AI для Всех

Сегодня был на HSBC Office of the CFO & Fintech Innovation Day. Вот о чем думают CFO крупнейших компаний: можно ли безопасно пустить AI в настоящий workflow, где есть деньги, контроль, комплаенс, ответственность и риск публичного факапа. A16Z почти прямым текстом говорят, что finance-команды в AI-native компаниях теперь гораздо меньше и появляются позже. Раньше первый finance hire часто нанимали на $10-20M ARR. Сейчас некоторые компании тянут намного дольше, потому что один сильный оператор с AI-инструментами может закрывать больше, чем раньше закрывала маленькая команда. Но это не история про «людей заменят агенты». Скорее наоборот: люди остаются, но меняется их роль. Хороший CFO становится ближе к продукту и операциям. Он не просто выбирает SaaS и делегирует внедрение, а сам тестирует инструменты, собирает workflows, смотрит на cost controls, спрашивает «зачем нам вообще Salesforce/NetSuite/очередная система, если можно собрать процесс иначе?» AI spend супер на повестке дня. Tokens, model usage, retries, agent runs - это уже не инженерная мелочь, а серьезная строка COGS и governance surface. Кажется, что в regulated finance «probably correct» не работает. Сейчас спрос на слой контролируемого исполнения: — какие данные использовались — какая политика применялась — кто смотрел рекомендацию — что AI предложил — что человек исправил — что ушло в систему — можно ли потом доказать, почему решение было принято Первая волна AI в enterprise была про demos. Вторая будет про trust. Третья — про workflows, которые постепенно получают автономию, но только после того, как заслужили ее. Вот такая вот, сейчас ситуация в AI-native finance.

Выиграл хакатон от Airtable! В Нью-Йорке проходит абсолютно безумная Tech Week, в рамках которой Hyperagents (версия клешни с человеческим UI от Airtable) устроили хакатон. Кто за час навайбкодит самый убедительный outreach. В касте так задания каждому был выбран рандомный другой фаундер в комнате. Моя идея победила! Я взял наш с Антоном https://funnel.fyi и прогнал через нее сайт, Funnel мгновенно нашел что можно поправить на лендинге, а Hyperagents собрали симпатично выглядящий видос и презентацию (покажу отдельно). И вуаля - я победил 🥇 Может и вам полезно будет - попробуйте!

AUTO-IMPROVE Заставил AI бесконечно улучшать свою работу - и запретил ему верить самому себе на слово. Так появился новый скилл для Claude - auto-improve. Auto-improve позволяет улучшить любой артифакт, который совместим с git: • AI предлагает маленькое улучшение. • Другой AI проверяет результат по понятным критериям. • Если стало лучше - изменение сохраняется. • Если нет - автоматически откатывается. Благодаря git: каждая версия сохранена, каждую можно сравнить, каждую можно вернуть. И так по кругу, пока результат перестает улучшаться. Это можно применять почти ко всему: • тексты • письма • лендинги • README • инструкции • промпты • код • договоры Вообще ко всему, где можно описать, что значит «хорошо». Самое интересное: критерии тоже можно улучшать. Например, можно взять книгу, статью, гайделайн или внутренний стандарт компании. Превратить это в список требований. И дальше AI будет улучшать работу уже не «на вкус», а по этим требованиям. Технически это похоже на GAN для текста: один агент генерирует, другой проверяет. Или на маленький локальный RLAIF-loop: улучшение → оценка → принятие или откат. Код: https://github.com/crimeacs/auto-improve

Уже сегодня (через 2 часа) буду рассказывать про память и цикл авто-улучшения на вебинаре CYBER.FUND Послушать можно тут

