смены инструментов и без ручного контроля на каждом шаге.
❤1👍1
Claude Code Router
Claude Code Router — это инструмент маршрутизации ИИ-запросов. Проще говоря: один интерфейс, который сам направляет задачи к нужной модели в зависимости от контекста.
Схема работы выглядит так:
- Фоновая задача → лёгкая быстрая модель
- Сложный анализ с рассуждениями → thinking-модель
- Большой документ → модель с длинным контекстом
Всё это — без ручного переключения. Команда
Инструмент поддерживает OpenRouter, DeepSeek, Ollama, Gemini, Volcengine, SiliconFlow.
Система плагинов позволяет настраивать трансформеры запросов и ответов под конкретный workflow. Не подстраиваете процессы под инструмент — инструмент подстраивается под процессы. Это принципиально другой подход.
Интеграция с GitHub Actions означает, что задачи Claude Code можно встраивать прямо в CI/CD пайплайн. Ревью кода, генерация документации, авторефакторинг — всё это запускается автоматически при пуше в репозиторий.
Claude Code Router — это инструмент маршрутизации ИИ-запросов. Проще говоря: один интерфейс, который сам направляет задачи к нужной модели в зависимости от контекста.
Схема работы выглядит так:
- Фоновая задача → лёгкая быстрая модель
- Сложный анализ с рассуждениями → thinking-модель
- Большой документ → модель с длинным контекстом
Всё это — без ручного переключения. Команда
/model прямо в терминале меняет модель на лету.Инструмент поддерживает OpenRouter, DeepSeek, Ollama, Gemini, Volcengine, SiliconFlow.
Система плагинов позволяет настраивать трансформеры запросов и ответов под конкретный workflow. Не подстраиваете процессы под инструмент — инструмент подстраивается под процессы. Это принципиально другой подход.
Интеграция с GitHub Actions означает, что задачи Claude Code можно встраивать прямо в CI/CD пайплайн. Ревью кода, генерация документации, авторефакторинг — всё это запускается автоматически при пуше в репозиторий.
❤1👍1
Твой AI Co-Founder
Zerohuman работает на базе OpenClaw x Paperclip x Spud, агент который работает на теюя.
Что внутри
- OpenClaw — ИИ-сооснователь: обсуждаешь стратегию, получаешь фидбек на идеи, принимаешь решения без совета директоров
- Paperclip — управление задачами компании без project-менеджера
- GPT 5.5 Spud — написание кода с фронтирной моделью: прототип за часы, не за недели
- Cracked.ai — автоматическое создание вирусных Reels: маркетинг без SMM-команды
Zerohuman работает на базе OpenClaw x Paperclip x Spud, агент который работает на теюя.
Что внутри
- OpenClaw — ИИ-сооснователь: обсуждаешь стратегию, получаешь фидбек на идеи, принимаешь решения без совета директоров
- Paperclip — управление задачами компании без project-менеджера
- GPT 5.5 Spud — написание кода с фронтирной моделью: прототип за часы, не за недели
- Cracked.ai — автоматическое создание вирусных Reels: маркетинг без SMM-команды
❤2👍1
Качественный SKILL для подготовки PRD
Хорошо описывает и структурирует БФТ, заточен под агентную разработку.
prd-taskmaster — берет цель в одну строку, проводит с вами собеседование, пишет PRD , компилирует его в граф задач и выполняет каждую задачу с подтверждающими доказательствами — таким образом, «сделано» означает доказано, а не заявлено.
Как работает:
goal → discovery interview → graded PRD → dependency-ordered task graph → verified execution
Предварительная проверка — определяет вашу среду (собственный бэкенд, опциональный бэкенд TaskMaster, CLI моделей, исследования) и настраивает её. Никаких вопросов по настройке.
Discovery — адаптивное интервью, в котором задается только один вопрос за раз, позволяет выявить ваши реальные ограничения.
Generate — создает PRD, оценивает его по детерминированным критериям качества (буквенная оценка), а затем преобразует его в граф задач с оценками сложности и полным охватом подзадач.
Handoff определяет, что у вас установлено, и рекомендует один из режимов выполнения.
Выполнение — цикл с управляемым значением CDD реализует каждую задачу и подтверждает её выполнение доказательствами, завершаясь детерминированным SHIP_CHECK_OK токеном.
Технические требования оцениваются по системе оценок: ОТЛИЧНО / ХОРОШО / ПРИЕМЛЕМО / ТРЕБУЕТ ДОРАБОТКИ
Реальный граф задач. Требования превращаются в задачи, не зависящие от бэкэнда, tasks.jsonс зависимостями, оценками сложности и полным охватом подзадач — а не в плоский контрольный список.
Факт-чек. Каждая задача выполняется и должна предоставить доказательства выполнения, прежде чем она будет считаться завершенной.
Хорошо описывает и структурирует БФТ, заточен под агентную разработку.
prd-taskmaster — берет цель в одну строку, проводит с вами собеседование, пишет PRD , компилирует его в граф задач и выполняет каждую задачу с подтверждающими доказательствами — таким образом, «сделано» означает доказано, а не заявлено.
Как работает:
goal → discovery interview → graded PRD → dependency-ordered task graph → verified execution
Предварительная проверка — определяет вашу среду (собственный бэкенд, опциональный бэкенд TaskMaster, CLI моделей, исследования) и настраивает её. Никаких вопросов по настройке.
Discovery — адаптивное интервью, в котором задается только один вопрос за раз, позволяет выявить ваши реальные ограничения.
Generate — создает PRD, оценивает его по детерминированным критериям качества (буквенная оценка), а затем преобразует его в граф задач с оценками сложности и полным охватом подзадач.
Handoff определяет, что у вас установлено, и рекомендует один из режимов выполнения.
Выполнение — цикл с управляемым значением CDD реализует каждую задачу и подтверждает её выполнение доказательствами, завершаясь детерминированным SHIP_CHECK_OK токеном.
Технические требования оцениваются по системе оценок: ОТЛИЧНО / ХОРОШО / ПРИЕМЛЕМО / ТРЕБУЕТ ДОРАБОТКИ
Реальный граф задач. Требования превращаются в задачи, не зависящие от бэкэнда, tasks.jsonс зависимостями, оценками сложности и полным охватом подзадач — а не в плоский контрольный список.
Факт-чек. Каждая задача выполняется и должна предоставить доказательства выполнения, прежде чем она будет считаться завершенной.
GitHub
GitHub - anombyte93/prd-taskmaster: Zero-config goal-to-tasks engine for Claude Code (the Atlas engine). Graded PRD validation…
Zero-config goal-to-tasks engine for Claude Code (the Atlas engine). Graded PRD validation, dependency-ordered task graph, evidence-gated execution. - anombyte93/prd-taskmaster
👍2❤1
Как разработать ИИ агента?
