Generative Ai

Исследователи собрали новый подход к RAG, который: * не требует vector DB * не делает эмбеддинги * не режет документы на чанки * не выполняет similarity search И он показал 98,7% точности на финансовом бенчмарке (SOTA). Вот какую ключевую проблему классического RAG этот подход решает: Обычный RAG режет документы на чанки, превращает их в векторы и достает фрагменты по семантической похожести. Но похожесть ≠ релевантность. Когда ты спрашиваешь: "Какие были тренды по долгу в 2023?", векторный поиск вернет куски, которые семантически похожи на запрос. А реальный ответ может быть спрятан где-нибудь в Appendix, упомянут ссылкой на другой странице, в разделе, который вообще не пересекается по смысловым словам с твоим вопросом. Классический RAG, скорее всего, это просто не найдет. PageIndex это закрывает. Вместо чанкинга и эмбеддингов PageIndex строит иерархическое дерево структуры документа, по сути умную "таблицу содержания". А дальше модель рассуждением проходит по этому дереву. То есть она не спрашивает: "Какой текст больше всего похож на мой запрос?" Она спрашивает: "Судя по структуре документа, где бы человек-эксперт искал ответ?" Это принципиально другой подход, у которого: * нет произвольного чанкинга, который рвет контекст * не нужно тащить и обслуживать vector DB * retrieval трассируемый: видно, почему выбрали конкретный раздел * можно нормально ходить по внутренним ссылкам документа ("см. Table 5.3"), как делает человек Но глубже проблема вот в чем. Векторный поиск воспринимает каждый запрос как независимый. А документы имеют структуру и логику: разделы ссылаются друг на друга, контекст накапливается по страницам. PageIndex уважает эту структуру, вместо того чтобы сплющивать все в эмбеддинги. При этом важно: такой подход не везде имеет смысл, потому что классический vector search все еще быстрый, простой и отлично работает во многих кейсах. Но для проф-документов, где нужна доменная экспертиза и многошаговые рассуждения, tree-based, reasoning-first подход реально раскрывается. Например, PageIndex показал 98,7% точности на FinanceBench и заметно обогнал традиционные vector-based RAG системы в разборе сложных финансовых документов. Все полностью в oпенсорс, можно посмотреть реализацию на GitHub и попробовать самому.

🌟 GLM-4.7 Flash: лайт-версия флагмана GLM-4.7. В полку моделей, тех, что можно запустить локально, не продавая почку, прибыло. ZAI выкатили GLM-4.7 Flash - облегченную версию GLM-4.7 на 30 млрд. параметров, с контекстным окном в 128К на архитектуре MoE. Со слов создателей, модель должна занять нишу между сегментом SLM и проприетарными мастодонтами, предлагая SOTA-уровень в кодинге. 🟡MoE Всего 30B, но активных параметров на токен гораздо меньше, официальной инфы нет, но в сообществе пишут, что 3 млрд. 🟡Interleaved Thinking Киллер-фича для агентов, которая досталась в наследство от старшей GLM-4.7. Обычно модели выплевывают весь свой CoT в начале, а вот эта техника дает возможность модели думать перед каждым вызовом инструмента. 🟡Файнтюн на эстетику и DevOps Опять-таки, со слов Zai, они натаскали GLM-4.7 Flash не просто писать валидный HTML/CSS, а использовать актуальные паттерны, нормальные отступы и цветовые схемы. Плюс, подтянули работу с CLI и девопс-задачами (понимает права доступа, навигацию по файловой системе). 🟡Цифры тестов выглядят как конфетка. В SWE-bench Verified модель выбивает 59.2%. Для сравнения: Qwen3-30B-A3B: 22.0%, GPT-OSS-20B: 34.0%. В математическом AIME 25 тоже обходит конкурентов - 91.6%. А вот на BrowseComp она лучше GPT-OSS-20B почти в 1.5 раза. Вобщем, Flash-версия выглядит как идеальный кандидат для локальных кодинг-агентов. Если есть пара свободных видеокарт (или есть стойкость терпеть квантование на одной), это, возможно, лучшая рабочая лошадка на сегодня. 📌Лицензирование: MIT License. 🟡Модель 🟡Квантованные варианты под все 🟡Demo1 🟡Demo2 @ai_machinelearning_big_data #AI #ML #LLM #GLM #ZAI

