AI4Dev — AI for Development

Как поднять корпоративного LLM-бота в закрытом контуре? Рассказал Алексей Кудаков, CTO технологической группы «Проявление». Это продакшн-история для одной из крупнейших компаний в сфере ЖКХ России: один LLM-бот на телефон и чат-каналы (Макс, ВК, ОК, мобильное приложение) полностью on-premise, без единого внешнего вызова. В эфире разобрали: → Что болело у заказчика: ~60 жёстких сценариев скриптового робота, очереди в пиках, тупики в чатах → Как выбирали стек и почему остановились на Qwen3-14B Instruct + LoRA + RAG + vLLM → Дообучение LLM под домен ЖКХ: от 45 тысяч ручных размеченных звонков до 345 тысяч примеров → Голосовой стек и его грабли: STT с галлюцинациями на тишине, дообучение CosyVoice 3, «превойс» для обхода недоверия абонентов → Запуск в закрытом контуре на NVIDIA H200: архитектура, оптимизации, бюджет латентности → Итоговые метрики: ожидание оператора с 5 минут до <5 секунд, 72% обращений закрываются без оператора, 98% точность классификации Честно поговорили о проблемах в проде: абонентах, которые не доверяют роботу, заказчиках, которые заводят тикеты на «ошибки», и пожилых людях, которых живой голос напугал больше, чем скриптовый. 🎥 Запись доступна здесь и на других площадках: YouTube RuTube ВКонтакте ЯндексМузыка Mave

🔴 В ИТ больше не берут? Мы уже в эфире! Соискатель ищет работу, компания ищет сотрудника — почему они могут так и не встретиться? Обсуждаем, что мешает получить оффер, как договариваться о зарплате и насколько ИИ меняет требования к людям. Сегодня в Ai4Dev: • Дмитрий Басс, BASSHR. • Андрей Захорошко, HRD Megagroup.ru. • Никита Осокин, «ЦИКЛ-ОН». • Ольга Суховнина, директор по персоналу компании «СофтБаланс». Поговорим о найме, сокращениях и деньгах. Отдельно спросим про джунов: ИИ помогает им войти в профессию или делает первый шаг еще труднее? Подключайтесь к разговору с вашим случаем. Отказы без объяснений, затянувшиеся собеседования, неожиданные требования — приносите вопросы людям по другую сторону найма. 👉 Смотреть и задавать вопросы: https://www.youtube.com/watch?v=nxCvk92vlAs

🔴 Мы в эфире! AGI уже здесь — или главный экзамен еще впереди? GPT-6 Astra набрал 99,9% на ARC-AGI-3 с адаптером, сохраняющим состояние рассуждений. Лучший результат в стандартной среде — 62,7%. Какую из этих цифр считать ответом на вопрос о возможностях ИИ? Сейчас в Ai4Dev обсуждаем, что должно заставить нас признать появление общего искусственного интеллекта. Сможет ли он сам освоить незнакомую задачу, довести большой проект до конца и заметить собственную ошибку? В эфире: • Алексей Коломыц — NadelAI. • Иван Иванов — «Апрель Инновации». • Тим Зинин — «Зинин, Штурбин и партнеры». • Алексей Сидорюк — «Ген ИИ», Ассоциация Финтех. Час живого разговора без презентаций. Подключайтесь и задавайте вопросы — особенно если у вас есть задача, на которой «почти всемогущий» ИИ неожиданно провалился. 👉 Смотреть эфир

На Хабре вышла статья о том, что ИИ изменил в кибератаках от нашей Red Team команды (tl;dr: методы остались прежними, изменилась скорость, на реакцию остаются часы; в статье собран практический минимум для защиты). Разбираем кейсы: • PaperCut, 31 августа. Один атакующий с роем ИИ-агентов взломал больше 440 серверов, на пике 11 организаций за 26 секунд. • Marimo, CVE-2026-39987. От открытого терминала до внутренней инфраструктуры прошло 8 секунд. • RubyGems, май. Агенты OpenAI залили больше 2000 пакетов-пустышек, часть из них охотилась за API-ключами.

