Инженер Контекста
الذهاب إلى القناة على Telegram
Евгений Левашов, контент-лид в VK Tech, отвечаю за VK Cloud, VK Data Platform, Tarantool и другой технохардкор. Редактирую ИТ-компании, консультирую, учу. Здесь всё про Ai в контенте, дату, облака и остальной ИТ. Писать — @levashove CC BY-NC-SA 4.0
إظهار المزيد905
المشتركون
+224 ساعات
+17 أيام
+130 أيام
جاري تحميل البيانات...
القنوات المماثلة
سحابة العلامات
الإشارات الواردة والصادرة
---
---
---
---
---
---
جذب المشتركين
يوليو '26
يوليو '26
+2
في 0 قنوات
يونيو '26
+5
في 0 قنوات
Get PRO
مايو '26
+10
في 1 قنوات
Get PRO
أبريل '26
+12
في 1 قنوات
Get PRO
مارس '26
+29
في 2 قنوات
Get PRO
فبراير '26
+6
في 0 قنوات
Get PRO
يناير '26
+7
في 0 قنوات
Get PRO
ديسمبر '25
+22
في 1 قنوات
Get PRO
نوفمبر '25
+10
في 3 قنوات
Get PRO
أكتوبر '25
+4
في 0 قنوات
Get PRO
سبتمبر '25
+4
في 0 قنوات
Get PRO
أغسطس '25
+6
في 0 قنوات
Get PRO
يوليو '25
+15
في 3 قنوات
Get PRO
يونيو '25
+11
في 3 قنوات
Get PRO
مايو '25
+5
في 1 قنوات
Get PRO
أبريل '25
+10
في 0 قنوات
Get PRO
مارس '25
+11
في 0 قنوات
Get PRO
فبراير '25
+16
في 0 قنوات
Get PRO
يناير '25
+12
في 0 قنوات
Get PRO
ديسمبر '24
+23
في 0 قنوات
Get PRO
نوفمبر '24
+15
في 0 قنوات
Get PRO
أكتوبر '24
+17
في 0 قنوات
Get PRO
سبتمبر '24
+25
في 0 قنوات
Get PRO
أغسطس '24
+16
في 0 قنوات
Get PRO
يوليو '24
+8
في 3 قنوات
Get PRO
يونيو '24
+12
في 0 قنوات
Get PRO
مايو '24
+10
في 1 قنوات
Get PRO
أبريل '24
+22
في 0 قنوات
Get PRO
مارس '24
+33
في 0 قنوات
Get PRO
فبراير '24
+67
في 1 قنوات
Get PRO
يناير '24
+22
في 0 قنوات
Get PRO
ديسمبر '23
+33
في 0 قنوات
Get PRO
نوفمبر '23
+32
في 2 قنوات
Get PRO
أكتوبر '23
+19
في 1 قنوات
Get PRO
سبتمبر '23
+24
في 0 قنوات
Get PRO
أغسطس '23
+23
في 0 قنوات
Get PRO
يوليو '23
+23
في 0 قنوات
Get PRO
يونيو '23
+19
في 0 قنوات
Get PRO
مايو '23
+21
في 0 قنوات
Get PRO
أبريل '23
+11
في 0 قنوات
Get PRO
مارس '23
+22
في 0 قنوات
Get PRO
فبراير '23
+16
في 0 قنوات
Get PRO
يناير '23
+36
في 0 قنوات
Get PRO
ديسمبر '22
+33
في 0 قنوات
Get PRO
نوفمبر '22
+34
في 0 قنوات
Get PRO
أكتوبر '22
+39
في 0 قنوات
Get PRO
سبتمبر '22
+30
في 0 قنوات
Get PRO
أغسطس '22
+37
في 0 قنوات
Get PRO
يوليو '22
+39
في 0 قنوات
Get PRO
يونيو '22
+44
في 0 قنوات
Get PRO
مايو '22
+58
في 0 قنوات
Get PRO
أبريل '22
+81
في 0 قنوات
Get PRO
مارس '22
+188
في 0 قنوات
Get PRO
فبراير '22
+20
في 0 قنوات
Get PRO
يناير '22
+37
في 0 قنوات
Get PRO
ديسمبر '21
+19
في 0 قنوات
Get PRO
نوفمبر '21
+13
في 0 قنوات
Get PRO
أكتوبر '21
+18
في 0 قنوات
Get PRO
سبتمبر '21
+40
في 0 قنوات
Get PRO
أغسطس '21
+20
في 0 قنوات
Get PRO
يوليو '21
+32
في 0 قنوات
Get PRO
يونيو '21
+43
في 0 قنوات
Get PRO
مايو '21
+69
في 0 قنوات
Get PRO
أبريل '21
+31
في 0 قنوات
Get PRO
مارس '21
+34
في 0 قنوات
Get PRO
فبراير '21
+27
في 0 قنوات
Get PRO
يناير '21
+39
في 0 قنوات
Get PRO
ديسمبر '20
+1 314
في 0 قنوات
| التاريخ | نمو المشتركين | الإشارات | القنوات | |
| 03 يوليو | +2 | |||
