Инженер Контекста

Кратко про процессы

Две важные темы с VK Cloud Conf. Там еще интересного много, конечно, но в рамках этого канала рекомендую именно эти новости. Мультиагентность в VK AI Space хочу уже пощупать сам.

Внедрили поддержку мультиагентных систем на платформе VK AI Space 🤖 Теперь вы можете создавать мультиагентные сценарии в VK AI Space от VK Tech. Это позволит компаниям перейти от точечных ИИ-агентов к координируемым системам цифровых сотрудников. 👥 Мультиагентная система устроена как команда специалистов под руководством менеджера: • ведущий агент принимает задачу от пользователя, понимает цель, выбирает нужных исполнителей — агентов с необходимыми компетенциями — и распределяет между ними работу • каждый агент выполняет задачу в своей зоне ответственности и может быть быстро заменен, доработан или подключен к новому процессу без пересборки всей цепочки ⚡️ Такой подход ускоряет разработку сложных ИИ-решений. При этом каждый отдельный агент работает со всем контекстом, возникающим при решении задачи, а мультиагентная система — только с результатом работы субагентов. Мы эксклюзивно представили это решение на VK Cloud Conf. Узнайте больше по ссылке. 🔗 Мы в MAX

Рынок ПО для ИИ в России вырастет почти вчетверо к 2030 году Эксклюзивно на VK Cloud Conf совместно с Apple Hills Digital представили исследование российского рынка программного обеспечения для искусственного интеллекта.

Исследование описывает объем, структуру и динамику российского рынка ПО для ИИ за 2022–2025 годы и прогноз до 2030 года.

👆 Его подготовили на основе прямого опроса более 40 ведущих российских вендоров ИИ-решений, отчетности участников рынка и открытых источников. 📈 В 2025 году объем рынка достиг 25 млрд рублей, а к 2030 году вырастет почти вчетверо — до 94,8 млрд рублей при среднегодовом темпе роста 30,5%. Главный сдвиг: компании переходят от FOMO к ROI — от страха упустить технологию к расчету окупаемости. Появляются роли директоров по ИИ, центры компетенций и KPI на внедрение ИИ, а генеративный ИИ (GenAI) встраивается в прикладные продукты и стимулирует их продажи.

«76% рынка ПО для ИИ — это прикладные решения, встроенные в бизнес-процессы, а не сами модели. Компании перестали внедрять ИИ из страха отстать и начали считать отдачу. Выигрывает не тот, кто первым купил технологию, а тот, кто встроил ее в работающий процесс и сделал это не в одиночку, а с партнером. Мы закрываем этот разрыв ИИ-инфраструктурой VK Cloud, платформой VK AI Space для запуска ИИ-агентов в защищенном контуре и экспертизой внедрения», — комментирует директор по облачным сервисам VK Tech Дмитрий Лазаренко.

Полный текст исследования оставили по ссылке. 🔗 Мы в MAX

Когда при мне говорят про искусство и эстетику

Долго объяснять. 17 июня в Москве и онлайн пройдёт облачная конференция VK Cloud Conf. Я там буду. Из очень интересного на мой субъективный взгляд (без учёта, что я помогаю конфу организовывать): — Большое исследование российского рынка ИИ от Apple Hills Digital и VK Tech. Покажем в первый раз и там прям любопытные цифры. Вчера, кстати, вышло исследование Apple Hills Digital совместно с VK Tech, Cloud.ru и Selectel про облачные тренды в корпоративном секторе России 2026. Забирайте здесь. — Про особенности развития ИИ-агентов с кейсами и решениями. Про платформы и прочее. — Managed Kubernetes как вычислительный центр для ИИ. И как с ним жить без виртуализации. — Организация процессов в компании перед AI-апокалипсисом. Доклад от Битрикс24. И там ещё много. Регаться здесь. #vktech

Но нас спасёт жадность... Вы цены на токены в Fable видели?🙈

Anthropic выпустила Claude Fable 5. И это, возможно, самый необычный релиз ИИ за последние годы. Не потому что модель показала рекордные цифры в бенчмарках. И не потому что она якобы приблизилась к AGI. А потому что впервые главный маркетинговый тезис звучит так:

Наша лучшая модель слишком опасна для публичного доступа.