🤖 AI-агент с нуля: Evaluation & Observability До сих пор мы строили систему: инструменты, MCP, память, Guardrails, несколько агентов. Однако это ещё не ответ на вопрос, насколько система надёжна. Один удачный прогон показывает возможность, но не вероятность. Один и тот же запрос проходит через Retrieval, несколько model calls, Tool вызовов, Guardrails — и два запуска одной задачи могут закончиться по-разному. ⚡️ Это шестая часть видеокурса об AI-агентах от ML-инженера Artezio Антона Максимова! Разберём Evaluation & Observability: как перейти от «работает в демо» к системе, качество которой можно воспроизводимо измерять и объяснять. В этом выпуске: — Почему классический тест input → expected output не работает для агентов — Eval как pipeline: Task Suite → Infrastructure → Criteria → Grading — Как выглядит валидный Task — pass@k и pass^k: capability и reliability — Graders: когда нужен code, когда LLM-as-a-Judge, когда человек — Observability: Session, Trace, Span — Production closes the loop: как превратить реальный failure в воспроизводимый Regression Task 🎬 Смотрите на YouTube или RuTube!

Почему наука автоматизируется неравномерно? О пределах исследовательского harness рассказал Максим Шаланкин, Machine Learning Team Lead из MWS и автор телеграм-канала Maxim.ML. 27 августа 2026 года Anthropic объявила Model Hardware Standard: Claude из обычного терминала начал управлять микроскопами, роботизированными руками и qPCR-машинами. Интеграция, занимавшая недели, сократилась до часов. Днём раньше стартап Transfyr поднял $25 млн: сенсоры и камеры записывают каждое движение учёных, превращая видеозаписи рук в обучающие данные для лабораторных роботов. Наука в физическом мире, самая сложная для автоматизации область, начала получать свой интерфейс. Смотрим на картину целиком: почему вычислительная наука уже упирается только в GPU, а экспериментальная — в законы природы. 🎥 Запись доступна здесь и на других площадках: YouTube RuTube ВКонтакте ЯндексМузыка Mave

🔴 Мы в эфире! ИИ уже помогает искать уязвимости. Вопрос в том, кто первым найдёт слабое место в вашей системе: ваш пентестер или атакующий с тем же инструментом? Сегодня на Ai4Dev говорим про ИИ в роли атакующего: как он проверяет гипотезы, находит дыры и помогает строить цепочки атак. Где он действительно усиливает пентестера, а где уверенно ведёт его по ложному следу? Без презентаций — живой разговор и ваши вопросы в чате. ▶️ Подключайтесь А если после эфира захочется спросить «что найдут у нас?», Security Lab проверяет инфраструктуру, приложения и LLM-сервисы на реальные пути атаки.

Кажется, что достаточно объединить несколько LLM-агентов, разрешить им общаться — и получится коллективный интеллект. Но сразу возникают вопросы: кто координирует агентов, как они распределяют задачи, что происходит без центрального управляющего узла и откуда появляется эмерджентное поведение? ⚡️Анна Авдюшина, кандидат технических наук и инженер центра «Сильный ИИ в промышленности» университета ИТМО, расскажет о том, как сформировать роевой интеллект на LLM. На лекции поговорим про: → централизованные и децентрализованные архитектуры; → топологии взаимодействия агентов; → коммуникацию и распределение задач; → коллективное и эмерджентное поведение; → когда несколько агентов действительно лучше одного. ⏰ Запускаем трансляцию сегодня в 13:00. Смотрите на YouTube, в ВК или прямо в этом канале — и задавайте вопросы Анне!

