Время Валеры
Мне платят за то, что я говорю другим людям что им делать. Автор книги https://www.manning.com/books/machine-learning-system-design https://venheads.io https://www.linkedin.com/in/venheads Реклама: @arturtimofeevv
Mostrar más📈 Análisis del canal de Telegram Время Валеры
El canal Время Валеры (@cryptovalerii) en el segmento lingüístico de Ruso es un actor destacado. Actualmente la comunidad reúne a 32 101 suscriptores, ocupando la posición 4 175 en la categoría Tecnologías y Aplicaciones y el puesto 19 856 en la región Rusia.
📊 Métricas de audiencia y dinámica
Desde su creación el невідомо, el proyecto ha mostrado un crecimiento acelerado, reuniendo a 32 101 suscriptores.
Según los últimos datos del 20 noviembre, 2026, el canal mantiene una actividad estable. En los últimos 30 días la variación de miembros fue de 170, y en las últimas 24 horas de -20, conservando un alto alcance.
- Estado de verificación: No verificado
- Tasa de interacción (ER): El promedio de interacción de la audiencia es 68.27%. Durante las primeras 24 horas tras publicar, el contenido suele obtener 25.82% de reacciones respecto al total de suscriptores.
- Alcance de las publicaciones: Cada publicación recibe en promedio 21 918 visualizaciones. En el primer día suele acumular 8 291 visualizaciones.
- Reacciones e interacción: La audiencia responde de forma activa: el promedio de reacciones por publicación es 215.
- Intereses temáticos: El contenido se centra en temas clave como engineer, claude, стартап, архитектура, many.
📝 Descripción y política de contenido
El autor describe el recurso como un espacio para expresar opiniones subjetivas:
“Мне платят за то, что я говорю другим людям что им делать.
Автор книги https://www.manning.com/books/machine-learning-system-design
https://venheads.io
https://www.linkedin.com/in/venheads
Реклама: @arturtimofeevv”
Gracias a la alta frecuencia de actualizaciones (últimos datos recibidos el 21 noviembre, 2026), el canal mantiene la vigencia y un amplio alcance. La analítica demuestra que la audiencia interactúa activamente con el contenido, lo que lo convierte en un punto de referencia dentro de la categoría Tecnologías y Aplicaciones.
Cargando datos
| Fecha | Crecimiento de Suscriptores | Menciones | Canales | |
| 21 noviembre | +11 | |||
| 20 noviembre | +14 | |||
| 19 noviembre | +12 | |||
| 18 noviembre | +20 | |||
| 17 noviembre | +13 | |||
| 16 noviembre | +4 | |||
| 15 noviembre | +7 | |||
| 14 noviembre | +6 | |||
| 13 noviembre | +7 | |||
| 12 noviembre | +6 | |||
| 11 noviembre | +6 | |||
| 10 noviembre | +6 | |||
| 09 noviembre | +17 | |||
| 08 noviembre | +14 | |||
| 07 noviembre | +48 | |||
| 06 noviembre | +13 | |||
| 05 noviembre | +10 | |||
| 04 noviembre | +10 | |||
| 03 noviembre | +32 | |||
| 02 noviembre | +27 | |||
| 01 noviembre | +8 |
| 2 | Вчера ужинал с коллегами - все директора, distinguished engineers.
Одному из них говорю:
- Помнишь, что я тебе обещал?
- Нет.
- Ну ладно.
Достаю рюкзак, начинаю вытаскивать книгу, и он:
- А, книгу!
Дарю ему книгу. И тут сидящий рядом distinguished engineer смотрит на меня и спрашивает:
- А что, ты автор этой книги?
- Да.
- Офигеть! Это же суперизвестная книга! Ты вообще знаешь, насколько она известная?! (Эх чел, это ты еще на датафесте не был)
И ещё минут 20 рассказывал мне, какая это крутая и известная книга ( А я как автор (Арсений - ты тоже) - нет)
Самое смешное, что мы с ним уже какое-то время работаем вместе, но он так и не сопоставил, что автор книги и я - один и тот же человек. Даже после этого ещё минут 20 не мог поверить.
Причём чувак отвечает за Search и Information Retrieval.
