Вайб-кодинг

Анатомия промпта для Claude 4.6 1. Задача (Task) Определи, чего ты хочешь, и как выглядит успех: "Я хочу [TASK], чтобы [SUCCESS CRITERIA]." Без ролей типа "веди себя как сеньор-эксперт". 2. Контекстные файлы (Context Files) Загрузи контекстные файлы со своей экспертизой и правилами: "Сначала прочитай эти файлы полностью перед тем, как отвечать: [filename .md] - [что внутри]." ИИ вырос. Не нужно объяснять все в промпте. Вынеси это в файлы. 3. Референс (Reference) Покажи ИИ ровно то, что ты хочешь. Загрузи пример. Потом задай паттерны, тон и структуру как правила. Без "сделай что-то похожее" и надежды, что ИИ сам догадается. 4. Краткое ТЗ (Brief) Это единственная часть, которую вы набираете с нуля. Все остальное это файлы. "Тип вывода + длина. Чего НЕ должно быть по звучанию. Что значит успех." 5. Правила (Rules) Контекстный файл хранит твои стандарты, вкус и аудиторию. Промпт: "Прочитай его полностью перед стартом. Если ты собираешься нарушить одно из моих правил, остановись и скажи мне." 6. Диалог (Conversation) Мы 3 года промптили ИИ. Теперь он промптит нас. Промпт: "НЕ начинай выполнять задачу. Задай мне уточняющие вопросы (используй инструмент 'AskUserQuestion'), чтобы мы вместе пошагово уточнили подход." 7. План (Plan) Claude прочитал твои файлы до того, как написал хоть слово. Промпт: "Перед тем как что-то писать, перечисли 3 правила из моего контекстного файла, которые важнее всего для этой задачи. Потом дай план выполнения." 8. Выравнивание целей (Alignment) Ничего не происходит, пока вы оба не видите одну и ту же цель. Это заменяет старую эпоху промптинга. Промпт: "Начинай работу только после того, как мы согласуемся."

Когда Text-to-SQL не работает, мы обычно валим всё на LLM или на кривой промптинг. Но настоящая проблема чаще всего в схеме. Объясняю: Ты спрашиваешь: “Какие издатели получали роялти-платежи больше $5,000?” Векторный поиск подтягивает "publisher" и "royalty_ledger". Но он пропускает "vendor_agreement" — таблицу-мост, которая их связывает. В итоге LLM пишет валидный SQL, который возвращает пусто. Вот почему векторы сыпятся на реальных enterprise-схемах. Они матчят названия. Они не умеют находить пути для join-ов. А пути уже описаны во внешних ключах. Именно эту дыру закрывает QueryWeaver. Это open-source инструмент от FalkorDB. QueryWeaver превращает твою схему в граф. - Таблицы это узлы. - Внешние ключи это рёбра. Потом он проходит по пути и автоматически добавляет промежуточные таблицы-мосты. Спокойно тянет multi-hop цепочки. Его гоняли на BIRD Benchmark на базе “superhero ” БД, расширенной до 60 таблиц: он разрулил запрос на 5 hop-ов, простроив цепочку через: superpower → capability_matrix → stakeholder_registry → resource_requisition → budget_allocation Можно запустить локально:

id="6b6prn"
docker run -p 5000:5000 -it falkordb/queryweaver

исходники тут

Когда Text-to-SQL не работает, мы обычно валим всё на LLM или на кривой промптинг. Но настоящая проблема чаще всего в схеме. Объясняю: Ты спрашиваешь: “Какие издатели получали роялти-платежи больше $5,000?” Векторный поиск подтягивает "publisher" и "royalty_ledger". Но он пропускает "vendor_agreement" — таблицу-мост, которая их связывает. В итоге LLM пишет валидный SQL, который возвращает пусто. Вот почему векторы сыпятся на реальных enterprise-схемах. Они матчят названия. Они не умеют находить пути для join-ов. А пути уже описаны во внешних ключах. Именно эту дыру закрывает QueryWeaver. Это open-source инструмент от FalkorDB. QueryWeaver превращает твою схему в граф. - Таблицы это узлы. - Внешние ключи это рёбра. Потом он проходит по пути и автоматически добавляет промежуточные таблицы-мосты. Спокойно тянет multi-hop цепочки. Его гоняли на BIRD Benchmark на базе “superhero ” БД, расширенной до 60 таблиц: он разрулил запрос на 5 hop-ов, простроив цепочку через: superpower → capability_matrix → stakeholder_registry → resource_requisition → budget_allocation Можно запустить локально:

