КайфКодинг

вчера OpenAI дропнули ChatGPT Shopping Research😎 А это ведь еще один шаг на пути к shopping 3.0 который мы недавно обсуждали! 😎 Это режим deep research, но в контексте шопинга: агент читает описания, фильтрует шлак, смотрит цены, проверяет отзывы, задает уточняющие вопросы и собирает аргументированный shortlist ⌨️ Не так давно мне попался на глаза State of Fashion 2026 и сделали в OpenAI хорошо туда вписывается: 📌 23% потребителей уже используют AI для discovery новых продуктов Search Engine Journal, а 41% доверяют результатам AI-поиска больше, чем традиционной рекламе Search Engine Journal 📝 📌 Discovery переходит от Google в сторону LLM-агентов - брендам пора думать про AI-SEO, потому что присутствие в ответах AI-чатботов становится новой поисковой оптимизацией Bloomberg 🏃‍♀️ 📌 Agentic commerce будет ускоряться во второй половине десятилетия Bloomberg, и мы уже видим первые подвижки в эту сторону 🤯 Кроме того если посмотреть на других игроков на рынке: Perplexity подключает платежи на своей стороне, Shopify пушит Universal Cart, Meta тестирует conversational marketplace-агентов, и вот теперь openai делают шопинг рисерч 👍 Конечно, мы пока далеки от персонализированной покупки в один клик, но мы все ближе к тому моменту, когда e-commerce превратится в agent-commerce 😧 @neural_prosecco

На lmarena акция - попробуйте Opus 4.5 бесплатно https://lmarena.ai/?mode=direct&model=claude-opus-4-5-20251101 - работает даже без регистрации!

- Я - МОЯ СКОРОСТЬ ИЗУЧЕНИЯ НЕРОСЕТЕЙ - СКОРОСТЬ ВЫХОДА НОВЫХ НЕЙРОСЕТЕЙ

💻 Новая модель для кодинга от Anthropic Anthropic выпустила Claude Opus 4.5 - модель, которая по тестам обходит все существующие AI-модели для кодинга, agents и сложных рабочих процессов. Это новый пик в том, как AI понимает код, устраняет баги и ведет многосистемные задачи без ручного контроля. Opus 4.5 уверенно решает реальные инженерные проблемы: на SWE-bench Verified она показывает результаты выше не только других моделей, но и сильных инженеров в тестах Anthropic. Улучшены reasoning, работа с большими контекстами, а также стойкость к prompt injection. По сути, это делает модель более надежным инструментом для разработки. Anthropic также обновила Developer Platform: advanced tool use, effort parameter и новое управление контекстом позволяют собирать долгоживущие агентные цепочки, которые работают эффективнее и дешевле. Claude Code получил апгрейд и теперь доступен в десктопном приложении. Source: https://www.anthropic.com/news/claude-opus-4-5 #ai #agi #anthropic #coding ————————— Мысли Рвачева —————————

Важное: - модель обыгрывает инженеров Антропика в тестах. А у них лучшие из лучших работают

Moscow AI #4 x Газпромбанк.Тех Через час расскажу про sgr-agent-core и зачем вообще нужно было делать такой велосипед. Залетайте на стрим в 19:00 https://embed-cdn.mashroom.online/?hash=FxiVJsjT