🤖 Лучшие GitHub-репозитории, чтобы выучить AI с нуля в 2026 Если хочешь разобраться в ИИ не по курсам “в вакууме”, а через реальные open-source проекты - вот топ реп, которые реально ведут от базы до практики: 1) Karpathy – Neural Networks: Zero to Hero Самый понятный вход в нейросети и backprop “на пальцах” https://github.com/karpathy/nn-zero-to-hero 2) Hugging Face Transformers Главная библиотека современного NLP/LLM: модели, токенизаторы, fine-tuning https://github.com/huggingface/transformers 3) FastAI – Fastbook Практическое DL-обучение через проекты и эксперименты https://github.com/fastai/fastbook 4) Made With ML ML как инженерная система: пайплайны, прод, деплой, мониторинг https://github.com/GokuMohandas/Made-With-ML 5) Machine Learning System Design (Chip Huyen) Как строить ML-системы в реальном бизнесе: данные, метрики, инфраструктура https://github.com/chiphuyen/machine-learning-systems-design 6) Awesome Generative AI Guide Подборка материалов по GenAI: от основ до практики https://github.com/aishwaryanr/awesome-generative-ai-guide 7) Dive into Deep Learning (D2L) Одна из лучших книг по DL + код + задания https://github.com/d2l-ai/d2l-en Сохрани себе - это база, на которой можно реально вырасти до ML/LLM-инженера. @DevOPSitsec

Пришло время Agentic RAG — подхода, при котором AI-агент самостоятельно ищет, рассуждает и действует, используя RAG не как чат, а как инструмент доступа к знаниям 😎 На вебинаре 22 января специалисты Cloud․ru покажут, как с помощью Evolution AI Agents, Evolution Managed RAG и MCP-протокола построить систему, способную решать многошаговые задачи в реальном времени. А еще будет практическая часть: получится развернуть AI-агента в Evolution AI Agents и подключить MCP-сервер для Evolution Managed RAG. Зарегистрироваться

Нашёл клад, а там этот skill: который лечит Cursor/Claude от типичного “AI-вайба” в интерфейсах. Когда пишешь код с AI, то UI получается один и тот же: фиолетово-розовый градиент, шрифт Inter и белый фон, классический набор из трёх пунктов. 😯 Этот oпенсорс проект просто упаковал базу знаний профессиональных UI-дизайнеров: 57 UI-стилей (glassmorphism, clay, минимализм, брутализм и т.д.) 95 наборов отраслевых цветовых схем 56 комбинаций шрифтов 100 дизайн-правил для разных индустрий Поддерживает Cursor, Claude Code, Windsurf, Copilot, Kiro и почти все популярные AI-инструменты для программирования. Установка одной командой:

# Install CLI globally
npm install -g uipro-cli

# Go to your project
cd /path/to/your/project

# Install for your AI assistant
uipro init --ai claude      # Claude Code
uipro init --ai cursor      # Cursor
uipro init --ai windsurf    # Windsurf
uipro init --ai antigravity # Antigravity (.agent + .shared)
uipro init --ai copilot     # GitHub Copilot
uipro init --ai kiro        # Kiro
uipro init --ai codex       # Codex CLI
uipro init --ai qoder       # Qoder
uipro init --ai roocode     # Roo Code
uipro init --ai gemini      # Gemini CLI
uipro init --ai trae        # Trae
uipro init --ai all         # All assistants

Дальше просто пишешь /ui-ux-pro-max помоги сделать SaaS-лендинг и готово.

