☁️ AWS представила девятиэтапный фреймворк оценки AI-агентов на базе Amazon Bedrock AgentCore

Команда AWS SMGS Operations рассказала, как построила непрерывный контроль качества для мультиагентной системы, обслуживающей отдел продаж AWS по всему миру. Отдельные субагенты отвечают за выручку по территориям, 360-градусный профиль клиента и text-to-SQL запросы к аналитическим данным.

Проблема в том, что агенты ломаются тихо: latency и error rate остаются в норме, а ответы незаметно становятся неверными. До запуска Customer Insights Agent выдал трёхмесячную выручку клиента в $410,08 как «$410 Million», сослался на несуществующий в данных ARR и подал собственные расчёты как факты из источника. Мониторинг при этом оставался зелёным.

Фреймворк охватывает девять стадий жизненного цикла - от первого коммита до продакшена: определение эталона, сравнение версий, CI-регрессии, CD-гейт, канареечный скоринг, adversarial-тесты, детекцию дрейфа, пульс-мониторинг и автоматическую петлю обратной связи. Оценка ведётся на трёх уровнях: инструменты, отдельные агенты и оркестрация между ними. По словам AWS, рассогласование версий данных, промптов и кода в одном тесте уронило pass rate с 78% до 38%.

Стек: AgentCore Evaluations, Amazon Bedrock Guardrails, CloudWatch, S3, Redshift, AWS Lambda и Amazon Quick.

🎨 qvabo.studio/tg · картинки и видео

#Tech #AWS #AI #Agents #AmazonBedrock #MLOps #Development

❌ Replit прекратил сотрудничество с Anthropic - CEO назвал причину

Replit больше не работает с Anthropic. Об этом сообщил CEO компании Амджад Масад, не раскрыв полного списка причин, но отметив, что среди них - стоимость.

В августе Replit объявил о партнёрстве с OpenAI, однако прямых указаний на то, что сотрудничество с Anthropic прекращено, до сих пор не было. Теперь смена поставщика моделей подтверждена официально.

Для пользователей платформы это означает, что генерация кода и агентные сценарии Replit всё больше будут опираться на модели OpenAI. Смена бэкенда может отразиться на поведении и качестве вывода - разработчикам, завязанным на конкретные модели Anthropic, стоит проверить свои пайплайны.

🎨 qvabo.studio/tg · картинки и видео

#AI #Replit #Anthropic #OpenAI #Tools #Development

⚙️ Anthropic запустила dynamic workflows для оркестрации агентов Claude

На конференции AI Engineer NYC 2026 инженеры Anthropic CJ Avilla и Harrison Stall представили dynamic workflows («flows») - новый тип мультиагентной оркестрации в Claude Managed Agents. Функция была анонсирована в пятницу и доступна в Claude Console.

Ключевое отличие: раньше разработчик сам настраивал координатора и набор субагентов, теперь Claude самостоятельно проектирует топологию - составляет план, пишет оркестрационную программу, запускает агентов, собирает результаты и управляет потоками данных. При необходимости можно передать предварительно настроенных специализированных субагентов через конфиг.

Из Q&A: количество агентов регулируется через evals и «низкие дефолты»; модель не знает своего бюджета во время работы (лимит задаётся на сессию) - иначе агенты, по словам Stall, становятся «немного тревожными». Субагенты общаются через общую файловую систему, все переходы графа видны в Console. Для удешевления повторных прогонов предлагают функцию «dreaming» - реорганизацию памяти по прошлым сессиям. Flows дороже одиночного агента, но заметно точнее в деталях.

🎨 qvabo.studio/tg · картинки и видео

#AI #Anthropic #Claude #Agents #Development

🧠 Стартап Elorian выпустил первую ИИ-модель Glimpse для рассуждений с изображениями

Компания Elorian представила свою дебютную модель Glimpse - мультимодальную систему, которая, по задумке разработчиков, умеет не просто описывать картинки, а рассуждать непосредственно в визуальной среде, а не только «о» ней.

По собственным оценкам Elorian, Glimpse обходит даже GPT-6 Astra в задачах анализа научных графиков и составления подписей к коротким видео. На остальных задачах визуального рассуждения модель показывает сопоставимые результаты с конкурентами.