🧵 Попробовал dynamic workflows в Claude Code. Вчера, Anthropic выпустил режим, в котором Claude сам разбивает большую задачу на подзадачи, запускает parallel subagents, проверяет результаты и собирает финальный ответ. В announcement они приводят примеры вроде bug hunt по всей кодовой базе, большие миграции и тп. Мое первое ощущение: /Workflows одна из первых «agent swarm» фичей, которая выглядит как реальный рабочий инструмент. Ты даешь задачу - Claude уходит на 30–50 минут, пишет код, правит ошибки, проверяет себя и продолжает. На мой взгляд, самая вишенка не в том что много параллельных агентов жрут токены, а в цикле generator → validator. Одна часть системы делает изменения: код, refactor, tests. Другая пытается это проверить: смотрит diff, ищет ошибки, думает про edge cases. Это немного похоже на GAN, только для engineering workflow. Сгенерировал → проверил → нашел проблему → исправил. Тесты пока не всегда понятно насколько хорошие, но свои ошибки оно уже реально ловит. Чего мне не хватает - прозрачного этапа планирования. Сейчас ощущение такое: «вот задача, иди делай». А идеальный flow был бы: сначала Claude предлагает план; ты его правишь; добавляешь constraints, success criteria, важные файлы и проверки; и только потом запускаешь workflow. Мой вывод: направление очень сильное! Поделитесь с коллегами, если тоже следите за тем, как coding agents становятся рабочим процессом. Блог-пост

🌪️Серверы мониторятся. А воронка - нет. После релиза всё может выглядеть нормально: сайт открывается, серверы живы, логи чистые. Но заявки почему-то не приходят. Причина может быть не в продукте, а в мелком недочете по пути: - форма молча падает, - checkout/signup застрял, - CTA ведёт не туда, - оффер непонятен, - и тп Вы можете продолжать лить трафик и думать, что “продукт не зашёл”, хотя на самом деле сломался один шаг в воронке. Для решения этой проблемы мы с другом сделали Funnel.fyi: кидаешь URL - агент проходит сайт как пользователь, находит где теряются люди, показывает evidence и пишет fix prompt для Cursor / Claude / Codex. Попробуйте 👇: https://www.funnel.fyi В комменты кидайте, что сканировали и где агент был прав / тупил - это поможет нам докрутить продукт.

Можно много слушать классных кейсов и теории о том как стать ИИ-нейтив, но самое лучшее — это увидеть примеры того как работают фаундеры: Как у них выстроена система хранения данных и контекста? Как управляются сессии? Какие фичи они делают для своих харенсов? Какие процессы автоматизируют? Как строят скилы и агентов? Как структурируют семантическую и процедурную память? В следующий понедельник проведу виртуальный воркшоп, где 4 фаундера (я буду только модерировать) покажут свои сетапы и воркфлоу. Правила: запрещены слайды и теория, только шаринг экрана и живые демо по 15 минут + ответы на вопросы. Регистрация тут, не нужно подписываться на каналы, бесплатно, никакой рекламы. Но на Английском.

70% вакансий ты можешь даже не увидеть 👀 Многие хорошие вакансии для разработчиков, проджектов, аналитиков, дизайнеров и маркетологов просто не доходят до джоб-бордов. Компаниям за рубежом часто быстрее закрыть позиции через рефералов, кинуть клич среди знакомых или написать пост в LinkedIn. А значит, такие возможности нужно находить путём нетворка: искать сотрудников, кто порекомендует тебя в команду, писать нанимающим менеджерам или фаундеру напрямую... Это и есть так называемый «теневой рынок вакансий». Никакой магии — просто другой маршрут к офферу 🙂 26 мая в 19:00 мск Даша Шульгина, фаундер AgileFluent, разложит по полочкам: → Как находить международные позиции, которых нет в открытом доступе, и выходить на нанимающих менеджеров; → Что конкретно писать в LinkedIn, чтобы отвечали, а не игнорили; → Как перестать воспринимать нетворк и холодные контакты как попрошайничество. После мастер-класса у тебя будет конкретный маршрут: где искать скрытые вакансии, как выходить на нужных людей и что им писать — без ощущения, что ты кого-то напрягаешь. Регистрируйся в ботике👈🏻 #текстприслан

📍 Hunters Point, Qweens

Mira — топ-1 AI-агент в Telegram 💫 Крутейшая альтернатива OpenClaw, которая работает из коробки в один клик. Cаб-агенты, 1000+ MCP, работа в групповых чатах. Через Mira можно автоматизировать: 🔄 ремайндеры и автономные задачи 📈 трейдинг и мониторинг 🤖 AI-ботов и агентов ✍️ генерацию и автопостинг контента 📊 Gmail, Calendar, Notion, GitHub и другие сервисы Без настройки серверов, API и сложного сетапа. #пост прислан

