¡Ya disponible! Investigación de Telegram 2025 — los principales insights del año 
Внутри AI | Кейсы ИИ Агентов в бизнесе
Ir al canal en Telegram
Внедрение AI в компании от анализа до запуска - https://kts.tech/ai. AI Агенты и их применение в бизнесе Обзоры, кейсы, практика
Mostrar más3 939
Suscriptores
-124 horas
+1237 días
+40330 días
Carga de datos en curso...
Canales Similares
Sin datos
¿Algún problema? Por favor, actualice la página o contacte a nuestro gerente de soporte.
Nube de Etiquetas
Menciones Entrantes y Salientes
---
---
---
---
---
---
Atraer Suscriptores
julio '26
julio '26
+30
en 0 canales
junio '26
+481
en 0 canales
Get PRO
mayo '26
+608
en 1 canales
Get PRO
abril '26
+126
en 0 canales
Get PRO
marzo '26
+601
en 0 canales
Get PRO
febrero '26
+573
en 0 canales
Get PRO
enero '26
+685
en 0 canales
Get PRO
diciembre '25
+181
en 0 canales
Get PRO
noviembre '25
+484
en 1 canales
Get PRO
octubre '25
+144
en 3 canales
Get PRO
septiembre '25
+117
en 4 canales
Get PRO
agosto '25
+44
en 0 canales
Get PRO
julio '25
+30
en 1 canales
Get PRO
junio '25
+110
en 2 canales
Get PRO
mayo '25
+126
en 2 canales
Get PRO
abril '25
+433
en 10 canales
| Fecha | Crecimiento de Suscriptores | Menciones | Canales | |
| 04 julio | +3 | |||
| 03 julio | +2 | |||
| 02 julio | +8 | |||
| 01 julio | +17 |
Publicaciones del Canal
👀 Новые модели в Agent Platform
Хорошая новость для тех, кто тестирует разные LLM под агентские сценарии, внутренние ассистенты, работу с текстом и изображениями. Недавно добавили несколько новых моделей:
Новые модели Anthropic:
—
anthropic/claude-fable-5 нашумевшая fable-5
— anthropic/claude-sonnet-5 для задач, где важны качество ответа, работа с контекстом и сложными инструкциями.
Новые опенсорсные модели, которые показывают хорошие результаты в кодировании, с хостингом в РФ у нашего партнера Cloud.ru:
— cloudru/MiniMaxAI/MiniMax-M3
— cloudru/zai-org/GLM-5.2
Новая модель для работы с изображениями:
— google/gemini-3.1-flash-lite-image
Заходите в Agent Platform протестировать| 2 |  Сегодня студенты живут свою лучшую жизнь…
... потому что им помогают AI-агенты
Обычно подготовка научной или дипломной работы начинается с попыток сформулировать тему и часов поиска подходящей литературы. Для ДВФУ и РАНХиГС мы разработали AI-агента, который выдаёт готовую основу для исследования за минуты.
Вместе с командой ГигаЧат реализовали проект за 3 недели: спроектировали инфраструктуру, настроили RAG и векторизовали 200 000 книг из библиотечных фондов.
По запросу пользователя агент подбирает источники из базы знаний и передаёт их в LLM. Модель ГигаЧата суммаризирует данные и генерирует ответ с формулировками темы, структурой научной работы и списком литературы.
Так за один короткий запрос студент получает всё необходимое для начала исследования без привлечения научного руководителя.
🤨 Этот проект показывает, как AI-решения на основе RAG помогают структурировать разрозненные источники данных, упрощают работу с базами знаний и экономят часы на поиске информации.
Подробности — в кейсе | 384 |
| 3 |  🏆 Ворвались в Рейтинг Рунета 2026
В этом году KTS впервые участвовал в AI-направлении Рейтинга Рунета 2026 — и сразу попал в топ-20, заняв 12 место в номинации «Разработка и внедрение искусственного интеллекта».
Участников рейтинга оценивали по проектам, услугам, отраслевой экспертизе и достижениям за 2025–2026 годы.
Попадание в топ-20 — подтверждение, что наш опыт в AI уже заметен на рынке.
Для нас это важный результат: AI-направление в KTS быстро растёт, а проекты становятся все более прикладными — от внедрения LLM и RAG до AI-агентов и внутренних инструментов для бизнеса.
