AI Was Made For Lovin' You
Открыть в Telegram
ИИ был создан, чтобы любить тебя, детка
БольшеСтрана не указанаКатегория не указана
801
Подписчики
Нет данных24 часа
+87 дней
+1630 день
Загрузка данных...
Похожие каналы
Нет данных
Возникли проблемы? Пожалуйста, обновите страницу или обратитесь к нашему support-менеджеру .
Облако тегов
Нет данных
Возникли проблемы? Пожалуйста, обновите страницу или обратитесь к нашему support-менеджеру .
Входящие и исходящие упоминания
---
---
---
---
---
---
Привлечение подписчиков
август '26
август '26
+1
в 0 каналах
июль '26
+806
в 0 каналах
| Дата | Привлечение подписчиков | Упоминания | Каналы | |
| 02 августа | 0 | |||
| 01 августа | +1 |
Посты канала
+1
Graphify + ИИ = ❤️
После предыдущей статьи коллега посоветовал попробовать Graphify - opensource-инструмент, который строит граф знаний из кодовой базы и ускоряет работу агента с кодом. Поставил в два репозитория, о чём спешу с вами поделиться.
🤖 Что это?
Graphify читает все файлы проекта, парсит их через AST (детерминированно, без LLM), находит связи между функциями, классами, импортами и складывает в граф. Каждое ребро помечается статусом
EXTRACTED (найдено в коде), INFERRED (домыслено) или AMBIGUOUS.
Граф делится на "сообщества" - кластеры связанных нод, которые алгоритм выделяет автоматически. Если представить граф как карту города, то сообщество - это район. В одном районе оказываются файлы и функции, которые тесно связаны по коду. Например, все краулеры и их базовый класс - одно сообщество, а модули аутентификации - другое. На скриншоте графа одного из наших проектов таких районов 463.
После сборки граф можно спрашивать на естественном языке:
graphify query "что связывает сканеры угроз с индикаторами?" graphify path "MfaMethod" "BaseScanner" graphify explain "processing_core.py"Ответ - подграф из десятков нод, который влезает в контекст, вместо того чтобы читать сотни файлов. 🤖 Использование 1. Запустил команды:
uv tool install graphifyy
graphify install --platform codex ~/.codex/skills
3. В агенте (Codex CLI) выбрал скилл graphify и инициализировал для текущего проекта:
$graphify .graphify hook install хук перестраивает граф после каждого изменения агентом.
🤖 Результаты
Замерил время обычного поиска по сравнению с graphify на реальном примере - поиск по коду одного из проектов.
grep -rl "PasteCrawler" по всей кодовой базе:
- 11.4 секунды
- выдал 25 файлов, включая .venv
graphify query "PasteCrawler":
- 1.1 секунды
- 274 ноды, разложенные по сообществам и файлам
grep -rli "pastebin":
- 15.9 секунды
- 24 файла, из них 9 - кусочки из .venv
graphify query "pastebin scanners":
- 1.4 секунды
- 381 нода, с файлами, связями и контекстом
Разница в скорости - примерно 10–15x в пользу графа.
🤖 Выводы
Graphify делает код более обозримым для модели. В нашем случае это даёт прирост x10 в скорости навигации по коду и экономит токены, исключая из контекста мусор и нерелевантную информацию. Экономию в токенах graphify заявил в x36, но я не перепроверял. Субъективно расход токенов действительно сильно уменьшился.
Описанный в предыдущей статье memory bank выполняет несколько иную задачу - создаёт историю предыдущей работы с агентами над кодом, что позволяет ссылаться на неё в последующих изменениях и задачах - "сделай так же, как я делал с X, но теперь для Y". Таким образом, кажется, что memory bank и graphify идеально дополняют друг друга.