Пришлось уточнить у него, уверен ли он, что у него с retrieval всё в порядке. | 10 865 |
| 3 | Посмотрел Trisigma — платформу для A/B-тестирования от Авито
Хотел написать уже давно: получил доступ к демо Trisigma, изучил интерфейс и задал команде девять дополнительных вопросов.
В целом впечатление очень положительное. Видно, что проектировали люди, которые понимают, как устроено A/B-тестирование на практике.
Что особенно понравилось
1. Полноценная работа с метриками
Есть централизованный реестр с владельцами, источниками, тегами и приоритетами, возможность посмотреть SQL-код расчёта. Метрики можно создавать через интерфейс или конфигурации в Git. Это важная часть инфраструктуры экспериментов: единые определения метрик позволяют избежать ситуаций, когда разные команды по-разному считают один и тот же показатель.
2. Управление трафиком и экспериментами
Реализована система слоёв с детерминированным распределением пользователей по слотам. Есть управление конфликтующими экспериментами, возможность запускать независимые тесты параллельно, списки идентификаторов участников, клонирование вариантов.
3. Статистические методы
* Автоматическая проверка SRM через критерий хи-квадрат, в том числе для неравномерного распределения трафика.
* CUPED для снижения дисперсии.
* Поддержка ratio-метрик с оценкой дисперсии через дельта-метод и использованием 256 бакетов.
* t-тест Уэлча, отдельная проверка числителя и знаменателя ratio-метрик.
* Линеаризация и кластерно-робастные стандартные ошибки для switchback-экспериментов.
* Калькулятор MDE с учётом ошибок первого и второго рода и доступного трафика.
То есть внутри есть не только стандартные проверки статистической значимости, но и вполне серьёзный набор методов для более сложных экспериментов.
4. Контроль качества экспериментов
Есть журнал пересчётов, ежедневные отчёты и проверки здоровья эксперимента. Команда также тестирует режим, в котором первые два дня результаты обновляются каждые 15 минут.
Что хотелось бы улучшить
* Автоматические алерты по здоровью экспериментов и guardrail-метрикам
* более продвинутые проверки пересечения экспериментов
* CUPAC и постстратификацию.
* Последовательное тестирование (говорят, запланировано на первую половину 2027 года).
* Также интересно, насколько автоматизирована ротация соли между последовательными экспериментами, чтобы минимизировать carryover effects.
Возможно, чего-то ещё не хватает и нужно добавить, а я пропустил?
Вывод: выглядит как достаточно зрелая инфраструктура для управления экспериментами, а не просто инструмент для расчёта статистической значимости. Особенно понравились внимание к воспроизводимости метрик, управление конфликтами и реализованные статистические методы.
Разумеется, это оценка демо и технических ответов команды, а не аудит эксплуатации. Но пока впечатления очень хорошие. | 11 320 |
| 4 | Вернулся из Алматы под огромным впечатлением от Higgsfield.
Ребята просто невероятные. И атмосфера, и условия, и сама дата-команда. Дидар, который её собрал, - замечательный. Команда - умные, молодые, голодные ребята. А главное - то, насколько они преданы своему делу, насколько им всё это интересно и как они кайфуют от того, что делают.
Очень напомнило мне мои времена в Яндекс.Советнике, куда я пришёл первым аналитиком, когда Яндекс только купил этот стартап. Немного напомнило Blockchain.com и первый год работы в X5.
В ближайшее время выпустим видео с ребятами из команды аналитики Higgsfield.
Дидару, Алексу, Ерзату и всей команде - всяческих успехов! | 16 763 |
| 5 | Учить студентов воспроизводить результаты научных статей - абсолютно правильная идея. Более того, удивительно, что такие курсы не стали обязательной частью ML-образования много лет назад.
Посмотрел новый подкаст, где руководитель ШАДа Яндекса обсуждает программу: Воспроизведение экспериментов из лучших современных статей. В ней могут поучаствовать студенты из любых ВУЗов. Вместе с менторами они в течение двух недель пытаются повторить результаты опубликованных исследований. И обнаруживают, что далеко не всегда это получается.
Проблема, на самом деле, фундаментальная.
Ещё в 2019 году вышла замечательная статья Are We Really Making Much Progress?, авторы которой исследовали прогресс в рекомендательных системах. Оказалось, что многие опубликованные результаты трудно воспроизвести, а некоторые современные нейросетевые подходы проигрывают гораздо более простым, но правильно настроенным алгоритмам.