🤖 Как поднять корпоративного LLM-бота в закрытом контуре? Расскажет Алексей Кудаков, CTO технологической группы «Проявление». Это продакшн-история для одной из крупнейших компаний в сфере ЖКХ России: один LLM-бот на телефон и чат-каналы (Макс, ВК, ОК, мобильное приложение) полностью on-premise, без единого внешнего вызова. Разберём: → Что болело у заказчика: ~60 жёстких сценариев скриптового робота, очереди в пиках, тупики в чатах → Как выбирали стек и почему остановились на Qwen3-14B Instruct + LoRA + RAG + vLLM → Дообучение LLM под домен ЖКХ: от 45 тысяч ручных размеченных звонков до 345 тысяч примеров → Голосовой стек и его грабли: STT с галлюцинациями на тишине, дообучение CosyVoice 3, «превойс» для обхода недоверия абонентов → Запуск в закрытом контуре на NVIDIA H200: архитектура, оптимизации, бюджет латентности → Итоговые метрики: ожидание оператора с 5 минут до <5 секунд, 72% обращений закрываются без оператора, 98% точность классификации Честно поговорим про проблемы в проде: абоненты, которые не доверяют роботу, заказчики, которые заводят тикеты на «ошибки», и пожилые люди, которых живой голос напугал больше, чем скриптовый. ⏰ Запускаем трансляцию сегодня в 12:00. Смотрите на YouTube, в ВК или прямо в этом канале — и задавайте вопросы лектору!

Мы много писали о роли ИИ в аналитике и разработке ПО. Теперь решили выпустить несколько материалов о том, как ИИ меняет кибербезопасность — вместе с нашей Red Team / pentest-командой. Начинаем с перевода статьи The Cybersecurity Industry Is Entering Its Third Era уже на Хабре. При этом руководитель нашей Red Team на вопрос о главном изменении последних лет отвечает ещё короче: скорость. Но об этом в следующем материале.

Почему наука автоматизируется неравномерно? О пределах исследовательского harness расскажет Максим Шаланкин, Machine Learning Team Lead из MWS и автор телеграм-канала Maxim.ML. 27 августа 2026 года Anthropic объявила Model Hardware Standard: Claude из обычного терминала начал управлять микроскопами, роботизированными руками и qPCR-машинами. Интеграция, занимавшая недели, сократилась до часов. Днём раньше стартап Transfyr поднял $25 млн: сенсоры и камеры записывают каждое движение учёных, превращая видеозаписи рук в обучающие данные для лабораторных роботов. Наука в физическом мире, самая сложная для автоматизации область, начала получать свой интерфейс. Рассмотрим картину целиком: почему вычислительная наука уже упирается только в GPU, а экспериментальная — в законы природы. ⏰ Запускаем трансляцию завтра, 4 сентября, в 17:00. Смотрите на YouTube, в ВК или прямо в этом канале — и задавайте вопросы Максиму!

🤖 AI-агент с нуля: строим Multi-Agent Systems До сих пор мы строили одного AI-агента: дали ему инструменты, подключили MCP, добавили память и Guardrails. Он умеет получать контекст, принимать решения и выполнять действия во внешних системах. Но что, если задача становится слишком большой для одного decision-making loop? Например, нужно одновременно исследовать несколько источников, работать с разными наборами данных и permissions, независимо проверять результаты и координировать несколько направлений работы. Кажется, очевидное решение — добавить ещё агентов. Но здесь легко усложнить систему, не сделав её лучше. ⚡️ Это пятая часть видеокурса об AI-агентах от ML-инженера Artezio Антона Максимова! Разберём Multi-Agent Systems: где на самом деле проходит граница между одним сложным агентом и системой из нескольких агентов — и когда распределение принятия решений действительно оправдано. Десять Tools, несколько LLM-вызовов и даже цепочка из Planner, Researcher и Reviewer ещё не делают систему Multi-Agent. MAS появляется тогда, когда существуют несколько автономных decision-making компонентов, способных самостоятельно принимать локальные решения и взаимодействовать друг с другом. В этом выпуске: — Где заканчивается Single-Agent System и начинается настоящая Multi-Agent System — Homogeneous и Heterogeneous Agents: почему специализация и роли — только один из вариантов дизайна — Cooperative, Collaboration и Mixed-Motive взаимодействие — Point-to-point, Broadcast, Pipeline, Peer-to-peer и Shared Message Pool — Centralized, Decentralized, Hierarchical и Blackboard / Shared Message Pool архитектуры — A2A: как независимые agentic systems находят друг друга, передают задачи, статусы и результаты 🎬 Смотрите на YouTube или RuTube!