id="6b6prn"
docker run -p 5000:5000 -it falkordb/queryweaver

исходники тут

AI В МАРКЕТИНГЕ: КРЕАТИВЫ, ВОРОНКИ, АНАЛИТИКА И АГЕНТЫ За последний год маркетинг изменился кардинально: AI-агенты автоматизируют аналитику и ротацию креативов, вайбкодинг позволяет делать сайты и ботов за час, генеративные тулы создают видео пачками без команды дизайнеров. Что нас ждет в 2026? 5 топовых экспертов создали практическую конференцию "AI в маркетинге: креативы, воронки, аналитика и агенты", на которой покажут как это работает на практике. Каждый спикер даст конкретные инструменты, которые можно внедрить сразу. Конференция для вас маст-хэв, если вы: 🔹 Тратите 4+ часов в день на дашборды и ручные отчёты 🔹 Сливаете бюджет на выгоревшие креативы 🔹 Ждёте разработчиков для создания сайтов и ботов 🔹 Нужна команда дизайнеров и монтажеров для производства контента 🗓 Собираемся 5 марта с 18:00 по МСК в онлайне. Вы заберёте рабочие кейсы и инструменты: – Скиллы для вайбкодинга: как делать сайты, тг-ботов и скрипты без разработчиков – Миро-доску с воркфлоу создания AI-контента: как создавать мультики в Higgsfield и автоматизировать процесс – Шаблон для автоматизации ротации креативов: агент следит за выгоранием и ротирует автоматически – Фреймворки AI-native аналитики: как получать инсайты за секунды, а не за недели – Шаблон работы с AI-агентами через Cursor 👉 Регистрируйтесь в боте: https://t.me/marketing_conference_bot Для участия нужна только подписка на каналы спикеров.

Voice mode наконец-то выкатывают в Claude Code. Сегодня он уже доступен примерно для 5% пользователей, и дальше будут постепенно расширять rollout в ближайшие недели. Когда у тебя появится доступ, на welcome-экране будет заметка. Включается и выключается командой /voice. Как пользоваться voice mode: зажимаешь пробел, говоришь, отпускаешь. По сути, push-to-talk. Транскрипт стримится прямо в позицию курсора. Можно набрать половину промпта руками, надиктовать грязную середину голосом, потом дописать. То, что уже набрано, он не заменяет. За voice mode доплачивать не нужно, и токены за транскрибацию голоса не учитываются в твоих rate limits. Доступно на планах Pro, Max, Team и Enterprise, раскатывают волнами.

🪖🪖🪖

AI-агент, который управляет телефоном через обычный текст 💖 Один разработчик выложил в опенсорс проект PhoneDriver. Он работает на визуальной модели Qwen3-VL, умеет понимать, что на экране телефона, и имитировать действия человека. Достаточно просто описать задачу, например: "Открой настройки и включи Wi-Fi". Модель сама анализирует элементы интерфейса и через команды ADB выполняет клики, свайпы или ввод текста. Есть визуальный веб-интерфейс: можно в реальном времени смотреть скриншоты с телефона и логи выполнения. Также поддерживается автоопределение разрешения экрана, плюс можно настраивать параметры модели, задержку действий, число ретраев и т.д. Для деплоя в основном нужны Python и окружение ADB. Ещё нужна видеокарта с достаточным объёмом VRAM, чтобы тянуть 4B или 8B визуальную модель, а на телефоне должен быть включён USB Debugging.

Запустить несколько headless-инстансов под скрейпинг/тесты/автоматизацию легко. А вот поднимать их, следить за жизненным циклом, нормально гасить и чистить ресурсы не очень. Всё расползается в набор разрозненных скриптов. А что если был бы простой отдельный инструмент ровно под эту задачу? 💓 Знакомься, Pinchtab это легковесный Go-бинарник (12 МБ), который запускает Chrome и поднимает простой HTTP API. Любой агент или скрипт может через него ходить по страницам, быстро читать текст, интерактивно кликать/вводить и сохранять сессии. Ноль конфигурации, без привязки к фреймворкам, экономит токены. Pinchtab это пакет для Node.js. Установка:

npm install pinchtab

Дальше пример, поднимаем “флот” браузеров.

const { Pinchtab } = require('pinchtab');

const orchestrator = new Pinchtab();
// Запускаем 3 headless-инстанса Chrome
const fleet = await orchestrator.launch(3);

// fleet содержит данные для подключения (например WS endpoints) для каждого инстанса
console.log(fleet);

// Потом аккуратно гасим весь флот
await orchestrator.destroy();

За деталями, расширенной конфигурацией и CLI проще всего идти в репозиторий GitHub, там все расписано.