| 02 يوليو | 0 | |||
| 01 يوليو | 0 |
منشورات القناة
Про контроль качества контента с помощью скриптов на GitHub
Или как контентщику использовать инструменты разрабов.
Вводные: агенты у меня сейчас живут в GitHub и запускаются из Code или Codex (в работе их миграция в различные окружения, но пока так). Качество генерируемых текстов я контролировал через промпты и агенты проверки: правила в контексте, отдельный субагент-фактчекер, редакторская вычитка. Я им доверял и, в общем, не зря, они ловят многое.
Но у этого доверия есть слепое пятно. Всё это живёт внутри сессии. Проверка случается, если агент про неё "вспомнил", если правило доехало в контекст. А когда что-то из этого не сработало, то ты узнаёшь об осечке уже когда сам садишься вычитывать.
Когда я начал работать над качеством, то первым порывом было докрутить сами промпты в агентах — прописать проверки жёстче. Я сделал и поймал проблему раздувания контекстного окна, но про это в другой раз. Однако, такое решение было лишь дополнением в уже существующий слой: заостряешь проверку и надеешься, что все правила доедут. Стало ясно, что нужен контроль снаружи процесса, а не внутри него.
Так появился слой на GitHub Actions. Устроено просто: на каждый сгенерированный материал запускается единая команда
make check, за ней — цепочка проверок: тесты, валидация структуры, десятки детекторов на отдельных скриптах.
Каждый отвечает за свой сюжет: один считает плотность тире и ищет следы машинного текста, другой сверяет цифры в документации, третий ловит устаревшие данные и битые ссылки, ещё один проверяет, что стадии пайплайна реально шли в изоляции, а не слиплись.
Часть проверок работает точечно только по тому, что изменилось. Результат не тонет в логах. Робот оставляет один аккуратный комментарий прямо в задаче и обновляет его на месте, а не плодит новые.
Почти все проверки я сделал мягкими: они советуют, но не блокируют, финальное слово за мной. Жёстко останавливает только то, что реально ломает сборку. Логика простая: агентам я по-прежнему доверяю, GitHub не заменил их, а стал вторым контуром.
В итоге я перестал держать в голове тревогу «а точно ли всё проверилось». Теперь на это отвечает не моя вера в процесс, а сам процесс.
#ai_agents #github| 2 | Надо собраться с силами и рассказать, что я там понаписал по агентам | 63 |
| 3 | Кратко про процессы | 142 |
| 4 | Две важные темы с VK Cloud Conf. Там еще интересного много, конечно, но в рамках этого канала рекомендую именно эти новости.
Мультиагентность в VK AI Space хочу уже пощупать сам. | 135 |
| 5 | Внедрили поддержку мультиагентных систем на платформе VK AI Space 🤖
Теперь вы можете создавать мультиагентные сценарии в VK AI Space от VK Tech. Это позволит компаниям перейти от точечных ИИ-агентов к координируемым системам цифровых сотрудников.