Пришло время Agentic RAG — подхода, при котором AI-агент самостоятельно ищет, рассуждает и действует, используя RAG не как чат, а как инструмент доступа к знаниям 😎 На вебинаре 22 января специалисты Cloud․ru покажут, как с помощью Evolution AI Agents, Evolution Managed RAG и MCP-протокола построить систему, способную решать многошаговые задачи в реальном времени. А еще будет практическая часть: получится развернуть AI-агента в Evolution AI Agents и подключить MCP-сервер для Evolution Managed RAG. Зарегистрироваться

⚡️ 3 млн рублей за лучший ИИ-прорыв 2026 ВТБ и Институт ИИ МГУ открыли прием заявок на конкурс научных статей Data Fusion Awards 2026. С какими темами можно подаваться: 🔹Математический аппарат ИИ 🔹Алгоритмы оптимизации 🔹Машинное и глубокое обучение 🔹Нейроморфные вычисления 🔹Робототехника 🔹Explainable AI и смежные треки Требования: статья из 2025 года в журнале/конференции, первый автор с российской аффилиацией. 💰 Призовой фонд — 3 млн рублей (по 1 млн трём победителям) ⏰ Дедлайн — до конца января 🔥 Подать заявку

Claude Cowork: агент для повседневных задач на компе Компания тестирует агента на базе Claude с доступом к файлам и системным командам для нетехнических задач. Но пока только за сотку в месяц. Anthropic анонсировала Claude Cowork — по сути это Claude Code, но для всех остальных задач, где не нужно программировать. Агент получает доступ к файлам на компьютере и может выполнять системные команды: разобрать завалы в документах, запланировать встречи в календаре, подготовить презентацию или прототип, обработать табличные данные. Тул выходит в формате research preview: это намекает на то, что даже в Anthropic пока не до конца понимают, какие сценарии использования откроются. Запускают, смотрят, собирают фидбек: сначала выкатывают MVP, потом адаптируются под реальное поведение пользователей. Claude Code за последние месяцы доказал свою полезность как инструмент для больших проектов: он берёт детальный план, разбивает на подзадачи и методично их выполняет, не отвлекаясь. Я сам на выходных распробовал его не только для программирования, но и для работы с большими массивами текстовых данных — штука реально экономит время там, где нужна последовательность и внимание к деталям. Логично, что много нетехнических задач можно было бы делегировать похожему агенту. Вопрос всегда был в безопасности: Claude Code по умолчанию спрашивает разрешение перед любыми изменениями файлов или системных настроек. Судя по релизу Cowork, Anthropic нащупала баланс между автономностью агента и контролем пользователя. Но есть нюансы. Во-первых, Claude Cowork доступен только подписчикам Max — это стоит $100 в месяц и выше. Во-вторых, агентные сценарии жрут токены как не в себя: на обычной подписке Pro я упираюсь в недельные лимиты почти моментально после того, как даю Claude Code серьёзную задачу. С Cowork, скорее всего, будет так же. Тем не менее это ещё один маркер того, что 2026-й действительно становится годом агентов. Anthropic, OpenAI, Google, OpenCode — все двигаются в сторону того, чтобы дать AI не просто возможность отвечать на вопросы, но и выполнять многошаговые задачи с доступом к инструментам. Вопрос только в том, насколько быстро эти инструменты станут доступны не только корпоративным клиентам и энтузиастам с жирными подписками, но и обычным пользователям. Пока что Anthropic тестирует спрос среди тех, кто готов платить.