Ключевая идея - сместить акцент с текстового посредника на работу с изображением как с источником рассуждений: диаграммы, схемы и видеоряд становятся не приложением к промпту, а полноценным объектом анализа. Это особенно актуально для научной визуализации, инженерных дашбордов и инструментов автоматического описания видео.

Стоит отметить: сравнения с GPT-6 Astra основаны на внутренних бенчмарках самой Elorian, независимой проверки пока нет. Для разработчиков это ещё один сигнал, что конкуренция в мультимодальных моделях смещается в сторону специализированных задач визуального reasoning.

🎨 qvabo.studio/tg · картинки и видео

#AI #MultiModal #Glimpse #Elorian #Development

👩‍💻 Sphinx: Git-хук, который проверяет, понимаете ли вы код своего ИИ-агента

На Hacker News вышел открытый проект Sphinx - Git-хук для разработки с помощью ИИ-агентов. Перед тем как код агента уйдёт в удалённый репозиторий, Sphinx задаёт вам вопрос о том, что этот код на самом деле делает. Слоган проекта: «Вы можете передать ИИ свои размышления, но не понимание».

Работает это так: при git push в защищённых ветках Git ставит паузу. Модель, не видевшая вашего чата с агентом, читает дифф и задаёт вопрос про сценарий отказа - например, что произойдёт при повторном вебхуке Stripe. Ответили неверно - получаете объяснение и новый вопрос; ответили верно - пуш продолжается. Ответы никогда не попадают к кодинг-агенту, а файлы .env и ключи не открываются.

Установка - npm install -g sphinx-understand и sphinx install. Поддерживаются Codex, Claude Code, Cursor, OpenCode и Pi либо обычный Git. Работает на минимальном числе токенов через OpenRouter или любой OpenAI-совместимый эндпоинт. Для спешки есть режим sphinx yolo, но каждый пропуск логируется. Нужен Node 22.19+ и macOS, Linux или WSL.

🎨 qvabo.studio/tg · картинки и видео

#GitHub #AI #Skills #Development #DevTools #OpenSource

⚙️ Свой LLM-прокси: реальные логи вместо красивых графиков провайдера

В блоге, разошедшемся по Hacker News, автор спорит с подходом «просто сидеть в веб-интерфейсе провайдера»: панели аналитики показывают милых маскотов и абстрактные картинки вместо временных рядов по токенам, по которым инженер мог бы принимать решения. Экспорт в OTel есть, но это лишь один аргумент из шести.

Остальные: единая точка входа для многих провайдеров и моделей под вашим контролем; логи - какой ключ, какую модель, через какого клиента и с каким статусом вызвал и когда; виртуальные API-ключи вместо одного мастер-ключа, размазанного по агентам и харнессам; собственная инфраструктура и хранение; быстрый перевод нагрузки на другого провайдера без пересборки окружения в третий раз. Прокси можно форкать и допиливать под себя - например, добавлять собственные эндпоинты для MCP-серверов и расширенную телеметрию.

Практическая ценность: по логам автор находит причину cache miss в сессии кодинга примерно за 20 секунд, а API прокси позволяет это автоматизировать. Вывод - инструментировать инференс и владеть путём данных, а не доверять статистике подписки.

🎨 qvabo.studio/tg · картинки и видео

#Tech #LLM #AI #Development #Observability #MCP

🛡 Хакеры атаковали AI-редактор кода OpenCode: пользователям накрутили счета за API

OpenCode - открытый AI-агент для кодинга, конкурент Claude Code и Cursor - сообщил о взломе устаревшей системы онлайн-платформы OpenCode Console. Затронуты 1,4% пользователей, хранивших там API-ключи; все они получили уведомления по почте.

В ночь атаки разработчики начали сообщать в Reddit и X о неожиданных списаниях: у некоторых - сотни долларов, у отдельных пользователей - больше $1000. Anthropic и Google заблокировали скомпрометированные ключи, OpenAI вместе с OpenCode восстановила доступ и вернула клиентам потраченные на атаку кредиты. Возвраты проводит и сам OpenCode. Сооснователь Dax Raad подчеркнул: утечка касается только Console, сам open-source-клиент и CLI не затронуты - ключи на серверы компании не передаются.

Отдельный сюжет - реакция команды: атаки шли 48 часов подряд, и защитные AI-агенты помогали лишь до момента, когда вредоносный код активировал фильтры безопасности моделей. Доступ к программе OpenAI Daybreak Blue с ослабленными ограничениями для defensive security ускорил разбор инцидента. Схожая проблема была у Hugging Face в июле.