👥 Мультиагентная система устроена как команда специалистов под руководством менеджера:
• ведущий агент принимает задачу от пользователя, понимает цель, выбирает нужных исполнителей — агентов с необходимыми компетенциями — и распределяет между ними работу
• каждый агент выполняет задачу в своей зоне ответственности и может быть быстро заменен, доработан или подключен к новому процессу без пересборки всей цепочки
⚡️ Такой подход ускоряет разработку сложных ИИ-решений. При этом каждый отдельный агент работает со всем контекстом, возникающим при решении задачи, а мультиагентная система — только с результатом работы субагентов.
Мы эксклюзивно представили это решение на VK Cloud Conf. Узнайте больше по ссылке.
🔗 Мы в MAX | 121 |
| 6 | Рынок ПО для ИИ в России вырастет почти вчетверо к 2030 году
Эксклюзивно на VK Cloud Conf совместно с Apple Hills Digital представили исследование российского рынка программного обеспечения для искусственного интеллекта.
Исследование описывает объем, структуру и динамику российского рынка ПО для ИИ за 2022–2025 годы и прогноз до 2030 года.
👆 Его подготовили на основе прямого опроса более 40 ведущих российских вендоров ИИ-решений, отчетности участников рынка и открытых источников.
📈 В 2025 году объем рынка достиг 25 млрд рублей, а к 2030 году вырастет почти вчетверо — до 94,8 млрд рублей при среднегодовом темпе роста 30,5%.
Главный сдвиг: компании переходят от FOMO к ROI — от страха упустить технологию к расчету окупаемости. Появляются роли директоров по ИИ, центры компетенций и KPI на внедрение ИИ, а генеративный ИИ (GenAI) встраивается в прикладные продукты и стимулирует их продажи.
«76% рынка ПО для ИИ — это прикладные решения, встроенные в бизнес-процессы, а не сами модели. Компании перестали внедрять ИИ из страха отстать и начали считать отдачу. Выигрывает не тот, кто первым купил технологию, а тот, кто встроил ее в работающий процесс и сделал это не в одиночку, а с партнером. Мы закрываем этот разрыв ИИ-инфраструктурой VK Cloud, платформой VK AI Space для запуска ИИ-агентов в защищенном контуре и экспертизой внедрения», — комментирует директор по облачным сервисам VK Tech Дмитрий Лазаренко.
Полный текст исследования оставили по ссылке.
🔗 Мы в MAX | 102 |
| 7 | لا يوجد نص... | 114 |
| 8 | Когда при мне говорят про искусство и эстетику | 136 |
| 9 | Долго объяснять. 17 июня в Москве и онлайн пройдёт облачная конференция VK Cloud Conf. Я там буду. Из очень интересного на мой субъективный взгляд (без учёта, что я помогаю конфу организовывать):
— Большое исследование российского рынка ИИ от Apple Hills Digital и VK Tech. Покажем в первый раз и там прям любопытные цифры. Вчера, кстати, вышло исследование Apple Hills Digital совместно с VK Tech, Cloud.ru и Selectel про облачные тренды в корпоративном секторе России 2026. Забирайте здесь.
— Про особенности развития ИИ-агентов с кейсами и решениями. Про платформы и прочее.
— Managed Kubernetes как вычислительный центр для ИИ. И как с ним жить без виртуализации.
— Организация процессов в компании перед AI-апокалипсисом. Доклад от Битрикс24.
И там ещё много. Регаться здесь.
#vktech | 155 |
| 10 | Но нас спасёт жадность... Вы цены на токены в Fable видели?🙈 | 130 |
| 11 | Anthropic выпустила Claude Fable 5. И это, возможно, самый необычный релиз ИИ за последние годы.
Не потому что модель показала рекордные цифры в бенчмарках. И не потому что она якобы приблизилась к AGI. А потому что впервые главный маркетинговый тезис звучит так:
Наша лучшая модель слишком опасна для публичного доступа.