Andrew Ng (кофаундер Coursera, профессор Стэнфорда, экс-глава Google Brain и Baidu AI) опубликовал AI Engineering Skills Map - попытку сформулировать, какие навыки сегодня действительно нужны разработчикам в эпоху AI. В целом идеи вполне понятные: • уметь строить и контролировать AI-системы; • хорошо знать базовый software engineering; • уметь эффективно работать с coding agents; • и, что важно, уметь shaping the build - понимать, что именно нужно строить, зачем и как это должно работать. Последний пункт особенно интересен. По мере того как AI всё лучше пишет код по хорошему ТЗ, ценность инженера всё больше смещается от самого написания кода к пониманию задачи, архитектуре, требованиям и принятию инженерных решений. В общем, ничего революционного. Но приятно, когда направление, в котором сам смотришь на AI-shaped engineering, примерно совпадает с тем, что формулирует Andrew Ng.

ИИ превзошёл людей в искусстве убеждения — какова зона риска? В лекции рассматриваем третью по счету область применения, где искусственный интеллект наглядно демонстрирует свое превосходство. Если успехи AI-агентов в программировании и математике сегодня отрицают вслух только убежденные скептики, то вокруг искусства убеждения пока сохраняется относительное молчание. Доктор технических наук Владимир Крылов познакомит вас с результатами весьма глубокого и строгого научного исследования, результатом которого стал вывод: эпоха человеческой монополии на убеждение завершена. Создана технология, которая приводит факты, формирует эмпатию и меняет поведение эффективнее, чем самые обученные и высокооплачиваемые профессионалы в мире. Вопрос больше не в том, сможет ли ИИ убеждать массы. Вопрос в том, от чьего имени он будет это делать. 🎥 Запись доступна здесь и на других площадках: YouTube RuTube ВКонтакте ЯндексМузыка Mave

🤖 AI-агент с нуля: строим Guardrails В прошлый раз мы дали агенту память — теперь он помнит пользователя между сессиями и может вызывать инструменты через MCP. Звучит идеально. Но у нас пока нет ни одного механизма, который контролирует, что агент читает, что делает и что отдаёт обратно. Системный промпт с запретами — это не защита, а иллюзия безопасности. Поскольку языковая модель является вероятностной системой, при определённых входных данных она проигнорирует любую инструкцию. И пока у агента есть инструменты, это уже не проблема некорректного ответа — это удалённая таблица в базе данных, письмо, отправленное не тому адресату, или бесконечный цикл API-вызовов, который сжигает весь лимит за ночь. ⚡️ Представляем четвертую часть видеокурса об AI-агентах от ML-инженера Artezio Антона Максимова! Guardrails — это не фильтр в системном промпте. Это детерминированный код, который принимает решение до того, как данные попали в модель, до того, как выполнено действие, и до того, как результат ушёл к пользователю. В этом выпуске: — Карта угроз LLM-агента: разберем Prompt Injection, Jailbreaking, Hallucination и Data Leakage — Архитектура Guardrails — Три класса методов: детерминированные, специализированные и вероятностные — Allowlist, schema validation, ACL и human-in-loop — что и на каком контуре применять — Пишем Guarded Agent: оборачиваем LangGraph-агент из прошлых уроков в четыре контура защиты 🎬 Смотрите на YouTube или RuTube!