Благодарим ключевых партнеров: Альфа-Банк, Гигачат, Столото и других лидеров рынка за доверие!
Работаем дальше: усиливаем экспертизу, развиваем AI-решения и двигаемся выше. | 482 |
| 4 | Спецификации на пути к автономной разработке
В прошлых постах рассуждал про инженеров будущего и про автономный цикл создания ПО.
Мы работаем над инструментами для такого AI SDLC (как сейчас модно говорить), и масштаб компании даёт как преимущества, так и создаёт проблемы. С одной стороны, мы видим очень много разных проектов. Это даёт возможность проанализировать их и найти общие паттерны, выработать общие подходы к разработке, стараться автоматизировать их. С другой стороны, внутренние инструменты, которые мы создаём, должны отвечать требованиям очень разных команд. Нет возможности срезать углы и закастомить под конкретную команду — всегда должно быть общее решение.
Теперь вернемся к AI SDLC. По моему мнению, сейчас не столь важны инструменты, сколько создание общей среды для агентов и людей. Накопление знаний и создание единого контекста. LLM и инструменты меняются, данные и знания остаются.
Это значит, что первая задача на пути к автономному созданию ПО — максимально «сблизить» данные, которыми оперируют разные специалисты и агенты. И в первую очередь все собирают бизнес-требования. Spec driven development уже давно звучит из каждого утюга. Но проблема в том, что конечный стейкхолдер выдаёт требования обычно обрывочно и неструктурированно. Их нужно собирать с заказчика, анализировать и на основе этих данных синтезировать спецификацию. А потом согласовывать. И обычно этот процесс ведется в удобных инструментах типа гугл-доков или конфлюенсов, где можно оставить комментарии, предложить изменения и т.д.
Но даже после согласования документации есть не менее объёмная задача — поддержание этой документации в актуальном состоянии. И при этом хочется, чтобы конечные доки лежали в том же месте, что и код, и другие артефакты по проекту. Тогда и получится максимально использовать агентов для последующей генерации уже технической спецификации, кода, тестов и т.д.
В целом, работать через mcp с теми же гугл-доками можно. И мы так и делали в первых итерациях. Проблема в том, что «мостиком» между агентом и документацией тогда является человек, который работает с ними. Он должен указать документ, изменить его (например, автоматически обработать комментарии заказчика), а через MCP часто бывает неудобно (перетирается весь док, нельзя включить режим предложений). А обновить документацию уже потом в процессе разработки — отдельный шаг, который точно кто-нибудь забудет. Мы даже разработали плагин к гугл-докам, который умеет обрабатывать комментарии и вносить правки в режиме предложений. Но этого все ещё недостаточно, потому что кодинговый агент, живущий в репозитории, лучше всего работает с артефактами из этого репозитория.
Поэтому единственное качественное решение, к которому мы пришли: вся документация по бизнес-требованиям должна быть в той же репе в гите. Ок, это не проблема для аналитиков, но заказчик точно не захочет смотреть мерж-реквесты в Гитлабе. Он привык к удобным гугл-докам.
Поэтому нам пришлось разработать сервис для просмотра и согласования документации, которая лежит в репозитории. Сервис позволяет комментировать (через комменты к мерж-реквестам) и редактировать (через коммиты) документы прямо онлайн, полностью имитируя процесс гугл-доков. Теперь большинство аналитиков согласуют с заказчиками документацию в нашем сервисе и она автоматически попадает в репозиторий, где её же использует агент. А комменты от заказчиков можно обрабатывать автоматически. Затем разработчики используют документацию уже для программирования и в процессе разработки могут автоматически (агентом) проапдейтить документацию, если было изменение в процессе реализации.
Но мало сделать, надо еще и внедрить. Для внедрения мы сделали простой yaml-конфиг, описывающий структуру документации в репозитории. Разработчикам / аналитикам нужно добавить только этот конфиг и репозиторий автоматически покажется в интерфейсе сервиса для просмотра и согласования документов.
Вуаля, и вот мы сделали маленький, но важный шажок на пути к автономному AI SDLC.