Сейчас мы наблюдаем похожую историю с LLM. Новая модель выходит, разрывает существующие бенчмарки, объявляется очередным прорывом. Проходит несколько месяцев, появляются новые бенчи - и расстановка сил существенно (и каждый раз неожиданно!) меняется.
Игорь как раз выступал на Higgsfield Data Day с докладом. Похожие оценки - разные истории, как раз на близкую тему, о бенчмарках и интерпретации результатов.
Я в рамках собственного курса постоянно повторяю одну мысль: если ты умеешь измерять, изменять и откатываться обратно, ты можешь построить монотонно улучшаемую систему.
Результаты измерений должны быть воспроизводимыми. Иначе ты просто не знаешь, действительно ли твоя система стала лучше или тебе повезло с экспериментом.
И это касается далеко не только научных публикаций. Это один из краеугольных камней проектирования любых ML-систем: корректные метрики, честные бейзлайны, воспроизводимые эксперименты и возможность проверить каждое улучшение.
Воспроизводимости нужно учить студентов с самого начала. Причём не как отдельной академической дисциплине, а как фундаментальному инженерному навыку.
Самое интересное, что идея кажется совершенно очевидной. Но это как раз тот случай, когда смотришь на чужое решение и думаешь: почему мы сами не сделали этого десять лет назад? | 21 302 |
| 6 | Начинаем через 7 минут, фотка с ребятами, которых привезли (и с Анатолием Карповым). Ребят спрашивали, не шахматисты ли они, потому что в списке у водителя среди прочих был известный шахматист. | 21 643 |
| 7 | Завтра — Data Day — Higgsfield
Трансляция 7 ноября (ссылка)
Записи скорее всего не будет
Начало: 15:00 Алматы · 13:00 МСК
Программа — время Алматы:
15:00 - Ерзат Дулат, CTO и co-founder Higgsfield, открытие
15:15 - Ануар Аймолдин, DSML.KZ
15:45 - Вадерий Бабушкин, Время Валеры
16:15 - Игорь Котенков, Сиолошная
17:00 - Роман Ященко, Higgsfield
17:30 - Анатолий Карпов, KarpovCourses
18:00 - Дидар Нуркаир, Higgsfield | 22 483 |
| 8 | Буду в Алматы примерно 10 дней, с 5 по 14 ноября.
Создал небольшую группу на случай, если есть желающие собраться или что-то организовать.
Ссылку на группу оставил в комментариях. | 23 523 |
| 9 | 7 ноября лечу в Алматы на data-митап Higgsfield - и привезу кого-то с собой
Те, кто пропустил посты выше:
Higgsfield - одна из самых быстрорастущих GenAI-компаний: $1B годовой выручки в run rate, 30M+ пользователей, 6M+ генераций в день. Сейчас они активно инвестируют в дата-команду - аналитиков, DS и ML-инженеров - и устраивают митап, где расскажут, как устроены данные в продукте такого масштаба. Я тоже выступаю.
Higgsfield оплатит перелёт и гостиницу трём сильным ребятам, откуда бы вы они были. Приезжаете на выходные, слушаете доклады, знакомитесь с командой, а если захотите - можно пройти собеседование прямо на месте.
Как попасть:
- заполнить гугл форму до 3 ноября: [ссылка]
- рассказать о себе и об одном проекте, которым гордитесь
- отбирать буду лично, имена объявлю во вторник
Кто не прилетит - будет трансляция / выложим записи на YouTube
Когда: суббота, 7 ноября
Где: Алматы, площадку объявлю позже | 25 670 |
| 10 | N-граммы ещё нужны
Забавно наблюдать, как вещи из древнего NLP мира продолжают приносить пользу в эру генеративных моделей.
Биграммы, триграммы, статистики последовательностей - казалось бы, кому это нужно
И вот Herman Brunborg показал решение для NanoGPT Speedrun, которое ускоряет NanoGPT в 6 раз, с 39.9 до 6.7 секунд . В основе - трансформер, которому помогают n-граммы.
Идея довольно простая: посмотреть, встречалась ли уже такая последовательность токенов, и подсказать модели, что идет после неё и с какой вероятностью и надежностью. Здесь используются последовательности длиной 6, 10 и 20 токенов. Трансформер просто получает дополнительную информацию из отдельного индекса. GitHub
Условный пример: какой-то фрагмент встретился в текстах сто раз, и в девяноста пяти случаях после него было одно и то же слово. Это полезная подсказка. Зачем обязательно заставлять нейросеть запоминать такую закономерность исключительно в весах, если можно ещё и дать подсказку.