Новый кейс - автоматический перевод YouTube с озвучкой и AI Researcher Мой давний друг и коллега Айгиз Кунафин как раз закончил проект по автоматическому переводу YouTube видео с русского на башкирский язык. Под капотом - ASR и диаризация, перевод, подбор голосов и синтез речи, которая синхронизирована с оригинальной дорожкой. Самое классное в этом проекте - использование AI coding агентов в режиме автоматической постановки экспериментов с Feedback Loop (про это - ниже). LLM под капотом проекта: - ASR (Speech Recognition) - Сберовская gigaam-v3-ctc - Диаризация (разбор голосов) - DiariZen - Перевод на башкирский - Gemini-3 flash со своим контекстом - TTS (сама озвучка) - две модели: своя с клонированием RVC для детских голосов, Silero - для взрослых. При переводе видео у системы есть библиотека из ~80 голосов (в 6 группах), которые автоматически получают фиксированные роли в видео. Это Chrome/Firefox Extension, который заменяет аудио при проигрывании в YouTube. Дорожки генерируются пайплайном заранее на серверах (по запросу), а потом подбираются расширением. Всего три сервера, которые связаны напрямую через P2P HTTPS: - Hetzner (для доступа к Gemini + YouTube), там же на CPU крутится и ASR. - Свой GPU - для запуска моделей - диаризации, синтеза речи. - 1GB - для хранения готовых аудио-дорожек. Самое сложное в проекте - экспериментальный подбор правильных моделей в пайплайн с точки зрения ресурсоемкости, качества и стоимости. Целевой язык - башкирский, поэтому некоторые вещи приходилось реализовывать самостоятельно. Но у Айгиза уже есть многолетный опыт работы с голосовыми проектами (например, умная колонка Homai), что сэкономило много времени. Система разрабатывалась при помощи агентов - Claude Code для UI и OpenAI Codex CLI с Feedback Loop. Feedback Loop - когда у агента есть исходный код, Ground Truth цель/метрика/тесты для контроля качества и благословение на автономную работу. Причем, в AGENTS.MD прописан протокол написания экспериментов: (1) Запускаем make eval, чтобы выяснить текущий score, который записываем в experiments/007-experiment.md (2) Анализируем код, проглядываем журнал экспериментов и в файл experiments/007-experiment.md дописываем план для улучшения текущего score (3) реализуем код и запускаем make eval. Если score стал лучше, то отправляем все в коммит с описанием (4) если score стал хуже, то откатываем код, но сохраняем описание эксперимента, чтобы в будущем агент не повторял старых ошибок. Все это запускается с полными правами и задачей “копай отсюда и до обеда” в цикле. Например:

PROMPT_TEMPLATE="запусти следующий эксперимент, который оптимизирует код генрации wav файла"

for ((start_index=0; start_index<=50; start_index+=1)); do
  codex exec --sandbox danger-full-access "$PROMPT_TEMPLATE"
done

Такой AI Researcher, может стабильно работать часами в автономе (пример git log - в комментариях). Этот же подход использовался в ERC3 для автоматической оптимизации кода базового NextStep SGR агента до 9 места в Prize Leaderboard. Айгиз открыт для коммерческих предложений. Если вам нужна консультация или участие в проекте, можно написать ему лично в Телеграм @AigizK или по контактам RU / EN. Ваш, @llm_under_hood 🤗 PS: Список всех кейсов канала

Документальный фильм «The Thinking Game» Это детальная фиксация научного процесса в Google DeepMind, демонстрирующая путь от теоретических концепций к созданию систем уровня схожего с AGI (общего искусственного интеллекта). 😶‍🌫️☺️ Ниже приведены 10 аргументов, почему данная картина представляет ценность для всех, кто погружен в сферу AI: Междисциплинарный бэкграунд Демиса Хассабиса. Биография CEO DeepMind объединяет шахматы, геймдев и нейробиологию. Это подтверждает тезис о том, что для создания искусственного разума необходимо глубокое понимание принципов работы разума биологического. Видеоигры как полигон для обучения. Лента технически грамотно обосновывает использование сред Atari и StarCraft II. Они служат идеальными симуляциями для безопасного тестирования алгоритмов перед их внедрением в реальный мир. Значение AlphaGo. Эпизод с матчем против Ли Седоля и знаменитым «Ходом 37» наглядно демонстрирует появление у машины подобия интуиции и способности к нестандартным стратегическим решениям. Фундаментальная наука против «быстрых результатов». Фильм противопоставляет академический подход DeepMind культуре стартапов Кремниевой долины. Здесь приоритет отдается долгосрочным исследованиям, а не немедленному релизу продуктов. Решение проблемы фолдинга белков. История создания AlphaFold показывает практическую мощь нейросетей. Алгоритм решил задачу, над которой биологи бились 50 лет, что открывает новые горизонты в медицине и фармацевтике. Наглядность обучения с подкреплением (RL). Зрителю демонстрируется процесс обучения агентов «с нуля» методом проб и ошибок, что является лучшей визуализацией принципов работы Reinforcement Learning. Психология научных открытий. Картина не скрывает человеческий фактор, показывая моменты тупика и разочарований исследователей. Это напоминает о том, что за сложными алгоритмами стоит упорный труд людей. Вопросы безопасности и этики. Проводятся прямые параллели с «Проектом Манхэттен» и Робертом Оппенгеймером. Хассабис акцентирует внимание на экзистенциальных рисках создания сверхразума и ответственности разработчиков. Внутренняя архитектура DeepMind. Фильм предоставляет редкий доступ к внутренней кухне лаборатории, демонстрируя методы мозговых штурмов и специфику управления командой гениев. Осознание исторического контекста. После просмотра формируется четкое понимание: мы являемся свидетелями технологического сдвига, сопоставимого по масштабу с промышленной революцией или открытием электричества. Поглядеть можно тут.