#сергей_чернобровкин | 579 |
| 5 | Как запускать AI-агентов в закрытом контуре за пару часов
Мы уже рассказывали об AI Platform — это три связанные платформы в одном стеке. Сегодня подробнее разберём верхний слой — агентскую платформу, которая кратно ускоряет запуск AI-решений.
Обычно новый AI-агент в enterprise — это отдельный проект с длительным циклом разработки и внедрения. Нужно проектировать архитектуру, настраивать взаимодействие с другими агентами, права доступа и интеграции с корпоративными системами. В результате деплой одного AI-агента занимает 2-3 месяца.
Агентская платформа сокращает этот цикл до нескольких часов. Что внутри:
▪️ шаблоны под основные классы задач, деплой по коммиту через GitLab CI
▪️ поддержка полноценных агентских сценариев: human in the loop, остановка и возобновление работы агента, ретраи при сбоях инфраструктуры
▪️ мультиагентное взаимодействие, оркестрация каскадов и подключение оператора для подтверждения
▪️ трассировка всей цепочки: промпты, инструменты, стоимость, латентность по каждому шагу
▪️ регрессионные прогоны и сравнение метрик между промптами и моделями перед релизом
«Кроме базового инфраструктурного слоя, сейчас тестируем новый SDLC разработки: агенты разрабатываются кодинг-агентом, а платформа визуализирует потоки данных. Так мы реализуем возможность создавать агентов нетехническими специалистами, как это предполагает no-code-подход. При этом сохраняются все преимущества и надежность классической разработки», — Александр Опрышко, управляющий партнёр KTS
Оцените, как AI Platform работает на ваших данных. Запишитесь на демо, сравните качество и стоимость, чтобы принять решение о пилоте | 653 |
| 6 | Корпоративное ПО в эпоху AI
8 месяцев назад мы с коллегами обсуждали выбор ПО для автоматизации части внутренних процессов. Были в классической ситуации, которую помогаем решать нашим клиентам: каждый отдел использует свои инструменты разного уровня автоматизации, от экселек с аппскриптами до специализированного ПО под конкретные задачи. Типичная «лоскутная автоматизация». Мастер-данные при этом не хранятся в единой системе: сотрудники в 1С, клиенты в CRM, финансы в агрегаторе, отчетность в таблицах, ДО и КЭДО в отдельных сервисах, управление проектами в трекере. Все это помазано сверху самописными сервисами, которые перекладывают данные между системами.
Мы, как и наши клиенты, встали перед выбором: либо делать кастомную систему, либо покупать коробочное решение. Прикинув, что коробка обойдется скорее всего дешевле, мы начали смотреть варианты. И пока выбирали, я начал переделывать одну из систем для хранения маркетинговых данных с nocode на самописную. А мы все еще выбирали, смотрели альтернативы. Любые из них, как и полагается коробкам, были не совсем подходящими для наших данных и процессов. Мы начали обсуждать, как будем натягивать потенциальное решение на текущие системы, что придется поменять в процессах и какие системы придется сделать для синхронизации текущих источников данных.
Тем временем вышел opus4.5, я смог достаточно качественно «кодить» в перерывах между звонками по 5-10 минут. Моя самописная система разрасталась и уже покрывала несколько важных процессов. Затем прошел этап внедрения. Часть администраторов проектов стали работать в моей системе. Постепенно к созданию системы подключились и другие разработчики. За несколько месяцев довели продукт до продакшн-уровня, заместили часть текущих систем, выработали подходы к работе и документации для еще более быстрой разработки. Даже дали менеджерам делать простые инструменты (не затрагивающие кор-функционал) под себя самостоятельно через согласование спецификаций.
Это дало кратный буст и уже значительно сказалось на бизнесе: от прямой экономии ФОТ (проще всего посчитать в экономике) до онлайн-мониторинга показателей и сокращения времени принятия управленческих решений. Всего за несколько месяцев я увидел, как капитализировалась большая часть нашего опыта, данных, процессов, живущая до этого в головах, документах и разрозненных системах.
Более того, благодаря подключению «нетехнарей» получилось сократить цикл создания ценности в продукте: бизнес-пользователи лучше всего знают свои процессы и теперь они могут не рассказывать аналитикам, а что же нужно сделать, чтобы те написали ТЗ, передали в разработку и т.д. Теперь они сами часто пишут ТЗ, согласуют его и реализуют нужный им функционал. (Для скептиков: не пугайтесь, есть гардрейлы и централизованная архитектура, а эффект от распараллеливания кратно превосходит риски).