Вчера завершил модули с практикой на🔗 курсе от Proglib
Решений каждые полгода всё больше, но пока что база для прода остается неизменной: n8n для прототипов, LangChain/-graph , CrewAI для прода.
Что важно в проде?
Как раз это и разбираем на курсе: структурированный вывод с Pydandiс, AgentOps и мониторинг, SGR / управление «мышлением» агента, tool use и computer use, MCP, безопасность (guardrails, защита от инъекций и утечек)
Полная программа по ссылке. В целом интересный опыт, чему-то сам учишься, что-узнаешь от коллег, что-то и от самих участников курса.
Быть спикером отдельный навык, который стоит развивать. Недостаточно обладать знанием. Рассказывать опыт/теорию ≠ быть услышанным. Человек должен пойти и что-то СДЕЛАТЬ, его действия должны измениться, иначе просто потраченное время...
Вчера завершил модули с практикой на
Решений каждые полгода всё больше, но пока что база для прода остается неизменной: n8n для прототипов, LangChain/-graph , CrewAI для прода.
Что важно в проде?
Как раз это и разбираем на курсе: структурированный вывод с Pydandiс, AgentOps и мониторинг, SGR / управление «мышлением» агента, tool use и computer use, MCP, безопасность (guardrails, защита от инъекций и утечек)
Полная программа по ссылке. В целом интересный опыт, чему-то сам учишься, что-узнаешь от коллег, что-то и от самих участников курса.
Быть спикером отдельный навык, который стоит развивать. Недостаточно обладать знанием. Рассказывать опыт/теорию ≠ быть услышанным. Человек должен пойти и что-то СДЕЛАТЬ, его действия должны измениться, иначе просто потраченное время...
Please open Telegram to view this post
VIEW IN TELEGRAM
👍2❤1
Где AI создаёт наибольшую ценность
из статьи McKinsey
1. Реинвенция бизнес-моделей
- Новые AI-нативные компании, переписывающие экономику отраслей (Harvey в юриспруденции, Khanmigo в образовании)
- Сервисы, меняющие структуру конкуренции с транзакционной на отношенческую (Amazon Prime)
2. Расширение продуктовых возможностей
- Предложения, ранее физически невозможные: AI-дизайн молекул в фармацевтике, персональные финансовые рекомендации в реальном времени (Amex)
- Переход к смежным сегментам через единую платформу координации (доставка еды на базе райд-хейлинга)
3. Снижение транзакционных издержек
- Устранение посредников через агентные AI-системы (прямой выход на поставщиков энергии, автоматическое переключение банков)
- Переконфигурация дискавери: агенты заменяют маркетинговые бюджеты релевантностью данных
- Автоматизация сравнения, онбординга и миграции — ломает инерцию клиентов
4. Проприетарные данные + сетевые эффекты
- Конкурентные рвы, которые углубляются с использованием: собственные данные → лучшие модели → больше пользователей → ещё лучшие данные
❌ Где AI НЕ создаёт устойчивой ценности
1. Просто автоматизация существующих задач
- Инструменты, ускоряющие текущую работу без изменения процессов
- Снижение ручного труда при сохранении прежних воркфлоу (пример JPMorgan fraud-detection, BMW quality inspection)
2. Повышение производительности как стратегия
- Gains от продуктивности конкуренты копируют быстро → выгода уходит клиентам, а не компании
- 94% компаний не видят «значимой» отдачи от AI-инвестиций — именно потому что фокусируются на пилотах вокруг эффективности
3. Просто доступ к фундаментальным моделям
- LLM и базовые AI-инструменты быстро коммодитизируются → сам факт использования GPT или Claude не даёт преимущества
4. Управление трением как бизнес-модель
- Посредники, которые зарабатывают на информационной асимметрии и сложности координации — их роль разрушается агентными системами
- Традиционные сравнительные платформы и affiliate-сети (устраняются через conversational agents типа OpenAI + Klarna)
5. Области с доминирующей ролью доверия и человеческой ответственности
Там, где клиенту критично человеческое суждение и подотчётность (медицинские решения, юридическая ответственность) — AI дополняет, но не заменяет
==
Ключевой тезис: AI — это не революция продуктивности, а конкурентный сброс. Выигрывают не те, кто внедрил AI быстрее всех, а те, кто раньше понял, куда смещается ценность .
из статьи McKinsey
1. Реинвенция бизнес-моделей
- Новые AI-нативные компании, переписывающие экономику отраслей (Harvey в юриспруденции, Khanmigo в образовании)
- Сервисы, меняющие структуру конкуренции с транзакционной на отношенческую (Amazon Prime)
2. Расширение продуктовых возможностей
- Предложения, ранее физически невозможные: AI-дизайн молекул в фармацевтике, персональные финансовые рекомендации в реальном времени (Amex)
- Переход к смежным сегментам через единую платформу координации (доставка еды на базе райд-хейлинга)
3. Снижение транзакционных издержек
- Устранение посредников через агентные AI-системы (прямой выход на поставщиков энергии, автоматическое переключение банков)
- Переконфигурация дискавери: агенты заменяют маркетинговые бюджеты релевантностью данных
- Автоматизация сравнения, онбординга и миграции — ломает инерцию клиентов
4. Проприетарные данные + сетевые эффекты
- Конкурентные рвы, которые углубляются с использованием: собственные данные → лучшие модели → больше пользователей → ещё лучшие данные
❌ Где AI НЕ создаёт устойчивой ценности
1. Просто автоматизация существующих задач
- Инструменты, ускоряющие текущую работу без изменения процессов
- Снижение ручного труда при сохранении прежних воркфлоу (пример JPMorgan fraud-detection, BMW quality inspection)
2. Повышение производительности как стратегия
- Gains от продуктивности конкуренты копируют быстро → выгода уходит клиентам, а не компании
- 94% компаний не видят «значимой» отдачи от AI-инвестиций — именно потому что фокусируются на пилотах вокруг эффективности
3. Просто доступ к фундаментальным моделям
- LLM и базовые AI-инструменты быстро коммодитизируются → сам факт использования GPT или Claude не даёт преимущества
4. Управление трением как бизнес-модель
- Посредники, которые зарабатывают на информационной асимметрии и сложности координации — их роль разрушается агентными системами
- Традиционные сравнительные платформы и affiliate-сети (устраняются через conversational agents типа OpenAI + Klarna)
5. Области с доминирующей ролью доверия и человеческой ответственности
Там, где клиенту критично человеческое суждение и подотчётность (медицинские решения, юридическая ответственность) — AI дополняет, но не заменяет
==
Ключевой тезис: AI — это не революция продуктивности, а конкурентный сброс. Выигрывают не те, кто внедрил AI быстрее всех, а те, кто раньше понял, куда смещается ценность .