Причём придумать подсказку — половина дела. Нужно успеть построить и использовать индекс, иначе всё ускорение съест работа с ним. У Brunborg CPU обрабатывает корпус из 37 миллиардов токенов параллельно с обучением нейросети. То есть результат получен в том числе за счёт того, что в работу включили дополнительные ресурсы машины.
Поможет пост Игоря про домашку Anthropic. В самом разборе Игорь поясняет за SIMD - когда одна инструкция обрабатывает сразу несколько элементов, работу с памятью и планирование параллельных операций и последовательно сокращает выполнение задачи со 147 тысяч до 2262 тактов, ускоряя примерно в 65 раз. Очень наглядный пример того, зачем вообще разбираться, как исполняется твой код.
Оговорка: это конкретный бенчмарк, где помогают точные совпадения с обучающими текстами. Х6 (Х5?) не гарантируется, но трюк хороший и опять же - 6.7
Оговорка номер 2. Transformer trained with hints performs slightly worse without those hints than a comparable model trained without retrieval. Возможно AGI так не построить | 23 378 |
| 11 | Очень хороший пост от Gergely - автора pragmatic engineer
Причина, по которой SWE/IT находится в таком привилегированном положении в плане зарплат, условий и локаций (от легкого переезда до удаленки), связана не столько с тем, что это область, в которую сложно войти, а в том, что сама область постоянно изменяется, и необходимо постоянно учиться и адаптироваться. Далее он пишет, что в отрасли был период стабильности в 10 лет, в который люди, казалось, забыли, что премиум платится именно за это.
Согласен со многим, в том числе это одна из причин, почему ML-специалисты и около них не сильно пострадали: этим добрякам все эти 10 лет приходилось постоянно себя переизобретать, и далеко не все выдерживали.Знаю многих, которые ушли из профессии как раз по этой причине: нужно постоянно, непрерывно учиться.
I think many of us working in tech tend to forget that the reason software engineering vs other engineering fields pays (a lot!) more, is a lot more flexible (WFH/remote), and has better perks:
Because this field changes much faster than other engineering fields. The premium is because fewer people are able/willing to pick up new technologies, methodologies so quickly.
But the field had ~10-20 years of stability, and so lots of folks forgot this is why a premium exists. And that AI is just another tech wave: software engineers who pick it up and master it will generally fare better; those not will struggle a lot more.
Ask your mechanical engineer, electrical engineer, civil engineer, chemical engineer friends (if you have them) what their pay is; how much equity; how easy it’s to work remote; and how easy to live countries without taking country-specific exams or learning the local language.
Software engineering is a privileged field in many ways: but it’s like this because few enough put up with the brutal pace of change that happens periodically, and leaves those behind who don’t like sudden and less predictable change.
In some ways: the job IS the ability and willingness to learn and adapt new technologies, fast, while building real-world stuff that makes money for the business one way or the other. We are paid a hefty premium to do exactly this, and because few enough people do this. | 21 119 |
| 12 | Вот и Джейсон подключился | 18 031 |
| 13 | Встретился с основателями Higgsfield, договорились, что помогу собрать топовую команду DS и аналитики.
В ближайшее время буду работать с ребятами и их Head of Data Дидаром: помогать с наймом, участвовать в интервью и формировании команды. Планирую прилететь в Алматы на неделю-другую и познакомиться со всеми лично.
Higgsfield делает AI-платформу для генерации контента. Классная комбинация задач: эксперименты, продуктовый рост, монетизация, платежи, антифрод. И отдельно — работа с последовательностями действий пользователей: как помочь человеку быстрее получить нужный результат генерации и попробовать натравить на это Reinforcement learning
Кого ищем:
• Product Analyst — продукт, удержание, монетизация.
• Product Scientist — эксперименты, causal inference, ML для продуктовых решений.
• Marketing / Growth Analyst — привлечение пользователей и эффективность маркетинга.
• Payments Analyst — платежи, подписки и причины отказов.
• Antifraud Analyst и Antifraud Scientist — расследования и модели против мошенничества.