📡 Я сделал Chappe - CLI для Telegram-каналов, которую могут использовать Claude Code, Codex, OpenClaw и другие агенты. Смысл простой: агенту мало уметь “написать пост”. Чтобы реально растить канал, ему нужны суперсилы: — видеть историю постов — понимать, что форвардят — находить темы, которые дают reach — читать комменты как research-инбокс — вытаскивать вопросы аудитории — сравнивать канал с другими — предлагать следующие посты не из головы, а из данных — публиковать только через явную policy, чтобы не устроить пожар Chappe даёт агентам доступ к этому слою. Это не Telegram bot и не очередной “AI-постогенератор”. Это command-line поверхность для канала: локальная SQLite-память, TDLib-синк, JSON для агентов, briefing, top posts, comments mining, draft/lint/preview/publish. То есть Claude - это такая маленькая редакция: data scientist - смотрит на цифры head of growth - ищет, что разносится editor - предлагает темы и точки зрения operator - готовит черновики и соблюдает правила публикации Главный герой проекта - Chappie, маленький смотритель сигнальной башни. Он сидит над каналом и показывает агенту, где настоящий сигнал. Open-source: → github.com/crimeacs/chappe Поставить в один клик (просто вставь это в Claude/Codex/OpenClaw/Hermes):

Install Chappe if needed with `curl -LsSf https://raw.githubusercontent.com/crimeacs/chappe/main/scripts/install.sh | CHAPPE_CHANNEL=@your_channel sh`, then run `chappe --pretty onboard --channel @your_channel`, follow `agent_guided_setup`, ask me only for required Telegram values, sync 100 recent posts with comments after auth is ready, and produce a channel briefing with post ids, metrics, audience questions, growth experiments, and data-quality notes. If Chappe itself fails, patch locally only to unblock, then move the fix into https://github.com/crimeacs/chappe and propose a PR. Replace @your_channel with my Telegram channel handle.

В эти выходные еду на Ниагару с The RV Escape. Осталось 2 места в RV-туре из Нью-Йорка: Watkins Glen, Niagara Falls, Maid of the Mist, Cave of the Winds, природа, дорога и ночевки в доме на колесах. Даты: 23-25 мая Цена: $1000 / $1800 за двоих Группа: до 6 человек Если хотите поехать со мной, пишите сразу в Telegram: @thervescape Ссылка на тур: https://thervescape.com/niagara-may-23-25/ru

📍Williamsburg, NYC

Ищете стабильную платежную систему для бизнеса? 💰 platega — прием платежей на сайте, в приложении и Telegram. Все популярные методы оплаты в одном сервисе. Быстрое подключение от 24 часов и стабильные выплаты. 👉 Подробнее на сайте platega.io #текстприслан

🪞 Я написал пост про новый Claude Skill, который ловит «ИИ-палевы» в тексте. И пропустил пост через сам скилл. Скилл нашёл 6 нарушений в собственном анонсе. Главное нарушение: длинное тире, шесть штук. ChatGPT ставит его на каждом шаге рассуждения. Живые люди ставят его раз в неделю. Я попался на том самом тэлле, ради которого писал инструмент. Откуда правила. У Wikipedia есть открытая страница про признаки ИИ-текста, которую коммьюнити обновляет быстрее, чем любой локальный rule-list. Сейчас там ~50 слов, ~80 фраз, и десяток паттернов: типичные глаголы делового английского, риторический контраст в духе «не просто A, а B», тройные перечисления через запятую, штампованные первые строчки писем. Я взял эту страницу и сделал из неё Claude Skill: ai-tells-validator. Каждый запуск тянет свежую версию (час mtime-кэша), парсит её, режет ваш драфт по живому каталогу. Две команды: 🔍 validate, найти все тэллы в драфте ✍️ rewrite, позвать Claude и переписывать, пока валидатор не загорится зелёным (до 3 попыток) Реальный кейс. Батч из 44 холодных писем для outbound. По зрительному прогону казалось, что нужно поправить 6-7. Валидатор завернул 38. Почти все на одном или двух длинных тире. Без скилла этот батч ушёл бы в почту руководителям, и каждый прочитал бы первый абзац как «о, это ИИ написал». Главная фишка не в правилах, их можно скопипастить с любого блога. Главная фишка в источнике правил, потому что он живой. Коммьюнити ловит новые тэллы быстрее, чем кто-либо из нас успевает их заметить. 🔗 github.com/crimeacs/ai-tells-validator 📚 каталог: en.wikipedia.org/wiki/Wikipedia:Signs_of_AI_writing

