📄️️️️️️ Agent Harness Course 2026 - как построить своего AI-агента с нуля
Пошаговый курс на ~8 недель (1–2 часа в день): от одного запроса к LLM до агента с инструментами, памятью, субагентами, защитой и тестами - и финального проекта.
Свой учебный харнес на чистом Python без единой зависимости, 7 запускаемых уроков, финальный проект, 19 тестов и разбор архитектуры настоящего open-source агента. Ai Ml — материал переработан, структурирован и дополнен кодом, схемами и справочниками.
Курс не учит «пользоваться ещё одним фреймворком». Он показывает, из чего сделан любой агент — Claude Code, Codex, Cursor, Devin, LearnHarness — и даёт собрать каждую деталь руками. После этого любой фреймворк читается за вечер, а любой баг агента - объясним.
https://github.com/justxor/agent-harness-course/
Пошаговый курс на ~8 недель (1–2 часа в день): от одного запроса к LLM до агента с инструментами, памятью, субагентами, защитой и тестами - и финального проекта.
Свой учебный харнес на чистом Python без единой зависимости, 7 запускаемых уроков, финальный проект, 19 тестов и разбор архитектуры настоящего open-source агента. Ai Ml — материал переработан, структурирован и дополнен кодом, схемами и справочниками.
Курс не учит «пользоваться ещё одним фреймворком». Он показывает, из чего сделан любой агент — Claude Code, Codex, Cursor, Devin, LearnHarness — и даёт собрать каждую деталь руками. После этого любой фреймворк читается за вечер, а любой баг агента - объясним.
https://github.com/justxor/agent-harness-course/
❤6😁1🎉1
Команда AI VK в новой статье на Хабре рассказала, как развивает Discovery-платформу — единую инфраструктуру для рекомендаций, поиска и рекламы.
Продукты используют общий стек, а удачную оптимизацию можно применить сразу в нескольких сервисах. Экономию дали перенос части вычислений на GPU, переиспользование признаков, кэширование кандидатов и сокращение лишних копирований данных.
- Запуск нового рекомендера занимает теперь один день
- Около 90% задач ранжирования решаются изменением конфигурации, без написания нового кода.
- Команды получили общий доступ к нейросетевому ранжированию на GPU
- Время просмотра главной VK Видео увеличилось на 20%, время в ленте ВКонтакте - на 11%, а в VK Клипах - на 22%
Продукты используют общий стек, а удачную оптимизацию можно применить сразу в нескольких сервисах. Экономию дали перенос части вычислений на GPU, переиспользование признаков, кэширование кандидатов и сокращение лишних копирований данных.
- Запуск нового рекомендера занимает теперь один день
- Около 90% задач ранжирования решаются изменением конфигурации, без написания нового кода.
- Команды получили общий доступ к нейросетевому ранжированию на GPU
- Время просмотра главной VK Видео увеличилось на 20%, время в ленте ВКонтакте - на 11%, а в VK Клипах - на 22%
🤣7👍3🤔1🎉1