Раньше это было невозможно в принципе. Сейчас, при правильной подготовке, это дает намного больший синергичный эффект для бизнеса, чем классическая лоскутная автоматизация из кучи коробочных решений.
Видимо, нас ждёт новая эра расцвета кастомной автоматизации, где даже небольшие компании смогут делать ПО под свои процессы, тогда как раньше даже не подумали бы об этом.
#сергей_чернобровкин | 753 |
| 7 | AI-платформа для закрытого контура: агенты, данные, LLM — в одном стеке
Каждая AI-инициатива в enterprise вызывает одни и те же задачи: где взять модель, как её безопасно вызвать, подключить корпоративные данные и развернуть агента в продакшене. Новые AI-решения требует отдельной инфраструктуры и контроля качества, безопасности и бюджета. В результате запуск пилотов растягивается на несколько месяцев.
Для быстрой сборки агентов в закрытом контуре мы разработали решение — AI Platform. Это три платформы в одном стеке, которые работают самостоятельно и предоставляют API соседним слоям.
Агентская платформа. Обеспечивает быстрый деплой нового агента по коммиту из GitLab CI. Доступны мультиагентная оркестрация, точки подтверждения оператора, трассировка всей цепочки: промпты, инструменты, стоимость, латентность по каждому шагу.
Платформа данных. Превращает корпоративные документы в инструменты для агентов: классический RAG, графовый поиск для многосвязанных данных, табличный доступ через MCP без галлюцинирования чисел. При каждом запросе AI-агент видит только те данные, которые доступны конкретному пользователю.
LLM-платформа. Единый OpenAI-совместимый шлюз для on-premise моделей, российских облаков и внешних SOTA. Входит в реестр российского ПО и соответствует 152-ФЗ. Есть учёт расходов в реальном времени, разделение GPU-ресурсов между несколькими LLM на одной карте, наблюдаемость и аудит требований безопасности.
С помощью AI Platform компании быстро тестируют гипотезы и сокращают затраты: агенты разворачиваются на одной инфраструктуре, и маржинальная стоимость каждого снижается с новой итерацией.
Подробнее о том, как работает платформа, рассказали на сайте | 935 |
| 8 | От RAG до агентов: что бизнес ждет от AI?
В подкасте «Большой разговор про AI» Александр Опрышко, сооснователь KTS, рассказал, как AI уже меняет разработку и digital-рынок: от оцифровки базы знаний к агентам конкретных действий, от отдельных ассистентов к AI-центричному подходу в SDLC.
Обсудили:
▫️почему компании так активно смотрят в сторону RAG, ассистентов проектировщиков и аналитики?
▫️как бизнес оценивает эффективность AI-проектов?
▫️почему многие хотят on-premise решения?
▫️куда перестраивается рынок?
▫️какой тренд показывает наш кейс ассистента Альфа-Банка с ROI 6 месяцев?
🔴 Посмотреть выпуск | 941 |
| 9 |  Продолжаем вместе с вами улучшать Agent Platform
Ценим обратную связь и стараемся оперативно добавлять функции по вашим пожеланиям на платформу. Один из частых запросов — детализация расходов и запросов.
▪️ Мониторинг активности: просматривайте расход токенов и количество запросов по разным параметрам — модели, времени и ключам. В личном кабинете доступна история списаний и пополнений, чтобы вам было удобнее контролировать расходы.
▪️ LLM-логи: смотрите историю запросов за последние 30 дней — без содержимого промптов и ответов. Вы увидите, какая модель использовалась, статус запроса и его стоимость.
Обновление открывает возможность добавлять новых топовых провайдеров LLM, а также модели для изображений и видео. Пишите, каких ещё функций вам не хватает — обязательно учтём пожелания в будущих релизах. | 1 078 |
| 10 | Как я нахожу инсайты и отслеживаю личный прогресс с помощью скиллов в Claude
Каждый день я работаю в Claude Code с разными задачами: бизнес- и продуктовые исследования, настройка агентов, проверка новых идей.