🔥2❤1
AI-Агент подбирает вам вакансии, сам договаривается
Сейчас, вы не найдете работу просто «подавая заявки» на вакансии. Clera — это ИИ агент по подбору персонала, который общается с кандидатами и HR, чтобы сформировать глубокое понимание, позволяющее находить идеальных кандидатов. Затем он напрямую знакомит вас.
Вот как это работает:
- Расскажите что вы ищете: идеальную должность, ключевые требования, карьерные цели. Через WhatsApp, iMessage, электронную почту или сайт.
- Система подбора вакансий Clera находит наиболее подходящие варианты среди более чем 600 вакансий в стартапах с которыми Clera работает напрямую.
- Если вам понравится вакансия, Clera представит вас потенциальным кандидатам.
- Если компания тоже заинтересуется, вас напрямую свяжут с менеджером по найму.
- Отслеживайте все данные на одной панели управления: отправленные предложения, назначенные интервью, полученные отзывы.
==
В отличие от сайтов по поиску работы, они размещают вакансии только по тем должностям, по которым у них есть прямые контакты с отделом кадров, поэтому каждая подходящая вакансия сопровождается знакомством.
Для кандидатов Clera совершенно бесплатна. Компании также могут начать работу бесплатно и платят только после найма сотрудника.
Сейчас, вы не найдете работу просто «подавая заявки» на вакансии. Clera — это ИИ агент по подбору персонала, который общается с кандидатами и HR, чтобы сформировать глубокое понимание, позволяющее находить идеальных кандидатов. Затем он напрямую знакомит вас.
Вот как это работает:
- Расскажите что вы ищете: идеальную должность, ключевые требования, карьерные цели. Через WhatsApp, iMessage, электронную почту или сайт.
- Система подбора вакансий Clera находит наиболее подходящие варианты среди более чем 600 вакансий в стартапах с которыми Clera работает напрямую.
- Если вам понравится вакансия, Clera представит вас потенциальным кандидатам.
- Если компания тоже заинтересуется, вас напрямую свяжут с менеджером по найму.
- Отслеживайте все данные на одной панели управления: отправленные предложения, назначенные интервью, полученные отзывы.
==
В отличие от сайтов по поиску работы, они размещают вакансии только по тем должностям, по которым у них есть прямые контакты с отделом кадров, поэтому каждая подходящая вакансия сопровождается знакомством.
Для кандидатов Clera совершенно бесплатна. Компании также могут начать работу бесплатно и платят только после найма сотрудника.
❤1🤯1
↓↓↓
Автоматизируйте задачи продаж с ИИ
Создайте любой рабочий процесс выхода на рынок, используя естественный язык. Напишите простым языком, кто ваши идеальные клиенты — найдите людей, соответствующих этим критериям. От отслеживания упоминаний на Reddit о решаемой вами проблеме до сортировки и квалификации входящих запросов с помощью ИИ и отправки вам сообщений в Slack, когда идеальный клиент регистрируется в вашем продукте!
https://www.orangeslice.ai/
Автоматизируйте задачи продаж с ИИ
Создайте любой рабочий процесс выхода на рынок, используя естественный язык. Напишите простым языком, кто ваши идеальные клиенты — найдите людей, соответствующих этим критериям. От отслеживания упоминаний на Reddit о решаемой вами проблеме до сортировки и квалификации входящих запросов с помощью ИИ и отправки вам сообщений в Slack, когда идеальный клиент регистрируется в вашем продукте!
https://www.orangeslice.ai/
❤1
В марте в Crunchbase Unicorn вошли 37 компаний
это максимум за четыре года
Лидером стал сектор робототехники: он добавил шесть стартапов с оценкой от $1 млрд, включая три компании из Китая. Еще четыре новых unicorn появились среди frontier AI-лабораторий, две из них разрабатывают модели для робототехники.
AI-инфраструктура также добавила четыре компании, связанные с дата-центрами и их обеспечением. Fintech, включая управление капиталом, платежи и цифровые активы, принес еще четыре новых unicorn.
США дали 20 новых компаний, из них 11 — из San Francisco Bay Area. Китай добавил шесть стартапов в робототехнике, AI и квантовых вычислениях.
Самым дорогим новичком стала Seychelles-based криптобиржа OKX с оценкой $25 млрд. Крупнейший раунд получил Advanced Machine Intelligence — новый AI-стартап Yann LeCun из Paris привлек $1 млрд.
Почти половина новых компаний моложе трех лет. Пять из них существуют меньше года.
это максимум за четыре года
Лидером стал сектор робототехники: он добавил шесть стартапов с оценкой от $1 млрд, включая три компании из Китая. Еще четыре новых unicorn появились среди frontier AI-лабораторий, две из них разрабатывают модели для робототехники.
AI-инфраструктура также добавила четыре компании, связанные с дата-центрами и их обеспечением. Fintech, включая управление капиталом, платежи и цифровые активы, принес еще четыре новых unicorn.
США дали 20 новых компаний, из них 11 — из San Francisco Bay Area. Китай добавил шесть стартапов в робототехнике, AI и квантовых вычислениях.
Самым дорогим новичком стала Seychelles-based криптобиржа OKX с оценкой $25 млрд. Крупнейший раунд получил Advanced Machine Intelligence — новый AI-стартап Yann LeCun из Paris привлек $1 млрд.
Почти половина новых компаний моложе трех лет. Пять из них существуют меньше года.
👍2❤1
Про графы знаний в компаниях
Тренд на онтологию данных и контекстный граф компании набирает обороты (большая часть этого — взлёт Palantir, их платформа Foundry построена на онтологическом моделировании. Microsoft сейчас переносит онтологию в Fabric), потому что структурированные онтологии предлагают то, в чем GenAI отчаянно нуждается: grounding.
Компаниям нужны агенты, которые могут рассуждать о внутренних данных — клиентах, активах, процессах. Им нужна семантическая ясность, применённая к их собственной запутанной реальности. Разъяснение значения теперь не просто полезно. Это необходимо.
В чём проблема: вы не можете передать свою онтологию на аутсорс. Компаниям нужна собственная внутренняя версия schema.org — полностью собственная, основанная на открытых стандартах. Вы не можете останавливаться только на «схемах/векторах/чанках» и называть это «знанием». Без онтологии интеграция данных и корпоративный ИИ часто рушатся именно потому, что нет общей формальной модели смысла.