🤖 Ссылки
Репозиторий - https://github.com/Graphify-Labs/graphify
Документация: https://graphify.com (там же live-демо графа)| 2 |  +2Memory bank (2/2)
🤖 Работа
Главное преимущество memory bank - агент в каждом новом сеансе знает контекст проекта. Перед началом задачи он читает зафиксированное состояние и сразу понимает:
- над чем работаем сейчас
- что уже сделали и почему
- какие архитектурные решения приняли
- какие соглашения действуют в коде
- что осталось сделать
- какие проблемы и ограничения уже известны
Мне не приходится заново пересказывать историю проекта или надеяться, что агент восстановит её по случайным файлам. Он начинает работу с актуального статуса и продолжает с того места, где закончилась предыдущая сессия.
Особенно хорошо это работает в больших репозиториях. Например, в одном проекте у нас в монорепе одновременно живут FastAPI, React, PostgreSQL, Celery, Go-агент, YAML-каталог и Docker Compose. В techContext.md записаны команды и ключевые пути, в systemPatterns.md - связи компонентов и ограничения, а activeContext.md показывает текущий фокус и ближайшие шаги.
Файлы memory bank лежат в Git рядом с кодом, поэтому этот контекст разделяется с коллегами - все видят ваши приключения с агентами в коде. Коллега забирает ветку, а его агент читает те же решения и актуальный статус.
🤖 Проблемы
На практике я столкнулся только с двумя проблемами.
Первая - необходимость сжимать activeContext.md и progress.md. Эти файлы постепенно разрастаются, поэтому их нужно периодически чистить - удалять устаревший контекст, сворачивать историю и оставлять только актуальное. Можно просто попросить агента их немного ужать, он с этим славно справляется.
Вторая проблема - конфликты при слиянии веток. Несколько агентов могут одновременно обновить activeContext.md или progress.md. Такие конфликты обычно простые - объединить изменения, убрать дубли и оставить актуальный статус.
🤖 Выводы
Memory bank оказался одной из самых удачных конструкций в моей текущей работе с кодинг-агентами. Он простой, прозрачно поддерживается, не привязан к одной модели или агенту и помогает синхронизировать контекст между людьми, агентами и рабочими сессиями.
Сам по себе каталог с Markdown-файлами, разумеется, умнее агента не делает, зато заметно сокращает количество ситуаций, когда агент с энтузиазмом в девятый раз изобретает уже неоднократно забракованное решение.
Наконец-то скучную документацию пишет и читает тот, кому нравятся скучные задачи.
🤖 Ссылки
Документация memory bank - https://docs.cline.bot/best-practices/memory-bank
Открытый шаблон от Cline - https://github.com/cline/prompts/blob/main/.clinerules/memory-bank.md
Формат AGENTS.md - https://agents.md/
Работа с AGENTS.md в OpenAI Codex - https://developers.openai.com/codex/guides/agents-md | 294 |
| 3 |  Memory bank (1/2)
В последний месяц приходилось несколько раз вайб-кодить. Буквально сразу упёрся в близкое к депрессии состояние, так как каждая новая сессия забывала предыдущую историю работы, часто приходилось объяснять заново информацию, которой нет в README.md или AGENTS.md.
Пару раз я надеялся, что агент сам всё прочитает и правильно поймёт, но наши репозитории достаточно суровые и большие, поэтому результат исследования почти каждый раз был разным. Хотелось какой-то консистентности и унифицированного подхода.
Сейчас в каждом активно меняющемся проекте я завожу memory bank - набор обычных Markdown-файлов с рабочим контекстом репозитория.
🤖 Инициализация
Инструкция агенту выглядит примерно так:
Создай memory bank в текущем проекте, в директории .ai/memory-bank, запиши правила его обязательного использования в корневой AGENTS.md. Перед каждой новой задачей сначала читай memory bank, а после существенных изменений обновляй его.