Вместе с Fable 5 компания представила Mythos 5 — внутреннюю модель, доступ к которой ограничен из-за её возможностей в чувствительных областях вроде кибербезопасности. При этом Fable 5 построен на той же архитектуре. То есть вся презентация сводится к довольно необычной идее:
Вот наша самая мощная модель.
Но пользоваться вы будете не ей.
Если раньше AI-компании соревновались в том, кто покажет более высокий результат на очередном бенчмарке, то теперь соревнование переходит в другую плоскость. Не «насколько умна модель», а «насколько опасной мы считаем собственную модель».
И это довольно интересный сдвиг. Последние два года индустрия продавала интеллект. Сначала были задачи уровня школьных олимпиад. Потом исследования. Потом агентность. Теперь в качестве конкурентного преимущества начинают продавать ограничения. Фактически Anthropic говорит рынку:
Мы сделали модель настолько сильной, что вынуждены ограничивать доступ к ней.
Для компании это почти идеальная маркетинговая позиция. Особенно забавно выглядит появление двух уровней доступа к интеллекту. Раньше различия были простыми: бесплатная версия и платная версия.
Теперь появляется новая категория:
— версия для всех;
— версия, которой вам не доверяют пользоваться.
И мне кажется, что именно это главный итог релиза. Не очередной рост качества на несколько процентов, а начало эпохи, где ИИ-компании будут конкурировать не только мощностью моделей, но и правом доступа к ним. Потому что если такой подход взлетит, через пару лет вопрос будет звучать не «какую модель ты используешь?», а «какой у тебя уровень допуска к модели?».
#ai | 129 |
| 12 | Так я вижу Code и Codex порой. | 134 |
| 13 | У меня было 119 коммитов, 30 слитых пулл-реквестов, 38 104 добавленных строки и целая россыпь файлов всех сортов и расцветок — 7 новых субагентов, модуль клиентских кейсов, 11 правил редполитики, 13 скриптов-валидаторов и 10 тестов.
Не то чтобы всё это было нужно на выходных. Но если уж начал докручивать систему агентов, то к делу надо подходить серьёзно. | 145 |
| 14 | Ну или мемов вам накидать. | 189 |
| 15 | Как я превращал свалку заметок в библиотеку для ИИ-агентов
База растёт сама из работы над контентом. Под каждый материал агент сначала делает исследование: идёт в веб, собирает данные, цифры, источники. Конспект сразу сохраняется в research/ под конкретную статью — это страховка от потери данных, если сессия оборвётся. Важный момент: исследование сохраняется автоматически, ещё до того, как автор начал писать.
Дальше срабатывает правило: перед новым ресёрчем агент обязан проверить, что уже собрано. Если по теме что-то есть, он это дополняет, а не пересобирает с нуля. А самое ценное и многоразовое из разовых исследований переезжает в постоянную базу. Так разовый сбор под одну статью со временем превращается в библиотеку, которой пользуются все агенты.
Звучит красиво, но было три проблемы:
— агент порой не знал, что в базе уже есть инфа, и искал заново;
— мог взять устаревшую цифру, потому что никто не помечал, когда факт «протух»;
— в документации написано «агент смотрит в базу», а в коде этого нет.
Слои: от свалки к полкам
Факты хранятся по-разному, в зависимости от роли. Большие документы разбил на атомарные карточки:
— fact-card — один проверяемый факт = одна карточка. С источником, уровнем доверия и сроком годности.
— case-card — один публичный кейс клиента, и что про него говорить нельзя.
— objections — карточка возражения («облако дороже») с готовым безопасным ответом.
— personas — карточки аудиторий: боли, KPI, запретные углы.
Зачем дробить? Большой текст легко выдаёт лишнее — непубличную деталь или старую цифру. Атомарная карточка хранит ровно один факт. Просрочилась — система сама её отложит.
Интеграции: появился библиотекарь
Полки — это полдела. Дальше нужен тот, кто приносит нужное:
— Картотека плюс ретривер в коде: даёшь тему — получаешь короткий список релевантных карточек, просроченные помечены.