От онтологии к графу знаний: объяснение
А как же RAG?
KG – нечто отличное от RAG, хотя они отлично дополняют друг друга (и часто объединяются в GraphRAG), это разница между системой, которая может отвечать на вопросы, для которых вы написали запросы, и системой, которая может получить ответы, которые вы не дали. RAG – релевантный поиск, KG – cмысл, сущности, отношения и логические правила, сущности (nodes) + typed отношения (edges) + аксиомы.
По сути это цифровой двойник вашей организации, на котором вы можете обкатывать гипотезы и смотреть, что из этого выйдет. пример:
↓
↓↓↓
Основное отличие от RAG: графы позволяют обогатить рассуждения ИИ (внешние системы, интернет), превращая рассуждения в логическую взаимосвязь:
- определить ассортимент и объемы товаров
- оценить наличие товаров на складе в период простоя
- составьте карту моделей замещения товаров и показателей каннибализации
- рассчитать потери, вызванные дефицитом ключевых товаров
- расчет влияния на выручку, включая неудачи при замене
Графы представляют собой запись «следа» действий ИИ агентов внутри компании и их относительного успеха или неудачи.
С чего начать?
Строить как «ontology as business modeling», а не просто DB-дизайн. Компаниям это нужно, граф фиксирует decision traces, а не просто данные.
База. вам нужны данные, например:
• группы пользователей
• кластеры важности
• отображение связей
• правила квалификации бизнеса
• множественные условия
• деревья решений
• ценообразование
Далее вы моделируете бизнес-объекты (customers, products, processes) и связи между ними. ИИ отслеживает принятые решения, правила реагирования на них → анализ → корректировка
Процесс: вы начинаете с задачи, затем ИИ разрабатывает проект плана реагирования, рассматривая множество возможных действий и последствий, консультируясь с множеством (часто изолированными) системами (CRM например) / другими агентами, выбирают лучший план и затем выполняют действия из плана.
Важно: мы не заменяем SQL, вектора, а добавляем графовые и даже RDF данные (для знаний корпоративного уровня). Также важно на старте не строить схему, агенты — это строители графа, а не его потребители
Решения: есть готовые сервисы (например RelationalAI), или можно собрать такое самому: Graphiti, Neo4j + Neosemantics + источники событий (SQL) + собирай трейсы: какие сущности агент трогал (логи), в каком порядке, какие связи проходил (EventStoreDB или просто Kafka)
Ещё нашел интересный open-source тул для интерактивной визуализации составных графов на основе архитектурных описаний ArchiCG
Один и преуспевших в построении графов на триллионы фактов — Mike Tung (Founder Diffbot), он много🎞 рассказывает о уроках построения, поддержания и использования KG
Тренд на онтологию данных и контекстный граф компании набирает обороты (большая часть этого — взлёт Palantir, их платформа Foundry построена на онтологическом моделировании. Microsoft сейчас переносит онтологию в Fabric), потому что структурированные онтологии предлагают то, в чем GenAI отчаянно нуждается: grounding.
Компаниям нужны агенты, которые могут рассуждать о внутренних данных — клиентах, активах, процессах. Им нужна семантическая ясность, применённая к их собственной запутанной реальности. Разъяснение значения теперь не просто полезно. Это необходимо.
В чём проблема: вы не можете передать свою онтологию на аутсорс. Компаниям нужна собственная внутренняя версия schema.org — полностью собственная, основанная на открытых стандартах. Вы не можете останавливаться только на «схемах/векторах/чанках» и называть это «знанием». Без онтологии интеграция данных и корпоративный ИИ часто рушатся именно потому, что нет общей формальной модели смысла.
От онтологии к графу знаний: объяснение
А как же RAG?
KG – нечто отличное от RAG, хотя они отлично дополняют друг друга (и часто объединяются в GraphRAG), это разница между системой, которая может отвечать на вопросы, для которых вы написали запросы, и системой, которая может получить ответы, которые вы не дали. RAG – релевантный поиск, KG – cмысл, сущности, отношения и логические правила, сущности (nodes) + typed отношения (edges) + аксиомы.
По сути это цифровой двойник вашей организации, на котором вы можете обкатывать гипотезы и смотреть, что из этого выйдет. пример:
Как задержка поставок от нашего шанхайского поставщика на одну неделю повлияет на продажи в праздничный сезон?
↓
это затронет 12 товарных позиций, запланированных на праздничный сезон, с общей прогнозируемой выручкой в 3,2 млн долларов.
При текущем уровне запасов в период с 18 по 24 декабря произойдет дефицит 5 товарных позиций, что приведет к потере продаж примерно на 840 тыс. долларов.
↓↓↓
Основное отличие от RAG: графы позволяют обогатить рассуждения ИИ (внешние системы, интернет), превращая рассуждения в логическую взаимосвязь:
- определить ассортимент и объемы товаров
- оценить наличие товаров на складе в период простоя
- составьте карту моделей замещения товаров и показателей каннибализации
- рассчитать потери, вызванные дефицитом ключевых товаров
- расчет влияния на выручку, включая неудачи при замене
Графы представляют собой запись «следа» действий ИИ агентов внутри компании и их относительного успеха или неудачи.
С чего начать?
Строить как «ontology as business modeling», а не просто DB-дизайн. Компаниям это нужно, граф фиксирует decision traces, а не просто данные.
База. вам нужны данные, например:
• группы пользователей
• кластеры важности
• отображение связей
• правила квалификации бизнеса
• множественные условия
• деревья решений
• ценообразование
Далее вы моделируете бизнес-объекты (customers, products, processes) и связи между ними. ИИ отслеживает принятые решения, правила реагирования на них → анализ → корректировка
Процесс: вы начинаете с задачи, затем ИИ разрабатывает проект плана реагирования, рассматривая множество возможных действий и последствий, консультируясь с множеством (часто изолированными) системами (CRM например) / другими агентами, выбирают лучший план и затем выполняют действия из плана.
Важно: мы не заменяем SQL, вектора, а добавляем графовые и даже RDF данные (для знаний корпоративного уровня). Также важно на старте не строить схему, агенты — это строители графа, а не его потребители
Решения: есть готовые сервисы (например RelationalAI), или можно собрать такое самому: Graphiti, Neo4j + Neosemantics + источники событий (SQL) + собирай трейсы: какие сущности агент трогал (логи), в каком порядке, какие связи проходил (EventStoreDB или просто Kafka)
Ещё нашел интересный open-source тул для интерактивной визуализации составных графов на основе архитектурных описаний ArchiCG
Один и преуспевших в построении графов на триллионы фактов — Mike Tung (Founder Diffbot), он много
Please open Telegram to view this post
VIEW IN TELEGRAM
👍1
4 плагина, которые превратят твой Obsidian в ИИ-второй мозг
Claudian сам по себе меняет всё. Остальные три делают картину полной.
