AI Was Made For Lovin' You
الذهاب إلى القناة على Telegram
ИИ был создан, чтобы любить тебя, детка
إظهار المزيدلم يتم تحديد البلدالفئة غير محددة
801
المشتركون
لا توجد بيانات24 ساعات
+87 أيام
+1630 أيام
جاري تحميل البيانات...
القنوات المماثلة
لا توجد بيانات
هل تواجه مشاكل؟ يرجى تحديث الصفحة أو الاتصال بمدير الدعم الخاص بنا.
سحابة العلامات
لا توجد بيانات
هل تواجه مشاكل؟ يرجى تحديث الصفحة أو الاتصال بمدير الدعم الخاص بنا.
الإشارات الواردة والصادرة
---
---
---
---
---
---
جذب المشتركين
أغسطس '26
أغسطس '26
+1
في 0 قنوات
يوليو '26
+806
في 0 قنوات
| التاريخ | نمو المشتركين | الإشارات | القنوات | |
| 02 أغسطس | 0 | |||
| 01 أغسطس | +1 |
منشورات القناة
+1
Graphify + ИИ = ❤️
После предыдущей статьи коллега посоветовал попробовать Graphify - opensource-инструмент, который строит граф знаний из кодовой базы и ускоряет работу агента с кодом. Поставил в два репозитория, о чём спешу с вами поделиться.
🤖 Что это?
Graphify читает все файлы проекта, парсит их через AST (детерминированно, без LLM), находит связи между функциями, классами, импортами и складывает в граф. Каждое ребро помечается статусом
EXTRACTED (найдено в коде), INFERRED (домыслено) или AMBIGUOUS.
Граф делится на "сообщества" - кластеры связанных нод, которые алгоритм выделяет автоматически. Если представить граф как карту города, то сообщество - это район. В одном районе оказываются файлы и функции, которые тесно связаны по коду. Например, все краулеры и их базовый класс - одно сообщество, а модули аутентификации - другое. На скриншоте графа одного из наших проектов таких районов 463.
После сборки граф можно спрашивать на естественном языке:
graphify query "что связывает сканеры угроз с индикаторами?" graphify path "MfaMethod" "BaseScanner" graphify explain "processing_core.py"Ответ - подграф из десятков нод, который влезает в контекст, вместо того чтобы читать сотни файлов. 🤖 Использование 1. Запустил команды:
uv tool install graphifyy
graphify install --platform codex ~/.codex/skills
3. В агенте (Codex CLI) выбрал скилл graphify и инициализировал для текущего проекта:
$graphify .graphify hook install хук перестраивает граф после каждого изменения агентом.
🤖 Результаты
Замерил время обычного поиска по сравнению с graphify на реальном примере - поиск по коду одного из проектов.
grep -rl "PasteCrawler" по всей кодовой базе:
- 11.4 секунды
- выдал 25 файлов, включая .venv
graphify query "PasteCrawler":
- 1.1 секунды
- 274 ноды, разложенные по сообществам и файлам
grep -rli "pastebin":
- 15.9 секунды
- 24 файла, из них 9 - кусочки из .venv
graphify query "pastebin scanners":
- 1.4 секунды
- 381 нода, с файлами, связями и контекстом
Разница в скорости - примерно 10–15x в пользу графа.
🤖 Выводы
Graphify делает код более обозримым для модели. В нашем случае это даёт прирост x10 в скорости навигации по коду и экономит токены, исключая из контекста мусор и нерелевантную информацию. Экономию в токенах graphify заявил в x36, но я не перепроверял. Субъективно расход токенов действительно сильно уменьшился.
Описанный в предыдущей статье memory bank выполняет несколько иную задачу - создаёт историю предыдущей работы с агентами над кодом, что позволяет ссылаться на неё в последующих изменениях и задачах - "сделай так же, как я делал с X, но теперь для Y". Таким образом, кажется, что memory bank и graphify идеально дополняют друг друга.