How AI will change software engineering (Рубрика #Engineering) Посмотрел интересное интервью Martin Fowler о том, что реально меняется для инженеров и тимлидов из‑за LLM и coding‑агентов. Мартин давал интервью Гергели Орошу в рамках подкаста Pragmatic Engineer. Сам разговор получился плотным (в самый раз для просмотра на 2x скорости) и ключевыми тезисами были следующие 🤖 AI - крупнейший сдвиг в разработке со времён высокоуровневых языков Фаулер ставит нынешнюю волну ИИ в один ряд с переходом от ассемблера к Fortran/C: это новая парадигма работы с кодом, а не “ещё один инструмент в IDE”. 🎲 Код становится недетерминированным - нужно мыслить “допусками” LLM не гарантирует одинаковый результат на один и тот же запрос. Фаулер предлагает заимствовать из классической инженерии мышление про допуски и запас прочности: заранее решать, где вариативность допустима, а где нужна жёсткая детерминированность и дополнительные проверки (особенно в безопасности). 👩‍💻Тесты важнее, чем когда‑либо Тесты теперь страхуют и людей, и модель. Любой сгенерированный LLM код должен проходить такой же, а лучше - более жёсткий, набор автотестов, статического анализа и quality‑checks. Без этого “ускорение” от ИИ превращается в отложенный технический долг. На эту тему рекомендую почитать книгу "AI Engineering" и конкретно главы "Evaluation Methodology" и "Evaluate AI Systems", что я уже разбирал в подкасте с обзором книги 🤖 AI + детерминированные инструменты > AI в одиночку Один из ключевых паттернов: LLM генерирует черновой код, а предсказуемые инструменты делают массовые и безопасные трансформации - миграции, рефакторинги, форматирование. 👾 LLM особенно полезны для легаси и рефакторинга AI показывает отличные результаты в рефакторинге старых монолитов, демонстрируя понимание странных зависимостей, генерируя первые варианты рефакторинга и миграций (например, на новый фреймворк или архитектурный паттерн). Но именно люди решают, куда систему развивать и какой “целевой дизайн” считать приемлемым. 💯 Vibe coding - режим прототипов, а не продакшена Vibe coding - это создание решения, когда вы в основном говорите с агентом/IDE, почти не читая получившийся код. Это даёт огромную скорость для прототипов и одноразовых проектов, но переносить такой код в прод без ревью и тестов - гарантированные баги, уязвимости и проблемы с поддержкой. 📚 Список ключевых навыков инженера не поменялся Несмотря на хайп вокруг ИИ, по мнению Фаулера, всё ещё решают: понимание домена, умение строить абстракции и архитектуру, делать осознанные trade-offs коммуницировать с бизнесом и командой. LLM усиливают сильных инженеров, но не подменяют сами навыки. 🔁 Agile по‑прежнему про обратную связь и обучение - просто цикл стал быстрее Основные принципы Agile (короткие итерации, работа с заказчиком, постоянное обучение) остаются валидными. LLM‑инструменты лишь ускоряют цикл “придумал → набросал → проверил → переписал”, но не заменяют живую обратную связь, парное программирование и ретро. 🧠 ИИ не отменяет необходимость самому учиться программировать Фаулер подчёркивает: разработка - это всегда процесс обучения. Если постоянно “аутсорсить” мышление ИИ, не формируется внутренняя модель системы, и команда быстро прилетает в maintenance‑cliff: код есть, понимания нет. Инструменты могут ускорять, но не могут “выучить за вас”. 🚀 Совет тимлидам: начинайте с низкорисковых сценариев Внедрять ИИ лучше начать с документации, тестов, сниппетов, миграций и работы с легаси, а не с критических бизнес‑флоу. Параллельно вкладываться в автотесты, observability и инженерную культуру - тогда выгода от ИИ не будет одноразовым “демо‑эффектом”. 🌱 Совет джунам: не становитесь просто “операторами промптов” Для начинающих разработчиков ИИ - отличный репетитор: можно просить объяснить незнакомый код, показать альтернативные решения, придумать упражнения. Но если ограничиться промптами и никогда не разбираться в том, что под капотом, - роста до middle/senior не будет. Нужны свои попытки, ошибки и рефакторинги. #Architecture #Software #AI #Engineering #ML #Data #SystemDesign

Gemini решила 6 задачу с международной олимпиады по математике с пары промптов

Шок: новая Nano Banana Pro почти идеально подделывает документы — достаточно попросить подставить нужные данные и получите селфи несуществующего человека. А это вообще легально? 😂

Потестировал vast ai (аренда GPU) Почему то столкнулся с низким upload speed наградных серверах. Из за этого не так легко перекачать большие обьемы данных и выигрыша от использования GPU нет

Gemini3 за 5 минут ваншотнул универсальную библиотеку на Go для доступа к любым LLM через любых провайдеров, с использованием всех особенностей каждой из моделей. Как работает еще не проверял 😅

Вы еще лайвкодите?

Остановитесь, что вы делаете https://openai.com/index/gpt-5-1-codex-max/

имба ребятки с одного промпта https://ai.studio/apps/drive/1l8q1o97eweJRXxzaxSSObm4gX7ZqYFck

На скорую руку записал очень краткое видео (5:29) – показал, как происходит работа в Antigravity. Кому интересно – welcome https://www.youtube.com/watch?v=NRWIOiauBrw

Вот это интересно. Попробую потестить эту штуку

Новый агент Гугла обещает мониторить метрики, автоматически проводить тестирование

Пошла жара. Выпустили превьюшку Gemini 3 pro Попробовать можно через курсор. Добавить custom model "gemini-3-pro-preview". У меня работает 🔥 Буду тестить.

https://www.youtube.com/watch?v=Bs7sBbcwn60 Парень создал приложение с помощью 8 AI-агентов Безумный кейс для инди-хакеров. Разработчик Алекс создал приложение «Habit Flow» с нуля, используя Codex и команду из 8 виртуальных сотрудников (AI-инженер, AI-маркетолог, AI-продакт и т.д.). Агенты работали параллельно: пока одни писали код, другие делали GTM-стратегию. Как думаете, сколько он на этом заработал?)))