Можно часами ломать голову над задачей, а можно настроить AI на гениальные идеи 😎 Эксперты Cloud.ru разработали бесплатный курс — «Креативное мышление и AI для решения задач», который поможет освоить креативные методики и научить AI генерировать нестандартные ответы. А еще: с помощью подробной инструкции создадите креативного AI-ассистента, который будет выдавать нешаблонные решения для ваших задач. Все это в удобном для вас темпе: начните и завершите курс, когда комфортно. Перейти к курсу

Вышла Gemini 3 Flash Выносит по бенчам 2.5 Pro в одни ворота, при этом будучи значительно дешевле. На паре бенчмарков обгоняет даже Gemini 3 Pro. Поддерживает тот же миллион токенов контекста что и большая модель. На вход принимает текст, аудио и картинки, но на выход идёт только текст (по крайней мере пока что). При этом Gemini 3 Flash это гибридный ризонер — можно отключить рассуждения, как и с 2.5 Flash. Цену за токен по сравнению с 2.5 Flash повысили. Заявляют что вместе с этим повысили и эффективность использования токенов. Это в теории должно было компенсировать повышение цены, но тесты говорят об обратном, по крайней мере с включённым ризонингом. Модель уже доступна в ai.studio, Antigravity, чате и API. AI режим Google тоже переводят Gemini 3 Flash уже сегодня (наконец-то там будете нормальная модель). Блогпост @ai_newz

Скидки до 50% от Cloud.ru на аренду ВМ с GPU 😎 В декабре праздник на улице DS-инженеров, проектировщиков, 3D-художников и монтажеров: виртуальные машины с графическими ускорителями становятся доступнее.

Вот как забрать максимум выгоды: 1️⃣ Взять промокод: 😶‍🌫️A100 — скидка 30%, код: EVOLUTIONGPUA1040GB 😶‍🌫️V100 — скидка 50%, код: EVOLUTIONGPUV100 2️⃣ Перейти в личный кабинет 3️⃣ Ввести код и обучать ML-модели, работать с тяжелой графикой, 3D-моделированием или рендерингом, но уже дешевле.

Акция будет длиться до 31 декабря 2025. Не упустите шанс войти в новый год с мощными ресурсами! Подробности акции ⬅️

OpenAI выкатила GPT-5.2 Pro и GPT-5.2 Thinking — по заявлению компании, лучшие в мире модели для научной работы. На бенчмарке GPQA Diamond, где вопросы уровня аспирантуры специально составлены так, чтобы ответ нельзя было найти через поиск, Pro-версия показывает 93.2%. На FrontierMath — 40.3% решённых задач экспертного уровня, новый рекорд. Интересно, что OpenAI явно в математических задачах видит движение к AGI. Правда, это можно назвать поисками ключей под фонарем — ответы в математике легко верифицируются, в отличие от биологии или, упаси боже, философии. Новая модель уже сегодня доступна в ChatGPT и API, правда, стоимость выше, чем у предыдущей версии процентов на 40. С другой стороны, Gemini 3 Pro тоже дороже, чем Gemini 2.5 Pro, надо же как-то зарабатывать. https://openai.com/index/gpt-5-2-for-science-and-math/