🎨 qvabo.studio/tg · картинки и видео

#Safety #OpenCode #AI #Tools #Cybersecurity #API #Development

❓Что такое инженерия обвязки вокруг ИИ-моделей и как она работает

Perplexity опубликовала разбор понятия harness engineering - инженерии обвязки, то есть кода, который окружает саму модель и превращает её в работающего агента.

В основе - три задачи. Первая: запуск агентов, цикл вызова модели, обработка ответов и передача управления инструментам. Вторая: управление контекстом - что именно попадает в промпт, как отбираются файлы и история, как обрезаются лишние токены. Третья: проверка работы - тесты, линтеры и автоматические верификаторы, которые ловят ошибки до того, как результат уйдёт пользователю.

Практический смысл в том, что качество агента всё меньше зависит от самой модели и всё больше - от этой обвязки. Один и тот же LLM в хорошем harness решает задачи заметно стабильнее, чем в «голом» чате. Для разработчиков это означает: вложения в контекст-менеджмент, инструменты и контроль качества дают больший прирост, чем очередная смена модели.

🎨 qvabo.studio/tg · картинки и видео

#AI #Agents #Perplexity #LLM #Development #Talk #HarnessEngineering

🤖 OpenAI: новые модели научились лучше писать код на COBOL, Fortran и Visual Basic

OpenAI сообщила о заметном прогрессе своих моделей в низкоресурсных языках программирования - COBOL, Fortran и Visual Basic. Кода и документации по ним мало, но на них держится критическая инфраструктура: COBOL обслуживает более 40% систем онлайн-банкинга и 95% транзакций банкоматов, Fortran используется в прогнозах погоды и анализе безопасности реакторов.

Для замера прогресса OpenAI представила две оценки. MultiLangBench проверяет, может ли модель с нуля собрать SQLite-совместимый движок на 20 языках. GPT-6 Astra показала средний pass rate 87,4% против 26,8% у GPT-5.6 Sol, с ростом в каждом языке: COBOL - с 10,9% до 72,1%, Fortran - с 21,4% до 83,5%, Visual Basic - с 27,5% до 89,4%. Более дешёвая GPT-6 Luna даёт 40,3% при примерно 78% ниже стоимости API.

Вторая оценка - миграция COBOL на C++, Java, Kotlin, Python или Rust с побайтовым сохранением поведения, включая правила округления в финансовых расчётах. GPT-6.1 Sol достигает 86,6% при низком reasoning effort (у GPT-5.6 Sol - 5,4%) и 97,9% при высоком, при этом на 39% дешевле. Набор тестов MultiLangBench выложен на GitHub.

🎨 qvabo.studio/tg · картинки и видео

#OpenAI #COBOL #AI #Coding #Development

👩‍💻 Claude Code v2.1.304: мастер авторежима, аудит Managed Agents и правки хуков

Вышел Claude Code v2.1.304. Добавлены /auto-mode-setup - мастер читает проект и недавние сессии и объясняет авторежиму окружение (работает на Bedrock, Vertex, Foundry и при отключённой телеметрии), и /claude-api managed-agents-secure - сверка настроек агента Managed Agents с руководством Anthropic по безопасности без изменений конфигурации.

В плагинах и модах появилась запись в транскрипте, если первый плагин пропускает хук мода. В tool.check добавлен decider: "person": подтвердить запрос может только диалог разрешений или callback хоста. e.isReadOnly сигнализирует о read-only вызове. Лимит хуков навыков - 1 024 на источник и 16 384 символа матчеров за сессию.

Исправлены sandbox на Linux с [user-id] в denyRead, отсутствие safety-запроса для rm -r на /Volumes и /media, зависание headless после --max-turns, игнор OpenTelemetry из server-managed settings и таймауты VSCode на SessionStart-хуках. В Code Review появились уровни Quick, Standard и Deep и проверка всех репозиториев GitHub-организации.

Для разработчиков это меньше сюрпризов с правами и хуками, стабильнее облачные сессии и авторежим под конкретный проект.

🎨 qvabo.studio/tg · картинки и видео

#ClaudeCode #AI #Skills #GitHub #Development #Agents