🤖 Ссылки
Репозиторий - https://github.com/Graphify-Labs/graphify
Документация: https://graphify.com (там же live-демо графа)| 2 |  +2Memory bank (2/2)
🤖 Работа
Главное преимущество memory bank - агент в каждом новом сеансе знает контекст проекта. Перед началом задачи он читает зафиксированное состояние и сразу понимает:
- над чем работаем сейчас
- что уже сделали и почему
- какие архитектурные решения приняли
- какие соглашения действуют в коде
- что осталось сделать
- какие проблемы и ограничения уже известны
Мне не приходится заново пересказывать историю проекта или надеяться, что агент восстановит её по случайным файлам. Он начинает работу с актуального статуса и продолжает с того места, где закончилась предыдущая сессия.
Особенно хорошо это работает в больших репозиториях. Например, в одном проекте у нас в монорепе одновременно живут FastAPI, React, PostgreSQL, Celery, Go-агент, YAML-каталог и Docker Compose. В techContext.md записаны команды и ключевые пути, в systemPatterns.md - связи компонентов и ограничения, а activeContext.md показывает текущий фокус и ближайшие шаги.
Файлы memory bank лежат в Git рядом с кодом, поэтому этот контекст разделяется с коллегами - все видят ваши приключения с агентами в коде. Коллега забирает ветку, а его агент читает те же решения и актуальный статус.
🤖 Проблемы
На практике я столкнулся только с двумя проблемами.
Первая - необходимость сжимать activeContext.md и progress.md. Эти файлы постепенно разрастаются, поэтому их нужно периодически чистить - удалять устаревший контекст, сворачивать историю и оставлять только актуальное. Можно просто попросить агента их немного ужать, он с этим славно справляется.
Вторая проблема - конфликты при слиянии веток. Несколько агентов могут одновременно обновить activeContext.md или progress.md. Такие конфликты обычно простые - объединить изменения, убрать дубли и оставить актуальный статус.
🤖 Выводы
Memory bank оказался одной из самых удачных конструкций в моей текущей работе с кодинг-агентами. Он простой, прозрачно поддерживается, не привязан к одной модели или агенту и помогает синхронизировать контекст между людьми, агентами и рабочими сессиями.
Сам по себе каталог с Markdown-файлами, разумеется, умнее агента не делает, зато заметно сокращает количество ситуаций, когда агент с энтузиазмом в девятый раз изобретает уже неоднократно забракованное решение.
Наконец-то скучную документацию пишет и читает тот, кому нравятся скучные задачи.
🤖 Ссылки
Документация memory bank - https://docs.cline.bot/best-practices/memory-bank
Открытый шаблон от Cline - https://github.com/cline/prompts/blob/main/.clinerules/memory-bank.md
Формат AGENTS.md - https://agents.md/
Работа с AGENTS.md в OpenAI Codex - https://developers.openai.com/codex/guides/agents-md | 294 |
| 3 |  Memory bank (1/2)
В последний месяц приходилось несколько раз вайб-кодить. Буквально сразу упёрся в близкое к депрессии состояние, так как каждая новая сессия забывала предыдущую историю работы, часто приходилось объяснять заново информацию, которой нет в README.md или AGENTS.md.
Пару раз я надеялся, что агент сам всё прочитает и правильно поймёт, но наши репозитории достаточно суровые и большие, поэтому результат исследования почти каждый раз был разным. Хотелось какой-то консистентности и унифицированного подхода.
Сейчас в каждом активно меняющемся проекте я завожу memory bank - набор обычных Markdown-файлов с рабочим контекстом репозитория.
🤖 Инициализация
Инструкция агенту выглядит примерно так:
Создай memory bank в текущем проекте, в директории .ai/memory-bank, запиши правила его обязательного использования в корневой AGENTS.md. Перед каждой новой задачей сначала читай memory bank, а после существенных изменений обновляй его.