В процессе столкнулся с двумя проблемами:
1) При параллельной работе в нескольких окнах с включённым auto-mode часть решений проходит мимо — можно пропустить интересные и полезные инсайты в выборе тактики.
2) Когда фоном ведёшь несколько задач, иногда в порыве теряешь фокус. При этом хочется фиксировать, что ежедневная работа действительно ведёт к поставленным целям.
Чтобы закрыть эти боли, я настроил скиллы /insight и /progress.
/insight. В конце сессии смотрит, было ли в ней то, что стоит запомнить. Если да — пишет короткую запись в журнал (.md) в фиксированном формате. Если нет — молчит. Встроил фильтр по критериям интересного, адаптировал под свою роль (например, исключил решения про кодинг — для меня они мало применимы) и установил запрет выдумывать инсайты в рутинный день.
/progress. Запускается ежедневно, читает все сессии Claude Code, сжимает их и прогоняет через агента. Тот выбирает факты: над какими проектами шла работа, что решили, какие коммиты сделаны. Затем сверяет с указанными целями (.md) и фиксирует, где есть движение, а где нет.
Раз в неделю вижу полную картину через призму работы в Claude Code: где продвинулся, что запустил, какие инсайты нашёл. Получается такая внутренняя ретроспектива.
#иван_лавров | 1 003 |
| 11 | ИИ застрял в «одиночном режиме»
За неделю несколько ведущих ресерчеров независимо высказались об одном: следующий рубеж развития ИИ — не интеллект, а интерактивность. Не «насколько умна модель», а «насколько хорошо она работает вместе с человеком».
В чём проблема: сегодня модели воспринимают реальность одним потоком. Пока не дописали запрос — LLM ждёт и не видит, что вы делаете. Это узкий канал: до модели доходит лишь часть вашего знания, намерения и оценки.
Thinking Machines сравнивает текущий формат взаимодействия с попыткой решить важный спор по почте вместо личной встречи. Они вводят новую концепцию — interaction models. Ключевая идея: интерактивность не «обвязка» вокруг модели, а часть самой архитектуры. Сегодня системы имитируют перебивания и многоканальность через harness (внешнюю «обвязку» — готовые компоненты, склеенные вокруг модели) и VAD (voice activity detection — отдельный модуль, который определяет, говорит человек или молчит) для распознавания границ реплик.
Аргумент от Bitter Lesson: рукотворные надстройки проиграют общим масштабируемым методам. Если интерактивность встроена в модель — масштабирование одновременно делает её умнее и улучшает качество взаимодействия с человеком.
Гонка за «интеллектом» упёрлась в то, как этот интеллект передать человеку и принять обратно правки.
#александр_опрышко #развитие_ИИ | 1 078 |
| 12 |  RAG-платформа для 12 000 операторов Альфа-Банка: ускорили поиск данных в 20 раз
Раньше операторы контакт-центра вручную искали информацию в базе знаний, чтобы ответить клиенту. На обработку одного запроса в среднем уходило 5 минут.
Чтобы ускорить работу операторов, Альфа-Банк решил внедрить RAG-платформу. За помощью обратились к команде KTS.
За 4 месяца мы вместе вывели проект в production и настроили систему так, чтобы данные всегда были актуальны, и каждый оператор получал ответ с учётом его уровня доступа.
Платформу развернули внутри контура банка и запустили на двух GPU H100. Это позволило уложиться в экономику проекта и при этом обеспечить запас по производительности.
В результате RAG-платформа ускорила и упростила работу операторов:
▪️ среднее время обработки запроса уменьшилось на 40 секунд: с 5 минут до 4 минут 20 секунд
▪️ поиск данных стал в 20 раз быстрее: 3 секунды вместо 60
93% операторов положительно оценили работу платформы, и решение масштабировали на всех сотрудников Альфа-Банка. Сегодня система обрабатывает 85 000 запросов в сутки.
Больше деталей про настройку и работу RAG-системы показали в кейсе | 2 098 |
| 13 | Вы всё ещё переплачиваете за инфраструктуру? Тогда мы идём к вам.
Расходы на облако часто растут незаметно. Тестовые среды работают ночью и в выходные. Неиспользуемые ресурсы продолжают списывать деньги. У команд нет общего правила, кто следит за потреблением и где проходит граница между «нужно» и «просто осталось включенным».