Claudian → встраивает Claude Code прямо в твоё хранилище. Общайся с Claude прямо поверх своих файлов, не покидая Obsidian. Создавай презентации, анализируй документы, проводи мозговые штурмы — там, где живёт всё твоё знание.
https://github.com/YishenTu/claudian
Show Hidden Files → делает скрытые папки, например .claude, видимыми внутри хранилища. Именно там хранятся твои установленные навыки.
https://github.com/polyipseity/obsidian-show-hidden-files
VS Code Editor → позволяет открывать и редактировать файлы с кодом как обычный текст, не запуская их. В настройках я включил следующие расширения: ts, js, py, css, c, cpp, go, rs, java, lua, php, cs
https://github.com/sunxvming/obsidian-vscode-editor
Git → синхронизирует хранилище с облаком. А ещё — страховочная сетка на случай, если Claude сделает что-то неожиданное.
https://github.com/Vinzent03/obsidian-git
Первые два плагина отсутствуют в официальном магазине. Укажи Claude Code в десктопном приложении на эти ссылки — и он установит их сам.
Claudian сам по себе меняет всё. Остальные три делают картину полной.
Claudian → встраивает Claude Code прямо в твоё хранилище. Общайся с Claude прямо поверх своих файлов, не покидая Obsidian. Создавай презентации, анализируй документы, проводи мозговые штурмы — там, где живёт всё твоё знание.
https://github.com/YishenTu/claudian
Show Hidden Files → делает скрытые папки, например .claude, видимыми внутри хранилища. Именно там хранятся твои установленные навыки.
https://github.com/polyipseity/obsidian-show-hidden-files
VS Code Editor → позволяет открывать и редактировать файлы с кодом как обычный текст, не запуская их. В настройках я включил следующие расширения: ts, js, py, css, c, cpp, go, rs, java, lua, php, cs
https://github.com/sunxvming/obsidian-vscode-editor
Git → синхронизирует хранилище с облаком. А ещё — страховочная сетка на случай, если Claude сделает что-то неожиданное.
https://github.com/Vinzent03/obsidian-git
Первые два плагина отсутствуют в официальном магазине. Укажи Claude Code в десктопном приложении на эти ссылки — и он установит их сам.
😁2❤1🔥1
Почему AI-проекты закрывают через полгода
Я видел это раз пять. Клиент говорит: "Мы внедрили, точность 90%, пользователи не пользуются". Или другой вариант: "Мы сделали — а нам финансы сказали, что эффекта нет".
Проблема почти всегда одна и та же. IT и бизнес смотрят на разные экраны.
IT смотрит на метрики модели.
Бизнес смотрит на деньги.
И между ними — пропасть, которую никто не потрудился построить.
Вот как это выглядит на практике.
Приходишь к заказчику после трёх месяцев работы. Говоришь: "Смотри, точность 91%, latency 800 мс., hallucination rate снизили до 4%". Он кивает. Потом спрашивает: "Хорошо. Я могу сократить двух менеджеров?"
Ты говоришь: "Нет".
Он говорит: "Тогда зачем?"
И вот тут проект умирает. Не потому что ты сделал плохо. А потому что вы изначально говорили о разных вещах.
Есть инструмент, который это фиксит. И это пирамида метрик. Четыре уровня, каждый следующий строится на предыдущем.
Уровень 1. Метрики модели.
Accuracy, precision, recall, latency. Это твоя зона ответственности. Бизнесу неинтересно. Но если здесь всё плохо — развалится всё выше.
Уровень 2. Метрики системы.
Override rate — как часто люди меняют решение AI руками. Adoption rate — какой процент вообще пользуется. Если override rate больше 20–25% — система создаёт больше работы, чем экономит. Люди перестают доверять и начинают саботировать.
Был кейс: банк внедрил антифрод-систему. Хорошая точность. Но давала слишком много ложных срабатываний. Операторы через месяц просто начали игнорировать её алерты. Технически система работала. Практически — нет.
Уровень 3. Операционные метрики.
Время принятия решения. Количество ошибок в процессе. Скорость обработки задачи. Здесь ты уже разговариваешь с операционным директором, не с CTO.
Уровень 4. Бизнес-метрики.
Выручка, стоимость операции, NPS, retention. Единственный язык, который понимает финансовый директор.
Хитрость в том, что договариваться с бизнесом нужно сверху вниз — начиная с четвёртого уровня. А строить и измерять — снизу вверх, начиная с первого.
Ещё один кейс. Производственная линия. Внедрили дашборд, который показывал ранние сигналы отклонений за 20–40 минут. Эффект — ноль. Начали разбираться. Оказалось: руководитель физически не смотрел на дашборд — встречи, люди, другие задачи. Сигнал не доходил до лица, принимающего решение.
Решение: добавили сообщение в мессенджер. С требованием отреагировать за 10 секунд. Простои резко сократились.
Технология не изменилась. Изменился сигнальный путь.
Это и есть главный инсайт: ROI живёт не в коде. Он живёт в изменённом поведении людей.
Написанный код, которым не пользуются — это ноль. Модель с 94% accuracy, алерты которой игнорируют — это ноль. Дашборд, на который никто не смотрит — это ноль.
Поэтому прежде чем начинать любой AI-проект, я теперь задаю три вопроса:
— Как вы хотите увидеть результат — в каких конкретно числах?
— Кто тот человек, который скажет "это успех" или "это провал"?
— Как сигнал от AI дойдёт до него в его реальном рабочем контексте?
Если нет ответа хотя бы на один из них — проект не стартует.
Потому что красивый пилот без ответа на эти вопросы — это просто дорогой proof of concept, который потом закроют на квартальном ревью.
Я видел это раз пять. Клиент говорит: "Мы внедрили, точность 90%, пользователи не пользуются". Или другой вариант: "Мы сделали — а нам финансы сказали, что эффекта нет".
Проблема почти всегда одна и та же. IT и бизнес смотрят на разные экраны.
IT смотрит на метрики модели.
Бизнес смотрит на деньги.
И между ними — пропасть, которую никто не потрудился построить.
Вот как это выглядит на практике.
Приходишь к заказчику после трёх месяцев работы. Говоришь: "Смотри, точность 91%, latency 800 мс., hallucination rate снизили до 4%". Он кивает. Потом спрашивает: "Хорошо. Я могу сократить двух менеджеров?"