Лучшие практики и подходы для RAG (буду наполнять) Очередной раз спросили в чате канала что почитать про RAG (https://t.me/neuraldeepchat) Соберем тут все лучшее присылайте и ваши статьи и разборы Тут материалы предыдущих ответов 1) https://t.me/neuraldeepchat/3176 2) https://t.me/neuraldeepchat/2953 1) Чанкование (sliding window) можно подглядеть концепты от langchain 2) Векторные бд от pgvector до qdrant можно начать с chroma (IVF_Flat или HNSW) 3) Векторные модели для ру ai-sage/Giga-Embeddings-instruct ai-forever/FRIDA BAAI/bge-m3 intfloat/multilingual-e5-large Qwen3-Embedding-8B 4) Реранкер после KNN сделать доп ранжирование BAAI/bge-reranker-v2-m3 Qwen3-Reranker-8B 5) LLM + vLMM (база qwen-2.5-7b-instruct) RefalMachine/RuadaptQwen2.5-14B-Instruct t-tech/T-lite-it-1.0 t-tech/T-pro-it-2.0 Agentic RAG(Qwen3-30B-A3B-Instruct-2507) РЕПО(https://github.com/vamplabAI/sgr-agent-core/tree/tool-confluence) Презентация от Дяди Построение RAG систем от исследований до индустрии Хорошо описанные подходы от Богдана https://t.me/bogdanisssimo/2047 Лучшее решение РАГ по документации от Ильи(@IlyaRice) которое выиграло первое место на ERC2 https://github.com/IlyaRice/RAG-Challenge-2/tree/main Готовые фреймворки одобренные нашим сообществом https://github.com/langgenius/dify/ https://github.com/Marker-Inc-Korea/AutoRAG https://github.com/run-llama/llama_index https://github.com/mastra-ai/mastra Кейс red_mad_robot по RAG (DCD) для строительной компании (t-lite) https://habr.com/ru/companies/redmadrobot/articles/892882/ #RAG #best_rag_practice Сохраняй в избранное чтобы не потерять

⚡️ Иии… Anthropic выпустили Claude Opus 4.5 Это первая модель, которая пробила планку 80 на SWE bench verified. С ее 80.9% это теперь уверенная SOTA по кодингу. Модель уже доступна в API, и, что самое приятное, цена относительно предыдущего Opus упала! Было 15$/75$, стало 5/25, ощутимое понижение. Плюс, модель снова стала экономичнее относительно токенов: на среднем уровне ризонинга она достигает уровня Sonnet 4.5, используя на 76% меньше токенов. А при выкрученном на максимум бюджете обходит Sonnet аж на 4.3 процентных пункта (SWE bench), используя на 48% меньше токенов. Anthropic пишут, что скормили Opus 4.5 внутренний экзамен, который они дают кандидатам при устройстве на работу. За 2 часа модель справилась с ним лучше, чем любой человек когда-либо в истории стартапа. Что касается апдейтов в продукте: – В Claude App добавили сжатие контекста, как в новом Codex. При достижении лимита старый контекст суммаризуется и передается в новое контекстное окно, и вы не упираетесь в конец диалога. Кроме того, теперь в десктопное приложение завезли Claude Code, и там его можно параллелить на разные задачки. – Из беты вышли Claude для Chrome и для Excel. – Теперь можно самостоятельно контролировать время размышлений, есть режимы low, high и medium. 🔥 www.anthropic.com/news/claude-opus-4-5

Introducing SAM 3D: Powerful 3D Reconstruction for Physical World Images Ничего себе! Метачка разродилась целым набором проектов. Meta Segment Anything Model 3 - с кодом, весами, датасетами и кодом для файнтюна. Видео-сегментация и композ. Segment Anything Playground - это демо для всех этих проектов, пока работает быстро и даже без регистрации. И наконец: SAM 3D: Powerful 3D Reconstruction for Physical World Images И вот это уже прям 3Д-генератор. Там есть две модели. SAM 3D Objects для реконструкции объектов и сцен, и SAM 3D Body для оценки тела и формы человека. На входе фото, на выходе 3Д. Чем не 3Д-генератор. Причем 3Д-болваны получаются сразу со скелетом. Они так и пишут про целевую аудиторию: 3Д моделинг, VR\AR, геймдев. Я думаю, что не стоит ждать прям высокополигональных деталей, это больше про 3D reconstructions, но надо разбираться. Тьма ссылок, посмотрите хотя бы видосы, это новый уровень. https://ai.meta.com/blog/sam-3d/ https://ai.meta.com/blog/segment-anything-model-3/ Демо-плейграунд: https://www.aidemos.meta.com/segment-anything (там есть и обычное вырезание объектов по видео) Кодищще: https://github.com/facebookresearch/sam3 Статья: SAM 3: Segment Anything with Concepts https://ai.meta.com/research/publications/sam-3-segment-anything-with-concepts/ @cgevent