В итоге счета растут, а ясности, за что платит бизнес, становится меньше.
Мы поможем найти, где инфраструктура расходует лишнее, и сократить затраты без риска для продукта и команды.
Что делаем:
— проводим аудит расходов на облако;
— оптимизируем инфраструктуру;
— настраиваем мониторинг потребления и уведомления;
— выделяем центры затрат;
— прогнозируем бюджет;
— считаем TCO и ROI.
Если есть ощущение, что можно сэкономить на инфраструктуре, начните с бесплатного аудита. За 5 рабочих дней покажем, где вы теряете деньги. Сначала доведем до результата и только потом возьмем оплату. Гонорар KTS = подтвержденная экономия за 6 месяцев. | 837 |
| 14 | Знаем, как найти лишние расходы на инфраструктуру и сократить их без риска ↗️ | 821 |
| 15 |  Поговорим, как AI влияет на OKR: от горизонтов планирования до управленческого мышления
12 мая в 11:30 приглашаем на подкаст с Иваном Лавровым, Head of AI в KTS и основателем OKRsana — платформы для управления OKR с интегрированными AI-агентами.
В прямом эфире обсудим:
— каковы актуальные горизонты планирования
— помогает ли AI формулировать более сильные цели или, наоборот, упрощает мышление
— можно ли уйти от таблиц в OKR и не потерять управляемость
— какие инструменты реально работают, а какие остаются модными практиками
Регистрируйтесь по ссылке, приходите за инсайтами и задавайте вопросы — обещаем, будет интересно! | 987 |
| 16 |  Этика AI в продаже недвижимости: можно ли прослушивать разговоры с клиентами?
Застройщики часто приходят к нам с запросом записывать встречи и прогонять их через LLM: хочется контролировать качество консультаций, собирать все возражения и автоматизировать работу с ними.
Технологически это несложно, но на практике подход может сыграть против девелопера.
При покупке квартиры люди обсуждают с агентом чувствительные темы: финансовые возможности, семейные обстоятельства, размер первоначального взноса. Если человек понимает, что разговор записывается и анализируется AI, доверие рушится. Прослушка и контроль со стороны искусственного интеллекта пугают клиентов, поэтому сделка может сорваться.
Эффективнее внедрить AI-ассистента для продавцов. Он помогает со сложными вопросами в реальном времени: за секунды находит информацию в базе знаний и формулирует точный ответ. Это сохраняет динамику сделки, показывает экспертность и не нарушает приватность клиента. | 0 |
| 17 |  AI — только для enterprise. Доказываем, что это не так
Средний и малый бизнес отказывается от внедрения AI, потому что считает его дорогим инструментом для крупных корпораций с миллионными бюджетами.
На самом деле ИИ-решения подходят любому бизнесу, в котором есть повторяющиеся процессы.
В новой статье разбираем:
▫️ почему проекты остаются на уровне вечного пилота
▫️ процессы, которые стоит автоматизировать в первую очередь
▫️ какие метрики использовать, чтобы оценить результат
▫️ как платформенный подход меняет экономику AI-проектов
▫️ сроки и этапы запуска кастомного решения
Статья будет интересна малому и среднему бизнесу, который думает о внедрении AI, но не знает, с чего начать. Заходите в блог, чтобы узнать, как за 1-2 месяца сделать AI прикладным инструментом с измеримым эффектом. | 0 |
| 18 | Мой MCP-стек для Claude Code
Сам по себе Claude Code — просто CLI. Реальную пользу ему даёт обвязка из MCP-серверов: они подключают агента к твоим данным и workflow.
Делюсь стеком, который использую ежедневно. Разбил его на три контура:
▫️ Автоматизация рутины (менеджерская часть)
workbook — самописный MCP, который постепенно наращиваю под свои задачи. Сейчас в нём: работа с Твиттером, Контур.Толк, календарём, почтой, to-do list.
yandex-tracker — управляю загрузкой, создаю задачи на основе транскрибации.
excel-mcp-server и mcp-google-sheets — читаю локальные xlsx и Google Sheets. Удобно для работы со сметами.