⚡️ ИИ превзошёл людей в искусстве убеждения — какова зона риска? Рассмотрим третью по счету область применения, где искусственный интеллект наглядно демонстрирует свое превосходство. Если успехи AI-агентов в программировании и математике сегодня отрицают вслух только убежденные скептики, то вокруг искусства убеждения пока сохраняется относительное молчание. Доктор технических наук Владимир Крылов познакомит вас с результатами весьма глубокого и строгого научного исследования, результатом которого стал вывод: эпоха человеческой монополии на убеждение завершена. Создана технология, которая приводит факты, формирует эмпатию и меняет поведение эффективнее, чем самые обученные и высокооплачиваемые профессионалы в мире. Вопрос больше не в том, сможет ли ИИ убеждать массы. Вопрос в том, от чьего имени он будет это делать. ⏰ Запускаем трансляцию завтра, 6 августа, в 12:00. Смотрите на YouTube, в ВК или прямо в этом канале — и задавайте вопросы лектору!

🤔 Какова вероятность выживания человечества в эпоху суперинтеллекта? Исследователь Элиезер Юдковский и президент MIRI Нейт Соарес изложили свой прогноз в книге, которая вышла на русском языке под названием «Если кто-то его создаст — все погибнут. Почему сверхчеловеческий ИИ уничтожит нас всех». Доктор технических наук Владимир Крылов обосновал возможность куда более оптимистичного варианта развития событий. Он основан на разработках методов коммуникации с неживым, которые развивает биолог Майкл Левин. Ведь в будущем построение конвенциональных отношений со сверхинтеллектом существенно сократит вероятность рокового исхода... 🎥 Запись доступна здесь и на других площадках: YouTube RuTube ВКонтакте ЯндексМузыка Mave

🤖 AI-агент с нуля: создаем Memory В прошлый раз мы подключили агента к реальному миру через MCP — и теперь у него есть инструменты. Но каждый новый разговор он начинает с чистого листа. Разберём, почему «просто передавай всю историю» — это тупик сразу в трёх местах: токены дорожают экспоненциально, данные исчезают при перезапуске, а сама модель начинает галлюцинировать из-за эффекта Lost in the Middle. И покажем, как выглядит настоящая архитектура памяти агента. ⚡️ Это третья часть видеокурса об AI-агентах от ML-инженера Artezio Антона Максимова! Memory — это не фича и не класс в LangChain. Это конвейер из четырёх слоёв, каждый из которых отвечает на свой вопрос. В этом выпуске: — Почему «большое контекстное окно» не решает проблему памяти — Что такое Lost in the Middle и почему это важнее, чем кажется — Архитектура memory-системы: контекстный слой, долговременное хранилище, retrieval и жизненный цикл — Summary Buffer, Token Budget и Working Memory — как управлять тем, что видит модель — Vector Store, Entity Memory и Knowledge Graph — что и в каком формате хранить между сессиями — Mem0: готовый memory layer вместо самописного пайплайна — Пишем агента, который помнит пользователя после перезапуска 🎬 Смотрите на YouTube или RuTube!

💥 Агентская фабрика на CI: автоматизируем весь цикл разработки Лёша Берёзка, техлид iOS в "Додо Пицце" и автор канала о разработке, показал онлайн, как построить «фабрику» агентов в CI‑пайплайне — систему, которая самостоятельно закрывает полный цикл от создания issue до влития Pull Request. В эфире: ➡️ Как организовать оркестрацию нескольких агентов и обеспечить их согласованную работу? ➡️ Как фабрика автоматически заводит issue, сама их планирует, уточняет детали, реализует и доводит Pull Request до успешного слияния? ➡️ Типовые проблемы и способы их решения. 🎥 Запись доступна здесь и на других площадках: YouTube RuTube ВКонтакте ЯндексМузыка Mave

RSI: математика сингулярности Разбираем одну из самых дискуссионных тем в IT-сообществе — рекурсивное самосовершенствование искусственного интеллекта (RSI). Сможет ли ИИ бесконечно улучшать собственный код и архитектуру? Или алгоритмы ждет неминуемый «коллапс» при обучении на собственных синтетических данных? Рассказывает доктор технических наук Владимир Крылов.  🎥 Запись доступна здесь и на других площадках: YouTube RuTube ВКонтакте ЯндексМузыка Mave