Я тут ещё параллельно пилю убер-ИИ-агента с рабочим циклом, близким к SGR nextstep, а также с поддержкой инструментов (веб-поиск и т.п.) и agent skills.

И прямо этот рабочий цикл расширил до канонического цикла мышления FPF (паттерн B.5).

Сложность в том, чтобы отбалансировать этот цикл до работоспособного состояния, причём работоспособного в том числе на локальных LLM.

На Gemini Flash он взлетел почти сразу и работает отлично. А вот на локальных моделях вплоть до Qwen3 Next 80B работать отказывался, сваливаясь в зацикливания и другие крайности.

И вот сегодня удалось допилить до состояния, когда он некоторые задачи уже может выполнять на "народной" Qwen3 30B A3B 2507.
("Народная" тут означает одновременно и Open Source, и "рабочая лошадка").

Что это значит?

Это значит, что исчезает барьер в виде необходимости больших-дорогих LLM для работы по FPF, да и вообще резко повышается доступность относительно умного агента.

- Например, можно будет через него часами крутить запросы по моим текущим задачам бесплатно по цене электроэнергии, раздвигая рамки исследований в ширину или в глубину.
- Или научить агента познавать мир то, до чего дотянется (например, мой заметочник), дать ему скилл Active inference и соответствующие инструменты, отрастить таким образом реальный активный "второй мозг" (в отличие от пассивного) и зарядить ночами напролёт решать обозначенные в моём заметочнике вопросы, сообщая мне компактно, до чего додумался.

Понятно, что реальный результат может оказаться не таким радужным, но текущие результаты использования агентов с FPF и навыками дают обоснованную надежду на успех.

В общем, должно быть интересненько 😊

#ai #dev

Вы спрашивали ресурсы по ИИ

Вселенная один из активистов подкинул ответ:

https://t.me/aostrikov_ai_agents/22

#ai #dev

Недавно узнал, что относительно новый API OpenAI /v1/responses - stateful (с сохранением состояния).

Это значит, что история диалога хранится на сервере, и на клиенте в рамках одного диалога больше не нужно формировать и отправлять список сообщений в каждом новом запросе пользователя.

Это хорошо для MVP, но для оптимизированного продакшена /v1/chat/completions всё таки лучше.

LM Studio выкатила версию 0.3.39 с поддержкой этого эндпоинта, так что решил разобраться, как его использовать.

Подготовили с LLM+FPF (но обычным языком) обзор всех эндпоинтов API OpenAI, прилагаю.

P.S. Большинство последних постов в этом канале волей судеб затрагивает ИИ, так что хэштег #ai выглядит избыточным (ибо относится примерно ко всему), поэтому прекращаю его ставить.

#dev

Григорий Сапунов (https://t.me/gonzo_ML) разбирает в LinkedIn очередной отчёт о правильном агентостроительстве:

KEY ARCHITECTURAL INSIGHTS:

- Pure Functions > Tool Calls: The authors argue against wrapping deterministic actions (like Git operations) in MCP servers or tool definitions. If a step is deterministic f(x), hard-code it in the orchestration layer. Don't waste tokens asking the model for permission to execute code that has only one valid outcome.
- The Model Consortium: Instead of a single-shot prompt, the system uses an ensemble approach. Three distinct models (OpenAl, Gemini, Anthropic) generate drafts, and a separate "Reasoning Agent” synthesizes the final output. This acts as semantic error-correction code — if Model A hallucinates a detail that B and C miss, the synthesizer filters it out.
- Single Responsibility Principle (SRP): They found that asking one agent to plan a video and generate the JSON payload led to schema violations. By splitting this into a "Planner Agent" (text) and a "Builder Agent" (JSON only), they drastically improved adherence to output schemas.

THE TAKEAWAY:

Reliability in agentic systems is not solved by better prompting; it is solved by reducing the surface area of the LLM agency. The most robust agents are those wrapped in rigid, deterministic software engineering patterns.

#dev

Вытащил его в Телеграм для удобства (недавний опрос к нему относился).

Вот такой отчёт он делает по каждому запросу.

Конкретно в этом отчёте он описал, как мне дальше его развивать, чтобы он устойчиво работал на локальной LLM 😁

Пока что цикл мышления сделан на Pydantic agents с оверхедом, который слишком тяжёл для слабых моделек. Хочу упростить, чтобы взлетало на моделях <= 30B. Тогда можно будет продолжить думать в сторону бесконечного Active inference.

#dev

Развиваем архитектуру агента в сторону FPF-native циклов мышления

#dev

Удобненько: https://t.me/ds_muesli_chat/2189

#dev

Интересное кино:

Обкладывание агента документацией по проекту (особенно автоматически сгенерированной) не улучшает результат.