— Компактная коробка вместо всей базы. Агенту едет не дамп на пол-базы, а ровно: свежие факты, публичные кейсы, и список того, чего в базе нет. Просроченное — отдельной стопкой, в текст не попадёт.
— У каждого типа задач своя карта. Не «загляни в базу», а «для пресс-релиза бери позиционирование и публичные кейсы, а конфиденциальные числа только после проверки».
— Починил пайплайн. Шаги, которые раньше были красивым описанием, заработали: повторный фактчек сомнительных цифр реально запускается, а 19 ресёрчеров наконец получили веб-поиск, которым «просили» пользоваться.
Предохранитель на финале
Последний шаг любого пайплайна — редактор. Берёт только разрешённые к публикации карточки, а просроченные не пускает в текст. И всё закреплено тестами: рассинхрон «база — агент» теперь роняет сборку.
Что в итоге
Конечно, это не очень обязательный элемент фабрики контента. В воркфлоу записано, что надо найти, передать, написать, проверить. Всё в чистом контексте и галлюцинаций в финале не остаётся. Но каждый запрос это токены и время. И деньги. А запросы повторяются, в конце концов мы крутимся вокруг одних и тех же цифр исследований, бенчмарков, фактов. Поэтому постепенно наполнять базу знаний и оперативно обращаться к ней кажется не такой уж плохой идеей. Стоит потратить на реализацию несколько вечеров.
#ai_agents | 157 |
| 16 | На выходных нашёл статью про то, что давно крутилось в голове. Про петли обратной связи в агентах
Под «петлёй» имеется в виду контур обратной связи — замкнутый цикл, где результат работы агента кто-то или что-то измеряет, и это измерение возвращается обратно и меняет поведение системы. Не «модель стала умнее», а «вокруг модели крутится цикл: сделал → измерили → подправили → снова сделал».
В пост сюда объёмом не уложился, так что опубликовал на Хабре.
#ai_agents #habr | 144 |
| 17 | Звёздная гонка ИИ-агентов в мае 2026
Наткнулся на свежий разбор от Rost Glukhov, он 21 мая выгрузил через API число звёзд у 20 самых популярных опенсорсных фреймворков для агентов.
Что по цифрам:
→ OpenClaw — 373 тыс. звёзд. В апреле обогнал React и стал самым «звёздным» репозиторием в истории GitHub. Тот самый агент Штайнбергера, который живёт на твоём железе и общается через мессенджеры. Ритм — 62 релиза за месяц, по одному каждые 12 часов.
→ Hermes Agent от Nous Research — 160 тыс. за 12 недель. Растёт быстрее в неделю, чем OpenClaw в том же возрасте. Держит память между сессиями и сам пишет файлы навыков из успешных задач.
→ Середина таблицы спрессована между 26 и 43 тыс. — там позиции тасуются за сутки от одного поста на HN: Nanobot (Python, ~4 тыс. строк кода, от лаборатории HKU), AstrBot (самый активный по релизам), PicoClaw (Go, под встраиваемые устройства от Sipeed), AionUi (TypeScript, агентный UI) и ZeroClaw на Rust.
Что мне было интересно из выводов автора:
Во-первых, релизы и звёзды почти не коррелируют. OpenClaw выкатывает 62 релиза в месяц, а пара проектов с десятками тысяч звёзд — ноль.
Во-вторых — и это главное — звёзды измеряют любопытство, а не использование. Что люди реально запускают, показывают токены на OpenRouter, загрузки npm/PyPI и история CVE, а не счётчик в углу репозитория. Звезда стоит один клик; она не значит, что софт хоть раз запустили в проде.
Полезное напоминание перед тем, как в следующий раз выбирать стек по «самому популярному на гитхабе».