Агент изучает проект, сам ищет, что такое memory bank, просматривает его спецификацию и создаёт структуру вроде этой:
.ai/memory-bank/
├── projectbrief.md
├── productContext.md
├── techContext.md
├── systemPatterns.md
├── activeContext.md
├── progress.md
└── tasks/
└── _index.md
Примерные назначения файлов:
- projectbrief.md - что мы вообще делаем, границы проекта, планы
- productContext.md - для кого продукт и какие задачи решает
- techContext.md - стек, команды запуска, тесты и важные пути
- systemPatterns.md - архитектура, паттерны и уже принятые решения
- activeContext.md - текущий фокус, свежие изменения и ближайшие шаги
- progress.md - сделанное, оставшиеся задачи и известные проблемы
- tasks/ - контекст по отдельным длинным задачам, требущих несколько итераций (возможно, отдельными разработчиками)
В корневом AGENTS.md агент записывает базовые правила - какие файлы читать в начале сессии и что обновлять после работы. Благодаря этому memory bank не зависит от конкретного инструмента. Его могут использовать разные агенты, если они умеют читать AGENTS.md, а читать его умеют почти все модные ребята, кроме разве что Claude - Cursor, Codex, Warp, итп. Для Claude делается всё то же самое, только вместо AGENTS.md будет CLAUDE.md.
Пример моего AGENTS.md, который генерирует сам агент при инициализации:
# Memory Bank
This project uses `.ai/memory-bank/` as the source of truth for persistent context.
## Session Start
Before every task, read these files in order:
1. `projectbrief.md`
2. `productContext.md`
3. `techContext.md`
4. `systemPatterns.md`
5. `activeContext.md`
6. `progress.md`
7. `tasks/_index.md`
## After Significant Changes
- Update `activeContext.md`: current focus, recent changes and next steps. Keep no more than 10 recent changes.
- Update `progress.md`: completed work, current work and known issues. Keep no more than 20 completed items.
- Update `systemPatterns.md` when architecture or conventions change.
- Add or update files in `tasks/` when needed.
Commit Memory Bank changes with the code they describe. | 208 |
| 4 |  +2Hermes Agent + Deepseek-V4-Flash
Попробовал использовать в работе Hermes Agent от Nous Research и, к своему удивлению, мы с ним подружились.
Обычно с локальными агентами у меня всё заканчивалось быстро - проблемы в установке, агент споткнулся на простой задаче, или я встал не с той ноги. С Hermes получилось естественно и спокойно - поставил и настроил за 10 минут, а он почему-то взял и справился со всеми моими задачами.
Устанавливается одной левой на любую ОС, интегрируется с Telegram и почтой - почту использую как резервный канал сами понимаете почему. Через почту также принимает задания и отвечает с результатами.
С Max, к сожалению, сходу не интегрируется - но надеюсь, и до Nous Research скоро доберётся прогресс.
🤖 Что попробовал и что понравилось:
1. Исследование рынка по одному знойному региону - поиск, сбор фактов, сравнение конкурентов, расчёты, финальный отчёт - всё заработало сразу, без мучений. Вызывал нужные инструменты, спрашивал разрешения, говорил спасибо и пожалуйста.
2. Поиск статей для предыдущего поста на канале - искал и валидировал статьи по нужным мне критериям в arxiv. Пожалуй, впервые это был самый быстрый поиск - обычно я трачу около часа, чтобы найти и отфильтровать статьи.
3. Настройка сервера по SSH - наш девопс уже спал, а серверу было всё равно. Надо было поставить privoxy, ограничить доступ по iptables, подкрутить пару настроек для безопасности. Hermes справился блестяще, вместо 20-30 минут я потратил 2.
4. Понятно, что есть интеграции с MCP и скиллы, куда без них. Первым делом, конечно же, подключил Hexstrike AI.
🤖 DeepSeek-V4-Flash
Эта модель - отдельное открытие для меня, подключил её к Hermes через Openrouter. Без неё удовольствие от Hermes не было бы полным.