Агент изучает проект, сам ищет, что такое memory bank, просматривает его спецификацию и создаёт структуру вроде этой:
.ai/memory-bank/
├── projectbrief.md
├── productContext.md
├── techContext.md
├── systemPatterns.md
├── activeContext.md
├── progress.md
└── tasks/
└── _index.md
Примерные назначения файлов:
- projectbrief.md - что мы вообще делаем, границы проекта, планы
- productContext.md - для кого продукт и какие задачи решает
- techContext.md - стек, команды запуска, тесты и важные пути
- systemPatterns.md - архитектура, паттерны и уже принятые решения
- activeContext.md - текущий фокус, свежие изменения и ближайшие шаги
- progress.md - сделанное, оставшиеся задачи и известные проблемы
- tasks/ - контекст по отдельным длинным задачам, требущих несколько итераций (возможно, отдельными разработчиками)
В корневом AGENTS.md агент записывает базовые правила - какие файлы читать в начале сессии и что обновлять после работы. Благодаря этому memory bank не зависит от конкретного инструмента. Его могут использовать разные агенты, если они умеют читать AGENTS.md, а читать его умеют почти все модные ребята, кроме разве что Claude - Cursor, Codex, Warp, итп. Для Claude делается всё то же самое, только вместо AGENTS.md будет CLAUDE.md.
Пример моего AGENTS.md, который генерирует сам агент при инициализации:
# Memory Bank
This project uses `.ai/memory-bank/` as the source of truth for persistent context.
## Session Start
Before every task, read these files in order:
1. `projectbrief.md`
2. `productContext.md`
3. `techContext.md`
4. `systemPatterns.md`
5. `activeContext.md`
6. `progress.md`
7. `tasks/_index.md`
## After Significant Changes
- Update `activeContext.md`: current focus, recent changes and next steps. Keep no more than 10 recent changes.
- Update `progress.md`: completed work, current work and known issues. Keep no more than 20 completed items.
- Update `systemPatterns.md` when architecture or conventions change.
- Add or update files in `tasks/` when needed.
Commit Memory Bank changes with the code they describe. | 208 |
| 4 |  +2Hermes Agent + Deepseek-V4-Flash
Попробовал использовать в работе Hermes Agent от Nous Research и, к своему удивлению, мы с ним подружились.
Обычно с локальными агентами у меня всё заканчивалось быстро - проблемы в установке, агент споткнулся на простой задаче, или я встал не с той ноги. С Hermes получилось естественно и спокойно - поставил и настроил за 10 минут, а он почему-то взял и справился со всеми моими задачами.
Устанавливается одной левой на любую ОС, интегрируется с Telegram и почтой - почту использую как резервный канал сами понимаете почему. Через почту также принимает задания и отвечает с результатами.
С Max, к сожалению, сходу не интегрируется - но надеюсь, и до Nous Research скоро доберётся прогресс.
🤖 Что попробовал и что понравилось:
1. Исследование рынка по одному знойному региону - поиск, сбор фактов, сравнение конкурентов, расчёты, финальный отчёт - всё заработало сразу, без мучений. Вызывал нужные инструменты, спрашивал разрешения, говорил спасибо и пожалуйста.
2. Поиск статей для предыдущего поста на канале - искал и валидировал статьи по нужным мне критериям в arxiv. Пожалуй, впервые это был самый быстрый поиск - обычно я трачу около часа, чтобы найти и отфильтровать статьи.
3. Настройка сервера по SSH - наш девопс уже спал, а серверу было всё равно. Надо было поставить privoxy, ограничить доступ по iptables, подкрутить пару настроек для безопасности. Hermes справился блестяще, вместо 20-30 минут я потратил 2.
4. Понятно, что есть интеграции с MCP и скиллы, куда без них. Первым делом, конечно же, подключил Hexstrike AI.
🤖 DeepSeek-V4-Flash
Эта модель - отдельное открытие для меня, подключил её к Hermes через Openrouter. Без неё удовольствие от Hermes не было бы полным.