Ты говоришь: "Нет".
Он говорит: "Тогда зачем?"
И вот тут проект умирает. Не потому что ты сделал плохо. А потому что вы изначально говорили о разных вещах.
Есть инструмент, который это фиксит. И это пирамида метрик. Четыре уровня, каждый следующий строится на предыдущем.
Уровень 1. Метрики модели.
Accuracy, precision, recall, latency. Это твоя зона ответственности. Бизнесу неинтересно. Но если здесь всё плохо — развалится всё выше.
Уровень 2. Метрики системы.
Override rate — как часто люди меняют решение AI руками. Adoption rate — какой процент вообще пользуется. Если override rate больше 20–25% — система создаёт больше работы, чем экономит. Люди перестают доверять и начинают саботировать.
Был кейс: банк внедрил антифрод-систему. Хорошая точность. Но давала слишком много ложных срабатываний. Операторы через месяц просто начали игнорировать её алерты. Технически система работала. Практически — нет.
Уровень 3. Операционные метрики.
Время принятия решения. Количество ошибок в процессе. Скорость обработки задачи. Здесь ты уже разговариваешь с операционным директором, не с CTO.
Уровень 4. Бизнес-метрики.
Выручка, стоимость операции, NPS, retention. Единственный язык, который понимает финансовый директор.
Хитрость в том, что договариваться с бизнесом нужно сверху вниз — начиная с четвёртого уровня. А строить и измерять — снизу вверх, начиная с первого.
Ещё один кейс. Производственная линия. Внедрили дашборд, который показывал ранние сигналы отклонений за 20–40 минут. Эффект — ноль. Начали разбираться. Оказалось: руководитель физически не смотрел на дашборд — встречи, люди, другие задачи. Сигнал не доходил до лица, принимающего решение.
Решение: добавили сообщение в мессенджер. С требованием отреагировать за 10 секунд. Простои резко сократились.
Технология не изменилась. Изменился сигнальный путь.
Это и есть главный инсайт: ROI живёт не в коде. Он живёт в изменённом поведении людей.
Написанный код, которым не пользуются — это ноль. Модель с 94% accuracy, алерты которой игнорируют — это ноль. Дашборд, на который никто не смотрит — это ноль.
Поэтому прежде чем начинать любой AI-проект, я теперь задаю три вопроса:
— Как вы хотите увидеть результат — в каких конкретно числах?
— Кто тот человек, который скажет "это успех" или "это провал"?
— Как сигнал от AI дойдёт до него в его реальном рабочем контексте?
Если нет ответа хотя бы на один из них — проект не стартует.
Потому что красивый пилот без ответа на эти вопросы — это просто дорогой proof of concept, который потом закроют на квартальном ревью.
❤8
Собираем Hermes AI agent
Берем VPS тут за 5$/мес. 4 vCPU Cores, 8 GB RAM
Ставим через SSH (команда). Если планируете несколько агентов — разверните отдельные Docker контейнеры
Апдейтим сервисы:
- node -v должен быть 22+.
- python3 --version должен быть 3.11+.
- pnpm -v у тебя уже есть.
- git должен быть установлен.
Далее онбординг:
- команда
- вводим ключ OpenRouter (ставим DeepSeek v4 pro)
- команда
- подключаем к ТГ боту / Diskord / MatterMost
Вам потребуются скраперы, пихаем API keys в nano ~/.hermes/.env :
- tavily
- fireclaw
- github
Ставим CLI пакеты:
- google cli
- browser-harness + browser-use
- playwright
- UI-TARS-desktop
- и т.п.
Ставим skills из Skills Hub
Можно десктоп версию поставить hermes-desktop
Далее автоматизируем, ставим крон задачи
===
Видео:
🎞 Hermes Agent: Zero to Personal AI Assistant
🎞 Hermes Agent is insane… 100,000+ github stars
🎞 100 hours of Hermes Agent lessons in 46 minutes
Берем VPS тут за 5$/мес. 4 vCPU Cores, 8 GB RAM
Ставим через SSH (команда). Если планируете несколько агентов — разверните отдельные Docker контейнеры
Апдейтим сервисы:
- node -v должен быть 22+.
- python3 --version должен быть 3.11+.
- pnpm -v у тебя уже есть.
- git должен быть установлен.
Далее онбординг:
- команда
hermes gateway setup – создаем пользователя, БД и т.п.- вводим ключ OpenRouter (ставим DeepSeek v4 pro)
- команда
hermes tools – настройка сервисов и API ключей - подключаем к ТГ боту / Diskord / MatterMost
Вам потребуются скраперы, пихаем API keys в nano ~/.hermes/.env :
- tavily
- fireclaw
- github
Ставим CLI пакеты:
- google cli
- browser-harness + browser-use
- playwright
- UI-TARS-desktop
- и т.п.
Ставим skills из Skills Hub
Можно десктоп версию поставить hermes-desktop
Далее автоматизируем, ставим крон задачи
===
Видео:
Please open Telegram to view this post
VIEW IN TELEGRAM
👍4❤1
Product Hunt top 10 tools daily & weekly
Запустил канал с топ-10 daily и топ-10 weekly инструментами:
🔗 https://t.me/producthunt_com
===
В этот канал также будет приходить недельная подборка
Запустил канал с топ-10 daily и топ-10 weekly инструментами:
===
В этот канал также будет приходить недельная подборка
Please open Telegram to view this post
VIEW IN TELEGRAM
Кто ещё выбирает Claude Code vs Codex
Интересная статья со сравнением
Если вкратце — GPT-5.5 в Codex
==
Если рассматривать не Агентные сценарии, то есть уже обновление по бенчмарку ProgramBench. Авторы прогнали GPT 5.5 на high/xhigh (максимальная длина рассуждений и время работы) и Opus 4.7: «GPT 5.5 xhigh значительно превосходит Claude Opus 4.7 xhigh по всем параметрам»
Интересная статья со сравнением
Если вкратце — GPT-5.5 в Codex
==
Если рассматривать не Агентные сценарии, то есть уже обновление по бенчмарку ProgramBench. Авторы прогнали GPT 5.5 на high/xhigh (максимальная длина рассуждений и время работы) и Opus 4.7: «GPT 5.5 xhigh значительно превосходит Claude Opus 4.7 xhigh по всем параметрам»
❤1👍1
Умные заметки вышли на новый уровень
Shadow не пишет саммари и todo как tl;dv, fireflies и т.п. Она делает это, пока вы еще участвуете в разговоре.