Вместе с Fable 5 компания представила Mythos 5 — внутреннюю модель, доступ к которой ограничен из-за её возможностей в чувствительных областях вроде кибербезопасности. При этом Fable 5 построен на той же архитектуре. То есть вся презентация сводится к довольно необычной идее:

Вот наша самая мощная модель.

Но пользоваться вы будете не ей.

Если раньше AI-компании соревновались в том, кто покажет более высокий результат на очередном бенчмарке, то теперь соревнование переходит в другую плоскость. Не «насколько умна модель», а «насколько опасной мы считаем собственную модель». И это довольно интересный сдвиг. Последние два года индустрия продавала интеллект. Сначала были задачи уровня школьных олимпиад. Потом исследования. Потом агентность. Теперь в качестве конкурентного преимущества начинают продавать ограничения. Фактически Anthropic говорит рынку:

Мы сделали модель настолько сильной, что вынуждены ограничивать доступ к ней.

Для компании это почти идеальная маркетинговая позиция. Особенно забавно выглядит появление двух уровней доступа к интеллекту. Раньше различия были простыми: бесплатная версия и платная версия. Теперь появляется новая категория: — версия для всех; — версия, которой вам не доверяют пользоваться. И мне кажется, что именно это главный итог релиза. Не очередной рост качества на несколько процентов, а начало эпохи, где ИИ-компании будут конкурировать не только мощностью моделей, но и правом доступа к ним. Потому что если такой подход взлетит, через пару лет вопрос будет звучать не «какую модель ты используешь?», а «какой у тебя уровень допуска к модели?». #ai

Так я вижу Code и Codex порой.

У меня было 119 коммитов, 30 слитых пулл-реквестов, 38 104 добавленных строки и целая россыпь файлов всех сортов и расцветок — 7 новых субагентов, модуль клиентских кейсов, 11 правил редполитики, 13 скриптов-валидаторов и 10 тестов. Не то чтобы всё это было нужно на выходных. Но если уж начал докручивать систему агентов, то к делу надо подходить серьёзно.

Ну или мемов вам накидать.

Как я превращал свалку заметок в библиотеку для ИИ-агентов База растёт сама из работы над контентом. Под каждый материал агент сначала делает исследование: идёт в веб, собирает данные, цифры, источники. Конспект сразу сохраняется в research/ под конкретную статью — это страховка от потери данных, если сессия оборвётся. Важный момент: исследование сохраняется автоматически, ещё до того, как автор начал писать. Дальше срабатывает правило: перед новым ресёрчем агент обязан проверить, что уже собрано. Если по теме что-то есть, он это дополняет, а не пересобирает с нуля. А самое ценное и многоразовое из разовых исследований переезжает в постоянную базу. Так разовый сбор под одну статью со временем превращается в библиотеку, которой пользуются все агенты. Звучит красиво, но было три проблемы: — агент порой не знал, что в базе уже есть инфа, и искал заново; — мог взять устаревшую цифру, потому что никто не помечал, когда факт «протух»; — в документации написано «агент смотрит в базу», а в коде этого нет. Слои: от свалки к полкам Факты хранятся по-разному, в зависимости от роли. Большие документы разбил на атомарные карточки: — fact-card — один проверяемый факт = одна карточка. С источником, уровнем доверия и сроком годности. — case-card — один публичный кейс клиента, и что про него говорить нельзя. — objections — карточка возражения («облако дороже») с готовым безопасным ответом. — personas — карточки аудиторий: боли, KPI, запретные углы. Зачем дробить? Большой текст легко выдаёт лишнее — непубличную деталь или старую цифру. Атомарная карточка хранит ровно один факт. Просрочилась — система сама её отложит. Интеграции: появился библиотекарь Полки — это полдела. Дальше нужен тот, кто приносит нужное: — Картотека плюс ретривер в коде: даёшь тему — получаешь короткий список релевантных карточек, просроченные помечены. — Компактная коробка вместо всей базы. Агенту едет не дамп на пол-базы, а ровно: свежие факты, публичные кейсы, и список того, чего в базе нет. Просроченное — отдельной стопкой, в текст не попадёт. — У каждого типа задач своя карта. Не «загляни в базу», а «для пресс-релиза бери позиционирование и публичные кейсы, а конфиденциальные числа только после проверки». — Починил пайплайн. Шаги, которые раньше были красивым описанием, заработали: повторный фактчек сомнительных цифр реально запускается, а 19 ресёрчеров наконец получили веб-поиск, которым «просили» пользоваться. Предохранитель на финале Последний шаг любого пайплайна — редактор. Берёт только разрешённые к публикации карточки, а просроченные не пускает в текст. И всё закреплено тестами: рассинхрон «база — агент» теперь роняет сборку. Что в итоге Конечно, это не очень обязательный элемент фабрики контента. В воркфлоу записано, что надо найти, передать, написать, проверить. Всё в чистом контексте и галлюцинаций в финале не остаётся. Но каждый запрос это токены и время. И деньги. А запросы повторяются, в конце концов мы крутимся вокруг одних и тех же цифр исследований, бенчмарков, фактов. Поэтому постепенно наполнять базу знаний и оперативно обращаться к ней кажется не такой уж плохой идеей. Стоит потратить на реализацию несколько вечеров. #ai_agents