Есть также роли в B2B-продуктовой аналитике, CX / SEO / GEO и analytics engineering.
Нужны люди с сильной базой, которые умеют разбираться в задаче, задавать вопросы и самостоятельно доводить работу до результата.
По условиям: $100–350k в год + опционы, в зависимости от роли и уровня. Работа в офисе в Алматы, с финансовой и организационной поддержкой релокации. Темп высокий, рабочая неделя — шесть дней. Это стоит учитывать сразу.
Для понимания задач — пара историй от ребят. Их антифрод-аналитик вычислил мошенника, которого искало ФБР, и помог собрать доказательства для дела. А руководитель Growth-аналитики разработал метрики, которые помогли компании закрыть раунд на $400 млн, и получил $5 млн опционами.
Планируем первый стрим с Дидаром: поговорим о задачах, команде, подходе к работе и найме. Дату и время сообщу отдельно. Вопросы можно уже оставлять в комментариях.
Если интересно — пишите мне @Venheads, обсудим, какая роль может подойти. Можно сразу откликнуться по ссылкам или написать рекрутеру @anton_higgs.
Все вакансии — здесь.
How Higgsfield Became One of the Fastest-Growing AI Video Platforms for Creators and Startups | 21 256 |
| 14 | Выкладываю запись стрима про дизайн Агентских систем | 17 829 |
| 15 | 🎙🎙🎙🎙🎙
Главный признак, что пора в сеньоры ML: сложные кейсы перестали казаться сложными, а новые проекты — по-настоящему новыми.
Если вы все чаще ловите себя на мысли, что пора расти дальше, приходите на прямой эфир с Валерием Бабушкиным — человеком, который сам прошел путь до сеньора в машинном обучении и может дать вам экспертный совет ✅
↖️ Прямой эфир с Валерием Бабушкиным
Как расти в ML: грейды, собеседования и проектирование систем
Встреча пройдет в формате Q&A. Каждый участник сможет задать вопрос Валерию о карьере и получить экспертный ответ. Заодно обсудим, как перейти от роли исполнителя к участию в проектировании ML-систем.
Будет полезно продактам и проджект-менеджерам, тимлидам ML-команд, ML-инженерам, DS, MLOps (middle+) и свитчерам из разработки или аналитики.
❓Свой вопрос можете отправить при регистрации на событие или в чат во время эфира.
Спикер:
Валерий Бабушкин — старший директор данных, аналитики и искусственного интеллекта в British Petroleum.
📅 Когда: 15 октября в 19:00 мск
📌 Записаться | 21 752 |
| 16 | Комментарии и вопросы по стриму можно оставлять здесь. | 19 033 |
| 17 | Вчера общался со старшим директором по Data Science в одной компании в Штатах. Оказалось, что именно она была автором той самой модели в Target, которая в своё время отправила купоны со скидками на детские товары в семью, где отец ещё не знал, что его дочь беременна.
Той самой, после которой он в ярости прибежал в ближайший магазин Target разбираться: С какого перепуга вы присылаете моей дочери такое (My daughter got this in the mail!” he said.“She’s still in high school, and you’re sending her coupons for baby clothes and cribs? Are you trying to encourage her to get pregnant?)? А спустя некоторое время вернулся и сказал: Да, она беременна.
У меня к ней был один главный вопрос. В сообществе ведь ходили две версии этой байки. По одной, девушка сама ещё не знала о беременности, а модель уже всё поняла. По другой — девушка знала и уже покупала какие-то товары, по которым модель определила беременность и начала предлагать скидки на соответствующие покупки. Не знал только отец.
Ну и тайна раскрылась: по её словам, сама девушка уже знала, что беременна.
Конечно, забавно в какой-то момент карьеры встречать людей, о которых ты никогда не слышал, но прекрасно знаешь о том, что они создали.
А еще она пишет детские книжки | 27 744 |
| 18 | Прежде чем делиться документом, его полезно сжать, сохранив информацию (скилл здесь, https://t.me/cryptovalerii/999 - если сжимает мало, попросите сделать экстремальное сжатие). Читателю меньше работы, автору приходится разобраться, что он вообще хотел сказать, для модели — компаундный эффект (экономия на каждом прогоне).
С контекстом для LLM похожая история (часто документ и является контекстом), только хуже.
