КайфКодинг

Выпускаю Lanka — open-source продукт для работы над презентациями вместе со своими AI-агентами. В компаниях постоянно делают презентации. Но полезные материалы, обсуждения и история правок часто остаются в отдельных файлах и переписках. Хочется, чтобы следующая команда могла воспользоваться уже сделанной работой. Для этого я делаю Lanka. В ней можно редактировать слайды в браузере, сохранять документы в общей библиотеке, открывать доступ коллегам, комментировать и просматривать предложения агента перед принятием. Когда нужен файл — выгружать PDF или редактируемый PowerPoint. Главная идея — работать с агентной инфраструктурой самой компании. Lanka предоставляет инструменты через MCP, а поддержанное подключение позволяет общаться с агентом прямо рядом с презентацией. Систему можно развернуть на своих серверах, настроить корпоративный вход и права доступа. Закрытый контур зависит также от выбранных моделей и подключённых инструментов. Это первый публичный preview. Хочу проверить его на реальных задачах: предложения клиентам, регулярные обзоры, внутренние презентации. Бесплатно для самостоятельного использования, включая компании. Лицензия Apache 2.0. Исходники и инструкция на русском: https://github.com/artkruglov/lanka Если хотите попробовать у себя, подключить корпоративного агента или настроить фирменные шаблоны — напишите мне.

«Т-инвестиции» добавили подключение AI-агентов к счетам Через MCP можно подключить Claude, ChatGPT и т.д. Пользователь ставит задачи, а агент переводит их в торговые поручения. Есть настройка уровня доступа — от просмотра истории операций до исполнения заявок и перевода денег между собственными счетами. https://www.vedomosti.ru/investments/articles/2026/09/10/1227646-t-investitsii-otkrili-ii-agentam-dostup-k-schetam

Мы все понимаем, как быстро развивается ИИшка. Т банк показывает удивительную динамику развития ИИ, не тратя миллиардных бюджетов. Быстрее подключайте Астру и Фабл к своему брокерскому счету - скину промпт чуть позже

Вышла новая модель Суно 6. Мы с Даней тестируем модели на его супер хите "Хомячок за рулем" https://suno.com/s/VC8S96TFvEofYpCQ Звук стал очень хорошим - на уровне аранжировок 2000\2010 года

Сегодня обсуждали, как делать изменения не на "силе воли", а так, чтобы изменения приживались в жизни. Если вы не знакомы с Ильей Мутовиным - то я вам завидую - вас впереди ждет много нейрооргазмов. https://www.youtube.com/watch?v=vbwpDrpBffE

Антропик посчитал модель того, как AI может изменить экономику США к 2030 году. В экстремальном сценарии с быстрым развитием и внедрением AI получается довольно дико: - минус 21% рабочих мест в интеллектуальных профессиях, безработица среди них ~18% - +32% ВВП относительно сценария без AI, к 2030 рост разгоняется до 15% в год - зарплаты интеллектуальных работников минус 11.5%, остальных +33.6% - доля труда в доходах экономики падает с 60% до 45%, а капитала растет с 40% до 55% Почти половина сегодняшней интеллектуальной работы оказывается затронута ИИ, причем 90% затронутых задач автоматизируются. Вывод: экономика становится намного богаче одновременно с очень сильным перераспределением дохода от труда к капиталу. Статья офигенно оформлена.

Обновил проект для работы с hhru при помощи ЛЛМ агентов, таких как Claude Code, Opencode, Hermes, OpenClaw Добавил 2 новые фичи: • Создание резюме с нуля (при помощи ЛЛМ) • Мультиаккаунт - на каждое резюме ограничение отправки, на одном акаунте вы можете создать 20 разных резюме, но подключив несколько акаунтов можно рассылать бесконечно.

Как видите из таблицы фич, конкуренты умеют только рассылки рассылать и больше ничего толком не умеют. Можно даже не открывать и не смотреть.

Подойдет ли этот проект тем, кто не ищет работу? — Конечно подойдет! Т.к. всегда можно найти работу получше! Подойдет ли проект ИП, консультантам и прочим инфоциганам? — Конечно, подойдет, потому что там вы можете искать себе клиентов. На собеседовании ломить огромную ЗП, они скажут, что хотят, но слишком дорого, и тогда вы предлагайте им "внештатного консультанта" по контракту. https://github.com/axisrow/hhru/ — звезду поставьте, больше ничего не надо. Лицензия MIT.

классный инструмент - работаете с ХедХантер через своего агента. Идеально для рекрутеров и кандидатов

на интересное видео наткнулся я в целом согласен... ещё несколько лет и непонятно что начнётся он вот про этот бенч рассказывал

В выходные встречались с парнем из топовой ИИ лабы. Он сказал, что 25 летняя эпоха веб разработки закончилась. Код и продукты будут писать машины

Штош, секрет полишинеля больше не секрет: Навье-Стокс решен. Проблема тысячелетия пала меньше чем за 24 часа после того как большинство из чятика предсказали что «никогда тупая железяка не сможет ничего». Независимое подтверждение и признание сообществом потребует месяцев, но я не думаю что что-то изменится. Для решения использовалась закрытая внутренняя модель, которая ЗНАЧИТЕЛЬНО круче чем GPT-6 Astra. Работало больше 10,000 параллельных агентов и все решение заняло 88 часов. Гипотеза Римана в этом году?