На выходных нашёл статью про то, что давно крутилось в голове. Про петли обратной связи в агентах Под «петлёй» имеется в виду контур обратной связи — замкнутый цикл, где результат работы агента кто-то или что-то измеряет, и это измерение возвращается обратно и меняет поведение системы. Не «модель стала умнее», а «вокруг модели крутится цикл: сделал → измерили → подправили → снова сделал». В пост сюда объёмом не уложился, так что опубликовал на Хабре. #ai_agents #habr

Звёздная гонка ИИ-агентов в мае 2026 Наткнулся на свежий разбор от Rost Glukhov, он 21 мая выгрузил через API число звёзд у 20 самых популярных опенсорсных фреймворков для агентов. Что по цифрам: → OpenClaw — 373 тыс. звёзд. В апреле обогнал React и стал самым «звёздным» репозиторием в истории GitHub. Тот самый агент Штайнбергера, который живёт на твоём железе и общается через мессенджеры. Ритм — 62 релиза за месяц, по одному каждые 12 часов. → Hermes Agent от Nous Research — 160 тыс. за 12 недель. Растёт быстрее в неделю, чем OpenClaw в том же возрасте. Держит память между сессиями и сам пишет файлы навыков из успешных задач. → Середина таблицы спрессована между 26 и 43 тыс. — там позиции тасуются за сутки от одного поста на HN: Nanobot (Python, ~4 тыс. строк кода, от лаборатории HKU), AstrBot (самый активный по релизам), PicoClaw (Go, под встраиваемые устройства от Sipeed), AionUi (TypeScript, агентный UI) и ZeroClaw на Rust. Что мне было интересно из выводов автора: Во-первых, релизы и звёзды почти не коррелируют. OpenClaw выкатывает 62 релиза в месяц, а пара проектов с десятками тысяч звёзд — ноль. Во-вторых — и это главное — звёзды измеряют любопытство, а не использование. Что люди реально запускают, показывают токены на OpenRouter, загрузки npm/PyPI и история CVE, а не счётчик в углу репозитория. Звезда стоит один клик; она не значит, что софт хоть раз запустили в проде. Полезное напоминание перед тем, как в следующий раз выбирать стек по «самому популярному на гитхабе». Оригинал и полный датасет: glukhov.org #ai_agents