План Starter бесплатен навсегда и включает 10 встреч в месяц
Shadow подключается к вашей CRM-системе, календарю, документам и инструментам управления проектами и выполняет действия без необходимости переключения вкладок.
Shadow не пишет саммари и todo как tl;dv, fireflies и т.п. Она делает это, пока вы еще участвуете в разговоре.
План Starter бесплатен навсегда и включает 10 встреч в месяц
Shadow подключается к вашей CRM-системе, календарю, документам и инструментам управления проектами и выполняет действия без необходимости переключения вкладок.
❤1👍1
76% компаний теперь имеют директора по ИИ
ИИ больше не «фича для экспериментов». Это новый уровень управления компанией.
IBM опросили 2000+ организаций и цифры выглядят как тревожный сигнал:
- 76% компаний уже создали роль Chief AI Officer
- В 2025 было всего 26%
- 93% компаний упираются не в технологии, а в культуру и людей
Что это значит на практике?
Раньше ИИ был задачей CTO или CDO
Теперь — это отдельный контур управления
Потому что ИИ влияет не на IT , а на то, как принимаются решения, как работают команды и как зарабатываются деньги
Что делает CAIO:
- Определяет, где ИИ даёт максимум ROI
- Сшивает разрозненные инициативы (продукт, данные, автоматизация)
- Вводит правила: где можно рисковать, а где нельзя
- Ускоряет внедрение без хаоса
не «внедряет ИИ», а меняет операционную модель компании
С одной стороны:
- 100k+ увольнений в tech с начала года
- SaaS-компании могут вытащить $100 млрд маржи, заменяя людей софтом
С другой:
- 59% компаний усиливают роль HR
- Потому что главный bottleneck — не код, а люди
Получается парадокс: ИИ автоматизирует работу, но без трансформации людей он не работает
Кейс из жизни (типовой):
Компания внедряет GPT в поддержку экономия 40% времени, а через 3 месяца эффект падает
Почему?
- Сотрудники не меняют поведение
- Процессы не перестраиваются
- Ответственность размазана
Именно здесь появляется CAIO. Но есть нюанс.
Gartner заявляет: эта роль может быть временной:
- сейчас — отдельный C-level
- через 3–5 лет — ИИ встроится во все функции
И вопрос уже не в должности, а в другом:
Кто у вас сегодня владеет ИИ-трансформацией?
- CTO? → будет думать про инфраструктуру
- CPO? → про фичи
- COO? → про процессы
А кто думает про системный эффект на бизнес?
Если ответа нет — у вас уже есть проблема
Просто она ещё не проявилась в P&L
Вывод простой:
ИИ — это не инструмент Это новая управленческая функция
И её нельзя «размазать по ролям»
ИИ больше не «фича для экспериментов». Это новый уровень управления компанией.
IBM опросили 2000+ организаций и цифры выглядят как тревожный сигнал:
- 76% компаний уже создали роль Chief AI Officer
- В 2025 было всего 26%
- 93% компаний упираются не в технологии, а в культуру и людей
Что это значит на практике?
Раньше ИИ был задачей CTO или CDO
Теперь — это отдельный контур управления
Потому что ИИ влияет не на IT , а на то, как принимаются решения, как работают команды и как зарабатываются деньги
Что делает CAIO:
- Определяет, где ИИ даёт максимум ROI
- Сшивает разрозненные инициативы (продукт, данные, автоматизация)
- Вводит правила: где можно рисковать, а где нельзя
- Ускоряет внедрение без хаоса
не «внедряет ИИ», а меняет операционную модель компании
С одной стороны:
- 100k+ увольнений в tech с начала года
- SaaS-компании могут вытащить $100 млрд маржи, заменяя людей софтом
С другой:
- 59% компаний усиливают роль HR
- Потому что главный bottleneck — не код, а люди
Получается парадокс: ИИ автоматизирует работу, но без трансформации людей он не работает
Кейс из жизни (типовой):
Компания внедряет GPT в поддержку экономия 40% времени, а через 3 месяца эффект падает
Почему?
- Сотрудники не меняют поведение
- Процессы не перестраиваются
- Ответственность размазана
Именно здесь появляется CAIO. Но есть нюанс.
Gartner заявляет: эта роль может быть временной:
- сейчас — отдельный C-level
- через 3–5 лет — ИИ встроится во все функции
И вопрос уже не в должности, а в другом:
Кто у вас сегодня владеет ИИ-трансформацией?
- CTO? → будет думать про инфраструктуру
- CPO? → про фичи
- COO? → про процессы
А кто думает про системный эффект на бизнес?
Если ответа нет — у вас уже есть проблема
Просто она ещё не проявилась в P&L
Вывод простой:
ИИ — это не инструмент Это новая управленческая функция
И её нельзя «размазать по ролям»
👍3❤1
Большинство страниц, занимающих верхние позиции в поисковой выдаче, созданы с помощью ИИ
Ребята взяли 100 000 случайных ключевых слов из Ahrefs Keywords Explorer и выделили 20 URL-адресов с наивысшим рейтингом. Затем мы извлекли контент из этих URL-адресов, которых в нашей базе данных было 600 000:
- 4,6% страниц были отнесены к категории «чисто ИИ».
- 13,5% были отнесены к категории «чисто человеческие».
- 81,9% были отнесены к категории смешанных двух типов.
Выводы:
1. Контент, созданный исключительно с ИИ, редко занимает первое место.
2. Нет четкой взаимосвязи между количеством контента, сгенерированного ИИ, на странице и ее высоким рейтингом в Google. Это говорит о том, что Google не поощряет и не наказывает страницы только за использование ИИ.
3. Google, вероятно, не интересует, как вы создали контент. Ему важно лишь то, насколько полезным он окажется для пользователей поисковых систем.
Ребята взяли 100 000 случайных ключевых слов из Ahrefs Keywords Explorer и выделили 20 URL-адресов с наивысшим рейтингом. Затем мы извлекли контент из этих URL-адресов, которых в нашей базе данных было 600 000:
- 4,6% страниц были отнесены к категории «чисто ИИ».
- 13,5% были отнесены к категории «чисто человеческие».
- 81,9% были отнесены к категории смешанных двух типов.
Выводы:
1. Контент, созданный исключительно с ИИ, редко занимает первое место.
2. Нет четкой взаимосвязи между количеством контента, сгенерированного ИИ, на странице и ее высоким рейтингом в Google. Это говорит о том, что Google не поощряет и не наказывает страницы только за использование ИИ.
3. Google, вероятно, не интересует, как вы создали контент. Ему важно лишь то, насколько полезным он окажется для пользователей поисковых систем.