Оригинал и полный датасет: glukhov.org
#ai_agents | 155 |
| 18 | Так себя и ощущаю | 164 |
| 19 | ИИ не заменил менеджеров. Он сделал их узким местом
Картинка из моей работы. Облачная конференция, сессии наших спикеров на других ивентах, лендинги, статьи в СМИ и блог, Хабр. При производстве практически каждой единицы контента используется ИИ — целая фабрика агентов. Но между ИИ и готовым результатом есть человек, в данном случая я. Человек смотрит, проверяет, принимает решение. И этот ресурс ничем не масштабируется.
И это не то, чтобы только у меня подгорает. На прошлой неделе в HBR вышел материал Managers Are Struggling to Keep Up with the AI Productivity Boom. Открывается цитатой менеджера: "каждые тридцать минут кто-то создаёт что-то, что я должен посмотреть". CIO в свежей колонке формулирует ещё жёстче: исполнение перестаёт быть ограничением, дефицитным ресурсом становится суждение. Производство чего либо-ускорилось в разы. Но при этом никто не перестраивает поток работы под ИИ, практически всегда остаются те же цепочки согласований, что были до.
Опять вернусь к своему опыту. Когда ревьюишь черновик от человека, то ловишь опечатки и логику. Когда ревьюишь то, что выдала модель — проверяешь каждый факт, каждую формулировку, каждую цифру. Ошибки модели уверенные, гладкие, правдоподобные, их не отловить, читая по-диагонали. ИИ снимает нагрузку с генерации и нагружает верификацию. Инженеры в опросах напрямую отвечают: проверять AI-код тяжелее, чем писать с нуля.
Короче, производство ускорили на порядок, а пропускную способность решений — процентов на двадцать. Разница оседает у тебя на столе. И, надо признать, в этом нет ничьего злого умысла. Просто индустрия выкатила инструмент, который сжимает один этап цепи, и почему-то решила, что от этого ускорилась вся цепь. Не ускорилась. Узкое место мигрировало. Сейчас оно сидит на менеджерском стуле и проверяет то, что выдала модель.
💡Что могу посоветовать. «Делегируйте больше», «фокусируйтесь на главном», «приоритизируйте» — это всё сработает только, если у вас есть большая команда.
Первое — перенести принятие решений из своей головы в артефакты. Если ты ревьюишь каждый текст как индивидуальный кейс, ты держишь критерии в рабочей памяти и тратишь её на каждой итерации заново. Если эти же критерии оформлены как явный чек-лист, гайдлайн, или, в случае Claude Code, как скилл — половина решений принимается до того, как текст дошёл до тебя.
Второе — поменять метрику собственной нагрузки. Для контент-менеджера, например, это значит перестать мерить себя «количеством опубликованного» и начать мерить «сколько решений приняли за день» и «сколько из них пришлось переоткрывать». Это звучит абстрактно, но это единственная метрика, которая показывает, упёрся ли ты в производство (масштабируется ИИ) или в суждение (не масштабируется).
Третье — называть проблему вслух перед руководством. Не как жалобу, а как операционную диагностику: «У нас не дефицит производства, у нас дефицит пропускной способности решений. Можем обсудить, как её расширить — либо новый сотрудник с делегированной зоной ответственности, либо перенос части решений в политику агента».
Четвёртое — признать, что часть решений можно не принимать. Самое тяжёлое — это решения о пограничных кейсах, которые на самом деле не пограничные, а просто непривычные. Например, для контента: есть устоявшаяся редполитика и агент с явными правилами может выкатывать большую часть текстов в публикацию практически без ревью. А человек будет проверять только то, что реально спорно. Это страшно, кажется, что качество упадёт. Но на практике у команд, которые так сделали, качество не падает, потому что вариативность снижается. А время освобождается. Но страшно и есть риски для бренда.
#ai | 259 |
| 20 | Хотел написать большой пост про управление контентом и ожидания от тебя в эпоху ИИ, но... понедельник. Пусть тут будет холодный литовский борщ, который я вчера довольно успешно приготовил.
Рецепт попозже напишу в канал про еду. | 141 |
متاح الآن! بحث تيليغرام 2025 — أهم رؤى العام 