Преимущества:
- Удивительный баланс скорости и качества - обрабатывает сложные концепции и очень быстро генерит токены
- Mixture of Experts, 284B параметров, из них активны 13B
- Контекстное окно в 1M токенов
- Неприлично дешёвая - за неделю я потратил примерно 3 (три) доллара. Не буду показывать пальцем, но нет, всё-таки буду - Opus 4.8 съел $30, пока я отходил налить кофе. Мы, конечно, все тут богачи собрались, но экономить на токенах - это святое.
🤖 Выводы
В каком-то треде на Reddit видел сравнение OpenClaw и Hermes, где говорилось, что OpenClaw - машина на механике, а Hermes - на "автомате". С этим сравнением я полностью согласен.
Если ваше предыдущее знакомство с подобными агентами было неудачным, или оно ещё впереди - крайне рекомендую начать с Hermes и именно в связке с Deepseek-V4-Flash.
🤖 Ссылки:
Hermes Agent - https://hermes-agent.nousresearch.com/docs
Маркетплейс скиллов - https://hermes-agent.nousresearch.com/docs/skills
DeepSeek-V4-Flash - https://openrouter.ai/deepseek/deepseek-v4-flash | 326 |
| 5 |  Это не про технологию, а про то, как же меня бесит сгенерированный текст
Агенты работали, рожь колосилась, надои росли, пока я не начал встречать подобные фразы по 15 раз в день:
- проблема не просто в источниках - дело в подаче
- это не про скорость, а про качество
- кибер-мошенничество не только развивается - оно ускоряется
Теперь это буквально повсюду - в статьях, телеграм-каналах и порой даже в личной переписке. Как только встречаю подобные фразы, сразу готовлюсь к куче воды и минимуму смысла, а мозг максимально критически настраивается к содержимому.
Если вы вдруг решите вывести меня из себя, вот мой личный топ-5 самых нервирующих штампов.
1. Это не X, это Y - бессмертная классика. Все писатели букв внезапно превратились в драматургов, рядовой технический текст по психологическому напряжению может соперничать с добротным хоррором.
2. Дублирование смысла в разных пунктах списка или в разных параграфах. LLM очень любят пересказывать одно и то же разными словами, текст становится объёмным, солидным, но непредназначенным для читателя, который пытается вникнуть.
3. Жирное выделение - первые предложения в списке, ключевые и не очень мысли. Это почти так же унизительно, как читать объяснение для шутки.
4. Чрезмерная важность и помпезность на ровном месте. Наш ларёк с шавермой (шаурмой/кебабом) является ключевым центром уличного питания, а достижение рейтинга 4.1 в Яндекс-Картах служит свидетельством преданности своему делу и знаменует собой поворотный момент в истории города.
5. Аббревиатуры, неоправданные англицизмы и несуществующие слова. Как в том видео-ролике про "смотря какой fabric", особенно если обсуждается какая-то техническая тема. Суперфициальный, скор, эксфильтрация - вполне привычные для обывателя русские слова. Вот цитата из одного моего реального диалога с распоследним GPT:
add-on к DRP-пакету, привязанный к числу monitored brands/keywords/sources и частоте executive reporting, а не отдельный “маркетинговый” SKU
Дополнительно: обещал топ-5, но вот вам бонусный пункт - резюмирующие параграфы (например, как этот). Важно, коротко, дополнительно, бонус, обратите внимание, забавный факт. Можно, пожалуйста, не надо?
Радуюсь, что глаз дёргается не только у меня, а в Википедии недавно появился громадный список нейро-чудес:
- Signs of AI writing - https://en.wikipedia.org/wiki/Wikipedia:Signs_of_AI_writing
- The 15 New Giveaway Signs Of AI-Generated Content - https://www.forbes.com/sites/jodiecook/2026/02/03/the-15-new-giveaway-signs-of-ai-generated-content-in-february-2026/
- How LLMs Distort Our Written Language - https://arxiv.org/abs/2603.18161 | 493 |