❤2👍1
Перешел на DeepSeek v4-pro в Ollama
не из-за блокировок (Claude всё также работает на Pro подписке), а из-за смены стека (писал тут)
Пока ребята спорят:
- какая модель лучше
- куда переходить после блокировок Claude
- у кого какие бенчмарки по агентным сценариям / тул-колам / браузер-юзам / shell-командам
и т.п.
Всё решает:
- ваши навыки работы с ИИ
- ваше понимание плюсов и минусов каждой модели (*я одинаково люблю Grok, Gemini, Kimi, DeepSeek, Claude, но каждую под свои задачи, поэтому так важно использовать роутинг)
- ваши наработки (спеки, skills, md инструкции, memory)
- ваше железо (* я в РФ уже ничего не хостю, всё на бурж VPS, вызовы через CLI)
- владение рабочими фреймворками
И дальше уже всё это зашивать в ИИ агента (в тот же Hermes).
Но если всем выше описанным можно овладеть , то запрограммировать и структурировать это все внутри агента выходит довольно дорого в токенах. Поэтому отличным решением было переехать на Ollama Cloud за 20$, так выгоднее в разы.
Эффективность в бабках х10-20 раз (пруф🎞 )
Но, ещё более эффективным способом будет всё же настроить правила:
- для разработки планов — Opus 4.7
- для выполнения — DeepSeek v4-pro
- для написания отчетов — haiku / gemini flash из OpenRouter
Это и настрою позже. Кому интересно как — вот🎞 гайд
не из-за блокировок (Claude всё также работает на Pro подписке), а из-за смены стека (писал тут)
Пока ребята спорят:
- какая модель лучше
- куда переходить после блокировок Claude
- у кого какие бенчмарки по агентным сценариям / тул-колам / браузер-юзам / shell-командам
и т.п.
Всё решает:
- ваши навыки работы с ИИ
- ваше понимание плюсов и минусов каждой модели (*я одинаково люблю Grok, Gemini, Kimi, DeepSeek, Claude, но каждую под свои задачи, поэтому так важно использовать роутинг)
- ваши наработки (спеки, skills, md инструкции, memory)
- ваше железо (* я в РФ уже ничего не хостю, всё на бурж VPS, вызовы через CLI)
- владение рабочими фреймворками
И дальше уже всё это зашивать в ИИ агента (в тот же Hermes).
Но если всем выше описанным можно овладеть , то запрограммировать и структурировать это все внутри агента выходит довольно дорого в токенах. Поэтому отличным решением было переехать на Ollama Cloud за 20$, так выгоднее в разы.
Эффективность в бабках х10-20 раз (пруф
Но, ещё более эффективным способом будет всё же настроить правила:
- для разработки планов — Opus 4.7
- для выполнения — DeepSeek v4-pro
- для написания отчетов — haiku / gemini flash из OpenRouter
Это и настрою позже. Кому интересно как — вот
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥2❤1
Forwarded from Константин Доронин
Orgforge – проект для управляемой генерации правдоподобных данных о происходящем в компании.
Искал датасет с реальными данными компаний. Да так, чтобы были не только какие-то конкретные данные, а артефакты из разных отделов и источников данных.
И я нашёл такой датасет. Вот он.
Но! Помимо датасета, я также обнаружил:
1. Статья на arxiv, в которой рассказывается про фреймворк для генерации реалистичных корпоративных данных.
2. Рабочий github-проект, который, собственно, позволяет генерировать данные.
Система генерирует информацию из следующих систем виртуальной компании:
1. Confluence
2. E-mails
3. Jira
4. Salesforce
5. Slack
6. Zendesk
7. Zoom
8. Полноценный лог
симуляции
9. Финансовые документы
Помимо прочего, есть возможность симуляции разного рода событий:
1. Сотрудник уволился и забрал с собой часть контекста компании.
2. Устроился новый сотрудник на ту или иную позицию.
3. Сотрудник ушёл в отпуск.
4. В продакшне произошёл инцидент по той или иной причине.
В конфигурации для генерации можно настраивать даже характер сотрудников и что они вообще знают/умеют.
Для того, чтобы генерация получилась более качественной, стоит попросить Codex CLI провести с вами интервью, которое позволит полностью и качественно заполнить конфиг.
Из минусов:
1. Под русский язык Orgforge пришлось немного перепилить.
2. Система сама по себе не особо умеет справляться с рейт-лимитами от провайдеров. Допиливали ретраи с Codex-ом.
3. Судя по всему, Orgforge, в случае прервавшейся генерации, не умеет продолжать её с того момента, на котором остановился. Стоит это учесть.
4. Ещё один относительный минус – объём данных, который генерирует инструмент. Сперва стоит попробовать генерацию на небольшом периоде, чтобы иметь возможность спланировать большую генерацию.
P.S.: половина переписок в личных чатах сотрудников – про еду 😄
Искал датасет с реальными данными компаний. Да так, чтобы были не только какие-то конкретные данные, а артефакты из разных отделов и источников данных.
И я нашёл такой датасет. Вот он.
Но! Помимо датасета, я также обнаружил:
1. Статья на arxiv, в которой рассказывается про фреймворк для генерации реалистичных корпоративных данных.
2. Рабочий github-проект, который, собственно, позволяет генерировать данные.
Система генерирует информацию из следующих систем виртуальной компании:
1. Confluence
2. E-mails
3. Jira
4. Salesforce
5. Slack
6. Zendesk
7. Zoom
8. Полноценный лог
симуляции
9. Финансовые документы
Помимо прочего, есть возможность симуляции разного рода событий:
1. Сотрудник уволился и забрал с собой часть контекста компании.
2. Устроился новый сотрудник на ту или иную позицию.
3. Сотрудник ушёл в отпуск.
4. В продакшне произошёл инцидент по той или иной причине.
В конфигурации для генерации можно настраивать даже характер сотрудников и что они вообще знают/умеют.
Для того, чтобы генерация получилась более качественной, стоит попросить Codex CLI провести с вами интервью, которое позволит полностью и качественно заполнить конфиг.
Из минусов:
1. Под русский язык Orgforge пришлось немного перепилить.
2. Система сама по себе не особо умеет справляться с рейт-лимитами от провайдеров. Допиливали ретраи с Codex-ом.
3. Судя по всему, Orgforge, в случае прервавшейся генерации, не умеет продолжать её с того момента, на котором остановился. Стоит это учесть.
4. Ещё один относительный минус – объём данных, который генерирует инструмент. Сперва стоит попробовать генерацию на небольшом периоде, чтобы иметь возможность спланировать большую генерацию.
P.S.: половина переписок в личных чатах сотрудников – про еду 😄
❤2👍1🔥1