Похоже, GPT-5.4 уже вот-вот. По слухам, там будет контекст примерно на 2 млн токенов, реальное персистентное состояние между сессиями и переработанная архитектура памяти, заточенная под автономных агентов. Если это правда, то это полноценная смена поколения, которая может за ночь перезапустить всю гонку ИИ. 😳

OpenClaw получил нечестное преимущество над всеми остальными AI-агентами Теперь он умеет использовать Scrapling, чтобы скрейпить любые сайты и не отлетать на Cloudflare. И тебе не нужно поддерживать селекторы, когда сайт обновляет структуру. - В 774 раза быстрее, чем BeautifulSoup. - Нулевое детектирование бота. - Нативно обходит ВСЕ защиты Cloudflare. Полностью open source (100%). 🎸

На Hacker News сейчас в топе вот эта статья: https://mksg.lu/blog/context-mode Рекомендую глянуть, автор придумал подход Context Mode, чтобы экономить токены контекста. Когда дергаешь MCP, вызов инструмента жрет контекст с двух сторон: и вход, и выход тратят токены. Решение автора: Context Mode. Он добавляет прослойку между Claude Code и выводом внешних инструментов. Главная цель: не пускать сырые большие куски данных в контекстное окно. За счет этого можно получить до 98% экономии контекста. Как это работает: 1. Песочница и изоляция выполнения. Каждый вызов инструмента крутится в отдельном подпроцессе, есть поддержка 10 рантаймов (JS, Python и т.д.). В контекст возвращается только результат из stdout, а исходный объемный вывод остается внутри песочницы и не попадает в контекст. 2. База знаний + сжатый вывод. Markdown-контент индексируется через SQLite FTS5 virtual table + BM25 ranking + Porter stemming. Когда модели нужно, она точечно вытягивает нужные блоки кода, вместо того чтобы пихать в контекст резюме или весь текст целиком. Данные из тестов автора: ➡️Playwright snapshot: 56 KB -> 299 B ➡️20 GitHub Issue: 59 KB -> 1.1 KB ➡️500 access logs: 45 KB -> 155 B ➡️Анализ CSV на 500 строк: 85 KB -> 222 B ➡️153 git commit logs: 11.6 KB -> 107 B По идее очень похоже на то, что Cloudflare раньше выпускали как Code Mode. 100% опенсорс 👋

AGENTS.md-файлы не масштабируются дальше умеренных кодовых баз. В последнее время об этом много спорят. Если ты делаешь серьезный софт с Claude Code или любым агентным инструментом, один-единственный AGENTS.md в какой-то момент тебя подведет. Эта статья показывает, что идет дальше. Прототип на 1 000 строк можно целиком описать одним промптом. Система на 100 000 строк так не работает. ИИ нужно снова и снова, надежно и последовательно, объяснять: как устроен проект, каким паттернам следовать и каких ошибок избегать. Однофайловые манифесты очень быстро упираются в потолок. В новой статье Codified Context описана трехуровневая инфраструктура, собранная в ходе реальной разработки распределенной C#-системы на 108 000 строк кода: 283 сессии за 70 дней. Система использует трехуровневую архитектуру памяти: - конституция горячей памяти (660 строк, всегда загружается) - 19 специализированных доменных агент-экспертов (в сумме 9 300 строк), которые вызываются под конкретные задачи - база знаний холодной памяти из 34 спецификаций (~16 250 строк), по которой делают запросы по требованию через MCP retrieval-сервер За 283 сессии это дало 2 801 человеческий промпт, 1 197 вызовов агентов и 16 522 автономных хода агента, примерно по 6 автономных ходов на один человеческий промпт, при соотношении knowledge-to-code 24,2%. Ключевой момент: ничего не проектировали заранее. Каждый новый агент и каждая спецификация появлялись из реального фейла: повторяющегося бага, архитектурной ошибки, забытой договоренности. Это фиксировали так, чтобы больше никогда не приходилось заново объяснять одно и то же, превращая документацию в опорную инфраструктуру, от которой агенты зависят как от памяти, а не как от справочника. Кому интересно: https://arxiv.org/abs/2602.20478 👃

Коллеги, кто до сих пор не выкупил, что умеет OpenClaw, лучше просто идите и форкните этот GitHub. Автор собрал 30+ приземленных кейсов. Про шаблоны, которые можно взять и запустить. Обычному человеку достаточно подставить свой контент, и уже будет работать. Какие есть практичные кейсы? - Автоматически собирать и кратко суммировать самое годное из твоих любимых сабреддитов на Reddit - Тянуть свежие видео с YouTube-канала и делать по ним саммари - Агрегировать RSS / X / GitHub / и вообще тех. новости со всего интернета - Помогать с маркет-ресерчем - И даже прогонять весь пайплайн разработки игры Много полезных кейсов. 👃