SurfSense — это open‑source альтернатива NotebookLM, Perplexity и Glean: AI‑агент для исследований, который подключается к вашим личным источникам (поисковые движки, Slack, Linear, Jira, ClickUp, Confluence, Notion, Gmail, YouTube, GitHub, Discord, Airtable, Google Calendar, Luma, Elasticsearch и другие).​ Для тех, кто проспал последний год, NotebookLM — это сервис Google, где вы загружаете свои документы, и AI (Gemini) помогает вам суммировать, отвечать на вопросы, создавать FAQ, учебные материалы и подкасты, опираясь только на ваши источники.​ Что делает SurfSense: 🟣 Поддерживает 100+ LLM (включая локальные Ollama) и 6000+ моделей эмбеддингов.​ 🟣 Продвинутый RAG: иерархические индексы (2‑уровневый), гибридный поиск (семантический + полнотекстовый), ранжирование (Pinecone, Cohere, Flashrank).​ 🟣 Подкаст‑агент: создаёт 3‑минутный подкаст менее чем за 20 секунд, поддерживает локальные TTS (Kokoro) и облачных провайдеров.​ 🟣 Поддержка 50+ форматов файлов (PDF, DOCX, видео, аудио, email и т.д.).​ 🟣 Self‑hostable: можно поднять через Docker Compose или вручную.​ Быстрый старт: 🟣 git clone https://github.com/MODSetter/SurfSense 🟣 Скопируйте .env.example в .env, добавьте API‑ключи (OpenAI, Tavily и т.д.). 🟣 docker compose up -d 🟣 Откройте http://localhost:3000 Где попробовать: GitHub: https://github.com/MODSetter/SurfSense Сайт: https://surfsense.com Discord: https://discord.gg/ejRNvftDp9 Технический стек: FastAPI, PostgreSQL (pgvector), LangGraph, LangChain, Celery, Redis, Next.js 15, React 19, TypeScript, Docker. @prog_tools

SGR Agent Core 0.4.0 + UI Запись стрима! YouTube RuTube Разработка агента для работы с корпоративным Confluence на базе SGR Agent Core 0.4.0 с использованием локальной модели Qwen3-30B на vLLM. 00:00:00 - Подготовка окружения - Настройка OBS и серверов (Yandex Cloud + 2x4090(48гб)) - Развертывание vLLM с Qwen3-30B-A3B-Instruct 00:15:00 - Тестирование инфраструктуры - Проверка работы Qwen через OpenWebUI (~86 tokens/sec) - Настройка мониторинга GPU 00:27:00 - Настройка SGR Agent Core - Клонирование репозитория на удаленный сервер - Подключение через Cursor с SSH - Конфигурация agents.yaml и config.yaml 00:38:00 - Первый запуск агента - Тестирование базового SGR Tool Calling Agent - Запрос цены биткоина - успешно ($96k) - Разбор двухфазного reasoning 00:52:00 - Разработка Confluence toolkit - Создание confluence_tools.py с Cursor AI - Три инструмента: full_text_search, space_search, page_retrieval - Фиксы с правами доступа 01:10:00 - Тестирование Agentic RAG - Поиск информации о проекте Smart Platform - Агент нашел страницы, извлек контент, создал отчет - Всё без векторизации и чанкинга! 01:26:00 - Запуск фронтенда - Установка Node.js, настройка портов - Демонстрация веб-интерфейса 01:36:00 - Финальный тест - Сравнительный анализ двух проектов - Объяснение архитектуры решения 01:42:00 - Завершение - Итог: рабочий агентный RAG за 1.5 часа - "Когда-нибудь придумаю красивую концовку" Стек: SGR Agent Core, vLLM, Qwen3-30B, Confluence REST API, Cursor AI, vLLM, guidance Как результат Агент ищет в Confluence без традиционного RAG pipeline - никаких векторных БД, эмбеддингов и чанкинга!