В лучшем случае улучшение гомеопатическое, в худшем случае результат работы агента не только дороже, но и хуже.

Я это ещё с год назад понял, когда помимо кода Cursor мне генерировал кучу документации по проекту, которую затем забывал то читать, то обновлять.

В итоге пришел к пониманию, что для кода лучше всего работают комментарии в коде ( в том числе автосгегерированные).

Что хорошо работает для хранилища Obsidian, пока не понял. Если знаете, поделитесь в комментах, пожалуйста.

https://habr.com/ru/articles/1010160/

#dev

Неужели так можно было? Почему тогда так не сделали ещё?

https://t.me/neuralstack/463

#dev

Интересная методология ИИ-инженерной разработки с использованием семантической разметки и графа знаний:
https://github.com/osovv/grace-marketplace

Кажется, вполне можно натянуть её на IWE. Или IWE на неё.

#dev #pkm

Повайбкодим?

Провели сравнительное экспресс-исследование Open Source агентских сред для ИИ-разработки
(на самом деле для любых цифровых дел, включая помощь в ведении заметок и выполнении произвольных "бытовых" задач).

Рассмотрели Roo Code, Kilo Code, OpenCode, Qwen Code
Результаты во вложении, Roo Code в топе.

Больше вариантов рассмотрено тут: https://habr.com/ru/articles/975414/

#dev

Песочницы исполнения кода на Python для ИИ-агентов

#dev

Кто на ком сидел

MCP и другие протоколы, используемые ИИ-агентами, а также более низкоуровневые протоколы, поверх которых они работают

#dev

В выходные попробовал OpenCode + DeepSeek4 Pro/Flash.

Недурно!
Скорость работы - в разы быстрее, чем Cursor с gpt-5.5 и даже чем Cursor в режиме Auto.

Многие манипуляции с файлами делает Python-скриптами, а не переписывает файлы через LLM, как Cursor.

Много рассуждает. Частенько начинает фразу с одного из следующего:

Hmm, ...
But wait, ...
Actually wait.
Unless ...

Конфигурация - Windows + VS Code + WSL с OpenCode и файлами проекта

Определённо буду продолжать.

#dev

Вчера послушал крайне интересный стрим про разработку с ИИ от товарищей, которые реально шарят в этом.

Сделал повествовательное описание на основе транскрипта, прилагаю.

«фулл-автоматизированный SDLC — пока маркетинговые сказки», нужен человек, ведущий агента «глазками, ручками». Самый крутой инструмент — «нормально, минимально обученный человек, понимающий структуру, с чем он взаимодействует»

В интернете пишут, что всё несётся со страшной скоростью, но если посмотреть, что реально адаптится в бою, — так быстро ничего не несётся. Если кажется, что все поезда ушли, — «нет, ты ничего не пропустил, все врут; время есть, но лучше использовать его на изучение новых инструментов. Все, кто говорит, что у них уже всё автоматизировано, — просто врут».

#dev

Тут скилл экономии токенов для разработчиков подвезли.
Говорят, превосходит по эффективности Claude Caveman.

А почему?
Потому что он использует русский мат, у которого эпиплексия зашкаливает.

Лично я не любитель мата, но некоторые разработчики на нем разговаривают, им зайдёт.

https://github.com/smixs/pohuy/

#dev

Запилил за пару дней в формате PoC харнес для stateless ИИ-агента as a service.

Включено:
- рабочий цикл (цикл мышления)
- нативный tool calling
- мета-инструменты поиска и вызова реальных инструментов
- YAML-конфиг агента
- загрузка скиллов (progressive disclosure)
- компактизация диалога по порогу или по ошибке LLM
- взаимодействие через консоль или программно через API
- стриминг ответа
- история сессий
- возобновление сессии из истории
- учёт токенов

Погонял его с локальной qwen3.8-27b на рабочей задаче с компактизованным скиллом - норм справляется.

Потом подумал и зарядил его (для проверки способностей) участвовать в BitGN Brain - комьюнити агентов с общей целью по построению идеального харнеса под задачу. Естественно, подключил скилл fpf-core. Тоже норм работает - уже внёс свой вклад в общее дело.
Попросил "старшего" агента, тоже участника BitGN Brain) оценить его работу, тот подтвердил, что малыш норм работает :)

Понравилось, шлифую и добавляю инструменты для расширения областей применения.
Думаю, буду на ночь запускать его на текущие задачи по проектам, чтобы проводил первичную работу по ним.

#dev