Тут подогнали опенсорсный веб-интерфейс для OpenClaw : ChatClaw 🤙 - WebSocket напрямую к Gateway: стриминг ответов, несколько сессий, Markdown и подсветка кода. - Чистый фронт без бэка: API-ключи и история чатов полностью хранятся локально (Dexie.js), данные вообще не уходят с устройства. - Сделано на Next.js 16 + Tailwind + shadcn/ui, адаптив под разные экраны. - Воссоздаёт минималистичный UI как у Claude, есть переключение светлая/тёмная тема и экспорт истории/конфигов. ИСХОДНИКИ

Ollama теперь умеет запускать сабагентов в OpenCode. Можно распараллеливать задачи, которым нужен более длинный контекст: ресёрч, рефакторинг и код-ревью. ollama launch opencode

Alibaba выкатили для комьюнити AI-агентов бесплатную прод-песочницу. OpenSandbox это фулл-стэк платформа, чтобы безопасно гонять недоверенный код агента: - единые API + SDK под разные языки - рантаймы на Docker и Kubernetes, заточенные под агент-сценарии - автоматизация браузера, десктоп (в стиле VS Code) и изоляция сети из коробки - рассчитано на код-агентов, GUI агентов, оценку агентов и вообще любые задачи, где надо запускать код в изоляции Это не пет-проект, а опенсорс от Alibaba. На GitHub сейчас около 2.5k звёзд (цифра, естественно, быстро меняется). Короче, безопасную инфраструктуру под агентов, которую обычно пришлось бы пилить самому, тут просто отдают готовой. 😊

Гений закрыл серьёзную слепую зону в недавно вышедшем skill для fine-tuning от HuggingFace HuggingFace выпустили skill, который можно подключить к Claude или любому кодинг-агенту, и он позволяет дообучать open-source LLM-ки на обычном тексте. Агент сам делает выбор GPU, сабмитит джобу, мониторит прогресс и пушит готовую модель на Hub. Но есть нюанс. Он предполагает, что у тебя уже есть чистый датасет на HuggingFace Hub. А в реальности данные, на которых чаще всего хочется дообучаться, живут в Twitter, LinkedIn, Reddit, Amazon и на других платформах за антибот-защитой. Поэтому гений интегрировал Bright Data Web MCP в этот skill, чтобы coding-агент мог собирать данные из веба перед тем, как запускать обучение: - Скрапить данные с платформ вроде YouTube, Amazon или Reddit, при этом CAPTCHA и антибот-системы обрабатываются автоматически. - Преобразовывать собранный контент в датасет для fine-tuning в нужном формате. - Валидировать датасет, подобрать GPU-железо и отправить training job в HuggingFace. - Следить за ходом обучения и пушить готовую модель на Hub. С этим обновлением теперь можно сказать Claude что-то вроде: "Собери топ-500 обсуждений про Python с Reddit, конвертни их в instruction-response пары и дообучи Qwen3-0.6B на этом датасете через SFT." И агент дальше сам сделает сбор данных, форматирование, обучение и деплой в одном пайплайне. Оригинальный skill от HuggingFace отлично закрывал часть с обучением, её и не трогали. Чувак просто добавил недостающий слой сбора данных через Bright Data MCP, который поддерживает 60+ web data tools для 40+ платформ. Почему именно Bright Data? Агентам в вебе часто прилетают IP-блокировки и CAPTCHA. Bright Data берёт это на себя за кулисами. Это позволяет масштабировать скрейпинг без постоянных блоков, симулировать действия реального пользователя на сложных сайтах и работать как с real-time, так и с историческими данными с 40+ платформ. 100% опенсорс 💼

Можно моментально прокачать вайбкодинг-фронтенд в 10 раз, просто выучив, как называются разные UI-компоненты: https://component.gallery/ А то Opus, конечно, генерит дефолтные шаблоны, потому что из словаря у тебя только menu и button. 🤭

Что на самом деле выбирает Claude Code, если попросить его что-то собрать, вообще не называя в запросе никакие инструменты. Парни 2 430 раз натравили Claude Code на реальные репозитории и смотрели, что он выбирает. Ни в одном промпте не было названий инструментов. Только открытые, не зауженные вопросы. 3 модели · 4 типа проектов · 20 категорий инструментов · 85,3% доля извлечений Главный вывод: Claude Code скорее строит, чем покупает. Custom/DIY это самый частый одиночный ярлык, который удалось извлечь: он всплыл в 12 из 20 категорий (при этом он размазан по категориям, тогда как конкретные инструменты обычно привязаны к одной категории). Когда его просят “добавь feature flags”, он собирает конфиг-систему на env vars и раскатку по процентам вместо того, чтобы рекомендовать LaunchDarkly. Когда просят “добавь auth” в Python, он пишет JWT + bcrypt с нуля. А если он всё-таки выбирает инструмент, то выбирает жёстко и без метаний: GitHub Actions 94%, Stripe 91%, shadcn/ui 90%. Полный отчёт здесь: https://amplifying.ai/research/claude-code-picks