Преимущества:
- Удивительный баланс скорости и качества - обрабатывает сложные концепции и очень быстро генерит токены
- Mixture of Experts, 284B параметров, из них активны 13B
- Контекстное окно в 1M токенов
- Неприлично дешёвая - за неделю я потратил примерно 3 (три) доллара. Не буду показывать пальцем, но нет, всё-таки буду - Opus 4.8 съел $30, пока я отходил налить кофе. Мы, конечно, все тут богачи собрались, но экономить на токенах - это святое.
🤖 Выводы
В каком-то треде на Reddit видел сравнение OpenClaw и Hermes, где говорилось, что OpenClaw - машина на механике, а Hermes - на "автомате". С этим сравнением я полностью согласен.
Если ваше предыдущее знакомство с подобными агентами было неудачным, или оно ещё впереди - крайне рекомендую начать с Hermes и именно в связке с Deepseek-V4-Flash.
🤖 Ссылки:
Hermes Agent - https://hermes-agent.nousresearch.com/docs
Маркетплейс скиллов - https://hermes-agent.nousresearch.com/docs/skills
DeepSeek-V4-Flash - https://openrouter.ai/deepseek/deepseek-v4-flash | 326 |
| 5 |  Это не про технологию, а про то, как же меня бесит сгенерированный текст
Агенты работали, рожь колосилась, надои росли, пока я не начал встречать подобные фразы по 15 раз в день:
- проблема не просто в источниках - дело в подаче
- это не про скорость, а про качество
- кибер-мошенничество не только развивается - оно ускоряется
Теперь это буквально повсюду - в статьях, телеграм-каналах и порой даже в личной переписке. Как только встречаю подобные фразы, сразу готовлюсь к куче воды и минимуму смысла, а мозг максимально критически настраивается к содержимому.
Если вы вдруг решите вывести меня из себя, вот мой личный топ-5 самых нервирующих штампов.
1. Это не X, это Y - бессмертная классика. Все писатели букв внезапно превратились в драматургов, рядовой технический текст по психологическому напряжению может соперничать с добротным хоррором.
2. Дублирование смысла в разных пунктах списка или в разных параграфах. LLM очень любят пересказывать одно и то же разными словами, текст становится объёмным, солидным, но непредназначенным для читателя, который пытается вникнуть.
3. Жирное выделение - первые предложения в списке, ключевые и не очень мысли. Это почти так же унизительно, как читать объяснение для шутки.
4. Чрезмерная важность и помпезность на ровном месте. Наш ларёк с шавермой (шаурмой/кебабом) является ключевым центром уличного питания, а достижение рейтинга 4.1 в Яндекс-Картах служит свидетельством преданности своему делу и знаменует собой поворотный момент в истории города.
5. Аббревиатуры, неоправданные англицизмы и несуществующие слова. Как в том видео-ролике про "смотря какой fabric", особенно если обсуждается какая-то техническая тема. Суперфициальный, скор, эксфильтрация - вполне привычные для обывателя русские слова. Вот цитата из одного моего реального диалога с распоследним GPT:
add-on к DRP-пакету, привязанный к числу monitored brands/keywords/sources и частоте executive reporting, а не отдельный “маркетинговый” SKU
Дополнительно: обещал топ-5, но вот вам бонусный пункт - резюмирующие параграфы (например, как этот). Важно, коротко, дополнительно, бонус, обратите внимание, забавный факт. Можно, пожалуйста, не надо?
Радуюсь, что глаз дёргается не только у меня, а в Википедии недавно появился громадный список нейро-чудес:
- Signs of AI writing - https://en.wikipedia.org/wiki/Wikipedia:Signs_of_AI_writing
- The 15 New Giveaway Signs Of AI-Generated Content - https://www.forbes.com/sites/jodiecook/2026/02/03/the-15-new-giveaway-signs-of-ai-generated-content-in-february-2026/
- How LLMs Distort Our Written Language - https://arxiv.org/abs/2603.18161 | 493 |