А так мы готовимся к контрольной по русскому языку.

https://crystal-rush-city.netlify.app/ - сделали с Даней игру для тренировки быстрого счета.

Наконец vibe-кодеры выпустили полезное приложение, определяет спелость арбуза по звуку. https://arbuz.cxl.ru/

Бывший руководитель поиска Яндекса привлек 26 миллионов на поисковик для AI-агентов Андрей Стыскин, который раньше руководил поиском, AI и облачным бизнесом Яндекса, вместе с немецким исследователем Маттиасом Петри запустил Keenable. Keenable строит отдельный индекс интернета, оптимизированный именно под машинный поиск. В нём уже больше 100 миллиардов документов. API используют несколько AI-лабораторий и провайдеров инференса во время обучения моделей и непосредственно при их работе. Следующий продукт компании — Web Query Language. Агент сможет задать сложный вопрос, а система сама найдёт и объединит информацию из разных частей интернета, даже если готового ответа нет ни на одной странице. В прошлом месяце стартап вышел из стелса и привлёк 26 миллионов долларов. Андрей, публично тоже поздравляю! И спасибо The Edinorog за наводку!

На какие именно инструментальные тесты я отправляю своих клиентов чаще всего? Инструменталка в отличии от кровяных тестов мне нравится тем, что данные здесь менее шумные, и более, как бы, фундаментальные чтоли. Чаще всего это следующего рода тест: - dexa scan: плотность кости, висцеральный жир, мышечная масса, a/g fat - фиброскан: эктопический жир - cardiopulmonary exercise testing: vo2max, пороги, красные флаги связанные со здоровьем сердца и легких - ногтевая капилляроскопия: капиллярная плотность - узи артерий: толщина комплекса интима-медиа, бляшки - узи сердца - watchpat или полисомнография: апноэ, ahi/rdi, качество сна - динамометрия мышц (кисть, quads/ham ratio,…) - спирометрия, dlco - смад

Практического биохакинга вам в ленту.

Одна и та же модель на одном и том же бенчмарке дала 17,5% и 98,0%. Разницу сделала не модель, а обвязка вокруг неё. Грег Камрадт из ARC Prize опубликовал 3 сентября замер GPT-6 Astra на ARC-AGI-3 и прогнал её через два харнесса. Стандартный оставляет модели только те заметки, которые она сама решила сохранить. Провайдерский хранит между запросами непрозрачное состояние рассуждений и сжимает длинный диалог, чтобы модель переиспользовала уже сделанную работу. Оба процента выше сняты на низком reasoning effort. Провал стоил $38 166, успех — $21 298. Хуже результат за большие деньги. По 167 парам «игра — уровень рассуждения», которые решили оба харнесса, провайдерский потратил на 49% меньше токенов и отработал в 3,66 раза быстрее. Тут легко отмахнуться: провайдерский харнесс лезет во внутреннее состояние модели, вам такого не дадут. Только этажом ниже, там, где всё ваше, работает ровно тот же механизм. Инженер AgentConnect Пэнчэн Сюй сравнил grep и семантическую навигацию через LSP на задачах переименования, а потом поменял в семантическом туле одну вещь: стал прикладывать к каждой найденной ссылке ±2 строки исходника. Бэкенд и набор ссылок остались прежними. Pass@1 вырос с 0,67 до 0,83, а дочитывания файлов упали с 15,2 до 3,2 за эпизод. Его формулировка:

Бэкенд поиска не менялся ни разу — менялась только форма того, что возвращалось.

Обе истории про одно: обвязка выбрасывает то, что модель уже нашла, и модель добывает это заново за ваши токены. У вас та же развилка стоит на каждом кастомном туле и каждом MCP-сервере. Тул, который отдаёт {file, line, col}, отправляет агента открывать эти файлы руками. Возьмите инструмент, который агент дёргает чаще всех, и посмотрите, можно ли из его ответа принять следующее решение, не открыв ещё один файл. Нельзя — это не инструмент, а указатель. Это не значит «поставьте правильный харнесс и получите 98%». Провайдерский харнесс Astra не воспроизводится: он держит то, чего ARC Prize не видит. А замер про grep — из блога собственного продукта автора, и пилотом его называет он сам: три модели, несколько репозиториев, два-три прогона на ячейку. https://arcprize.org/blog/astra https://www.agentconnect.md/blog/grep-beat-lsp-harness/ Что ваш самый частый инструмент возвращает агенту, кроме координат?