▫️ Исследования
arXiv — для поиска и чтения свежих статей, чтобы понимать, как устроены SoTA-подходы.
reddit-mcp-buddy — быстро снять пульс сообщества: что обсуждают, какие инструменты хвалят, на что жалуются. Хороший сигнал для продуктовых решений.
playwright/computer-use — когда WebSearch и WebFetch не справляются (авторизация, JS-рендеринг, закрытый контент) или нужна автоматизация без API.
▫️ Программирование
context7, deepwiki — инструменты, которые дают актуальную документацию для агента. Подробно рассказывал об этом в посте.
everything-claude-code (affaan-m) — готовый набор из 47 агентов, 181 скилла и 79 команд: code-review, TDD, planner, build-fix, мультиагентная оркестрация. Беру как стартер и выкидываю лишнее.
spec-kit от GitHub — тулкит для spec-driven development. Вместо вайб-кодинга выстраивает пайплайн: constitution → specify → clarify → plan → tasks → implement → verify. Спеки становятся исполняемыми артефактами, агент работает с чёткими входами вместо расплывчатых промптов.
#александр_опрышко | 0 |
| 19 | Managed Agents от Anthropic: зачем агентам своя операционная система
Anthropic опубликовал инженерный разбор Managed Agents — своего сервиса для запуска агентов. Это интересное объяснение того, как стоит проектировать инфраструктуру агентов в 2026.
Проблема. Агент — это не один вызов LLM, а длинный цикл: модель думает → вызывает инструмент → получает результат → думает дальше. Если жёстко зашить этот цикл под текущее поколение моделей, через полгода придётся переписывать инфраструктуру. Авторы формулируют это одной фразой, которую уже растащили на цитаты: «Harnesses encode assumptions that go stale as models improve».
Идея. Решение не новое — так операционные системы в своё время справились с «программами, которых ещё не существует». Они не пытались угадать будущие приложения, а виртуализировали железо в стабильные абстракции: процесс, файл, сокет. Приложения менялись, абстракции оставались.
Anthropic применяет этот приём к агентам — раскладывает их на три независимые сущности:
▪️Session — append-only лог всего, что произошло. Живёт отдельно от модели и её контекстного окна. Это «память» агента, к которой можно обращаться произвольно.
▪️Harness — цикл, который крутит модель и маршрутизирует tool calls. Stateless, одноразовый, заменяемый.
▪️Sandbox — среда, где исполняются инструменты. Тоже одноразовая: упала — подняли новую.
Подробный разбор можно прочитать по ссылке.
#александр_опрышко | 0 |
| 20 |  6 сценариев внедрения ИИ в девелопмент
Собрали решения, которые можно быстро встроить в работу и получить измеримый результат: снизить количество ошибок, увеличить производительность команд и оптимизировать расходы.
▪️AI-ассистент менеджера по продажам
Чат-бот подключается к привычным каналам: CRM, сайту, Telegram. Помогает найти ответы на вопросы клиентов и даёт подсказки по документам.
▪️Консультант по недвижимости
Обрабатывает запросы на естественном языке, точнее выявляет потребности и подбирает персональные объекты. Может работать как плагин на сайте, в мессенджере или личном кабинете.
▪️Голосовой помощник для колл-центра или шоурума
Работает как дополнение к телефонии или робот-консультант. Воспринимает вопросы клиентов, отвечает по базе знаний и формирует персонализированные подборки решений.
▪️Анализ диалогов операторов колл-центра
Выявляет ошибки и отклонения от сценариев, классифицирует причины отказа и помогает оценить качество работы сотрудников. ИИ-ассистент может анализировать диалоги как в реальном времени, так и в ретроспективе.
▪️ИИ-помощник для управляющей компании
Чат-бот или голосовой робот отвечает на частые вопросы жителей, фиксирует обращения и снижает нагрузку на операторов.
▪️Компьютерное зрение на стройке
Программно-аппаратный комплекс, веб- и мобильное приложение для мониторинга целевых событий. Фиксирует передвижение техники и персонала, контролирует опасные зоны и выявляет простои.
Подробнее о том, какие AI-решения можно внедрить в девелопмент уже сейчас, смотрите в презентации коммерческого директора KTS Александра Баталова. | 0 |