Допустим, вы делаете агента, которому нужны данные из интернета. Проблемы начинаются раньше, чем кажется: нужен программный доступ к поисковой выдаче, а его негде взять. И даже когда доступ есть, найти страницы недостаточно — их нужно скачать, почистить HTML, нарезать на фрагменты, выбрать подходящие и передать модели.
Я уже рассказывал про Yandex Scale — теперь у них появились Smart Snippets в Yandex Search API. Отправляете запрос, получаете релевантные фрагменты найденных страниц с цитатами и ссылками на источники. Поиск и подготовка веб-контекста — одним вызовом API.
Каждый фрагмент — примерно 500 токенов. В контекст идут выбранные части страниц. Итоговый ответ на их основе формирует ваша модель: Smart Snippets подготавливают для неё материал.
По данным Yandex Cloud, это сокращает количество токенов веб-контекста до 3 раз при том же качестве ответа.
Тут полезно правильно посчитать экономику. Если веб-контекст сократился втрое, весь счёт за LLM втрое не уменьшится из за остальной обертки: остаются инструкции, история диалога, генерация ответа. Плюс стоимость самого поиска. Но если агент регулярно ходит в интернет и приносит много текста, оптимизировать эту часть вполне имеет смысл.
Ну и приятная возможность — снять с себя часть работы по обработке веб-контента. Это, к сожалению, не значит, что поддерживать становится нечего: свой код вокруг ответа API остаётся, и отвечать за то, как это работает в проде, всё равно кому-то придётся.
Есть смысл потестировать на своих запросах качество ответов, полную стоимость запроса и задержку. Если качество сохраняется, а стоимость и объём поддержки снижаются — есть вполне понятная причина использовать.
Протестировать можно здесь | 20 915 |
| 19 | Нет совета директоров? Одолжим на вечер: в четверг шесть экспертов разберут ваш AI-проект
Обычно на вопрос «как запустить AI-продукт» отвечает кто-то один. И отвечает со своей колокольни: технолог про архитектуру, предприниматель про продажи, инвестор про метрики.
В четверг мы соберём за одним столом шесть человек с очень разным опытом. По сути, это совет директоров, которого у ранних проектов обычно нет:
Валерий Бабушкин — взгляд технолога, который строил ML в Alibaba и руководил AI-командами до 600 человек
Игорь Зуев — взгляд практика, в портфеле которого 30+ приложений на рынок ЕС и США, выручка $1.5 млн+ в год
Артём Субботин — взгляд продуктовика, который 20 лет создаёт тренды в hardware
Николай Хлебинский — взгляд серийного предпринимателя, который построил Retail Rocket
Александр Горный — взгляд стратега, который в Mail.Ru Group (VK) помогал выбирать компании для покупок и инвестиций на полмиллиарда долларов
Андрей Резинкин — взгляд инвестора, в чьём портфеле 20+ стартапов на разных стадиях: от идеи до $100 млн выручки
Где искать нишу, на чём собирать, откуда брать первых клиентов и когда пора масштабироваться — у каждого из шестерых будет свой ответ. И самое полезное начнётся там, где они не согласятся друг с другом.
В конце Q&A: приходите с вопросом по своему проекту, совет директоров его рассмотрит.
Эфир для всех, кто делает AI-продукт, думает о запуске или хочет понять, где в AI сейчас деньги.
📅 Четверг, 8 октября, 19:00–21:00 мск, Zoom
💰 Бесплатно. Условие одно: подписка на каналы спикеров, бот всё проверит
Ссылку на эфир и запись получат только зарегистрированные:
👉 Занять место на эфире | 15 791 |
| 20 | В воскресенье, 11 октября в 19 по Лондону (21 по мск), проведём стрим с моим другом и будущим соавтором книги про дизайн агентских систем — Алексеем.
Он долгое время работал в информационной безопасности: разрабатывал антивирусные технологии, системы обнаружения сложных целенаправленных атак и инфраструктуру для обработки больших объёмов данных. Технологии, созданные под его руководством, лицензировали и использовали Яндекс, ВКонтакте, Одноклассники и другие крупные компании.
Последние несколько лет Алексей строит production-агентов для бизнеса — системы, которым можно доверить реальные бизнес-процессы.
В центре его интересов — архитектура агентских систем и agent harness, tool calling, управление контекстом, evals, а также надёжность и контроль поведения агентов в production. | 20 659 |