Так себя и ощущаю

ИИ не заменил менеджеров. Он сделал их узким местом Картинка из моей работы. Облачная конференция, сессии наших спикеров на других ивентах, лендинги, статьи в СМИ и блог, Хабр. При производстве практически каждой единицы контента используется ИИ — целая фабрика агентов. Но между ИИ и готовым результатом есть человек, в данном случая я. Человек смотрит, проверяет, принимает решение. И этот ресурс ничем не масштабируется. И это не то, чтобы только у меня подгорает. На прошлой неделе в HBR вышел материал Managers Are Struggling to Keep Up with the AI Productivity Boom. Открывается цитатой менеджера: "каждые тридцать минут кто-то создаёт что-то, что я должен посмотреть". CIO в свежей колонке формулирует ещё жёстче: исполнение перестаёт быть ограничением, дефицитным ресурсом становится суждение. Производство чего либо-ускорилось в разы. Но при этом никто не перестраивает поток работы под ИИ, практически всегда остаются те же цепочки согласований, что были до. Опять вернусь к своему опыту. Когда ревьюишь черновик от человека, то ловишь опечатки и логику. Когда ревьюишь то, что выдала модель — проверяешь каждый факт, каждую формулировку, каждую цифру. Ошибки модели уверенные, гладкие, правдоподобные, их не отловить, читая по-диагонали. ИИ снимает нагрузку с генерации и нагружает верификацию. Инженеры в опросах напрямую отвечают: проверять AI-код тяжелее, чем писать с нуля. Короче, производство ускорили на порядок, а пропускную способность решений — процентов на двадцать. Разница оседает у тебя на столе. И, надо признать, в этом нет ничьего злого умысла. Просто индустрия выкатила инструмент, который сжимает один этап цепи, и почему-то решила, что от этого ускорилась вся цепь. Не ускорилась. Узкое место мигрировало. Сейчас оно сидит на менеджерском стуле и проверяет то, что выдала модель. 💡Что могу посоветовать. «Делегируйте больше», «фокусируйтесь на главном», «приоритизируйте» — это всё сработает только, если у вас есть большая команда. Первое — перенести принятие решений из своей головы в артефакты. Если ты ревьюишь каждый текст как индивидуальный кейс, ты держишь критерии в рабочей памяти и тратишь её на каждой итерации заново. Если эти же критерии оформлены как явный чек-лист, гайдлайн, или, в случае Claude Code, как скилл — половина решений принимается до того, как текст дошёл до тебя. Второе — поменять метрику собственной нагрузки. Для контент-менеджера, например, это значит перестать мерить себя «количеством опубликованного» и начать мерить «сколько решений приняли за день» и «сколько из них пришлось переоткрывать». Это звучит абстрактно, но это единственная метрика, которая показывает, упёрся ли ты в производство (масштабируется ИИ) или в суждение (не масштабируется). Третье — называть проблему вслух перед руководством. Не как жалобу, а как операционную диагностику: «У нас не дефицит производства, у нас дефицит пропускной способности решений. Можем обсудить, как её расширить — либо новый сотрудник с делегированной зоной ответственности, либо перенос части решений в политику агента». Четвёртое — признать, что часть решений можно не принимать. Самое тяжёлое — это решения о пограничных кейсах, которые на самом деле не пограничные, а просто непривычные. Например, для контента: есть устоявшаяся редполитика и агент с явными правилами может выкатывать большую часть текстов в публикацию практически без ревью. А человек будет проверять только то, что реально спорно. Это страшно, кажется, что качество упадёт. Но на практике у команд, которые так сделали, качество не падает, потому что вариативность снижается. А время освобождается. Но страшно и есть риски для бренда. #ai

Хотел написать большой пост про управление контентом и ожидания от тебя в эпоху ИИ, но... понедельник. Пусть тут будет холодный литовский борщ, который я вчера довольно успешно приготовил. Рецепт попозже напишу в канал про еду.

Звериный оскал ИИ Кажется таких чудных вакансий (Юля, спасибо за наводку) ближайшее время нас ждет все больше. В ней прекрасно примерно все: - паши один, весь комплекс маркетинга и пиар делай в одиночку в обнимку с ИИ (без подключения ИТ), но с KPI по продажам. - в прямом подченении коммерческому (правда его мы тоже ищем) и доступом к акционеру - нам 30 лет, маркетинга и пиар у нас все это время не было как класс, но мы хотим мидла из ит или финтеха, который сделает нам data-driven и AI-native систему - скока денег платить хотим не скажем Такое ощущение, что собственник сходил на все конфы по ии, послушал маркетинговых обещаний AI-бигтеха, записал умные слова и запихнул это все в вакансию. Но проблема даже не в этом. Вполне вероятно, что они найдут какого-нить молодого амбициозного мидла, который возможно даже что-то построит. Есть другая сторона, о которой такой бизнес не думает - безопасность 1️⃣ Чтобы ИИ-инструменты работали на нужном уровне за них надо платить. Причем, чтобы бы информацмя была во внутреннем контуре - платить дорого. И еще не известно, что обойдется дешевли - люди или ИИ. 2️⃣ Зависимость от технологий. Любой сбой полностью останавливает работу целой функции компании. А заодно и смежных. 3️⃣ Зависимость от 1 человека. Даже если все аккаунты в ии-инстнументах будут куплены на фирму (что вообще не факт, многое официально не купить) и не уйдут вместе с человеком, то процесс все равно встанет, т.к. носитель знаний ушел. Т.е в попытке сэкономить бизнес ставится в неустойчивое положение и весьма вероятно без сокращения расходов. Вот такие пироги

Вторая проблема внедрения нейросетей. Первая, напомню, где взять новых мидлов, если джуны не нужны.