5 мыслей после ужина с партнёром a16z Zane Lackey 1. AI - это не “ещё один cloud”. По масштабу, ИИ ближе к индустриальной революции + электричеству. По крайней мере, так на это смотрят инвесторы. 2. Сейчас можно взлететь с маленькой командой + AI tooling + tokens вместо десятков людей и огромного cloud burn. 3. Venture нужен не всем. Но если идёшь в VC, ставка должна быть большой. Инвесторы покупают не “полезную фичу”, а огромный рынок и ощущение inevitability. 4. Старые, скучные категории могут внезапно стать интересными. Хороший pitch: “эта область 20 лет была ужасной - вот почему, и вот что AI наконец изменил”. 5. Build vs buy не умер. AI позволит компаниям строить больше внутреннего софта, но настоящий enterprise product - это поддержка, безопасность, документация, фичи и ответственность. Это всё ещё покупают. Главный вывод: сейчас выигрывают не те, кто просто “добавил AI”, а те, кто понял, какую старую боль AI делает наконец решаемой.

🕵️‍♂️ AI-продукт недели: damnlines.com Сайт показывает очереди в хайповые места Нью-Йорка в реальном времени: камеры → computer vision → счетчик людей → «стоит идти или нет». Построил Lucas Gordon, инженер из NYC; публично проект идет через G26 LLC. Главный урок: ценность часто не в «суперумной модели», а в том, чтобы воткнуть простой AI pipeline в правильное место реальности. Вот например моя любимая slice пицца: https://damnlines.com/camera/lindustrie-pizzeria

Как я сделал предиктор виральности для Hacker News Собрал штуку, которую сам давно хотел: клон Hacker News, куда можно вставить draft поста до публикации и увидеть: — предсказанный score — p10–p90 диапазон — похожие старые HN-посты — почему модель так думает — и примерные комменты, которые тебе прилетят Сегодня запостил это на сам HN: https://news.ycombinator.com/item?id=48109136 Ниже - как оно устроено. Зачем HN - странная платформа. Я захотел сделать инструмент, который хотя бы примерно отвечает на вопрос: “Этот заголовок вообще имеет шанс?” Данные Собрал через публичный Algolia HN Search все посты с 2007 года, которые набрали ≥5 очков. Получилось 148,421 истории. Главная деталь: сплит строго хронологический: — train: до июля 2025 — validation: август–декабрь 2025 — holdout: январь 2026+ Random split здесь ломает задачу. Если случайно перемешать данные, модель начинает подсматривать в будущее через kNN-соседей: на трейне выглядит умной, в проде разваливается. Это была первая грабля, на которую я наступил. Эмбеддинги и соседи Для каждого поста беру title + первые ~200 символов body и прогоняю через Gemini embeddings. В Postgres / pgvector храню: — halfvec(3072) для cosine search — bit(3072) для быстрой бинарной префильтрации Поиск двухступенчатый: сначала быстрый HNSW по бинарке, потом cosine re-score по halfvec. На 148K постов p50 получается около 50 мс. Модель Поверх kNN-соседей обучен LightGBM на 31 фиче. Фичи: score ближайших соседей, доля frontpage-попаданий, плотность neighborhood, свежесть соседей, длина заголовка, Show HN / Ask HN, знаки препинания, цифры, время публикации, день недели, доменные priors. Важная деталь: kNN при тренировке тоже time-causal. Для поста из 2025 года нельзя искать соседей из 2026-го. Только прошлое. Иначе вся честность хронологического сплита исчезает. Модель имеет четыре головы: — median score — p10 — p90 — вероятность score ≥100 Инференс без ML-рантайма LightGBM компилируется через m2cgen в чистый JavaScript. В итоге: — нет Python-сайдкара — нет ONNX — нет ML runtime — нет отдельного сервиса — Vercel function просто исполняет JS if-else дерево Бандл около 10 MB, инференс sub-ms. До этого пробовал onnxruntime-node, но cold start на Vercel был 1.5–3 секунды. Для такой штуки это слишком больно. Holdout Метрики на честном holdout: — Spearman ρ = 0.33 по log-score — MAE log = 1.65, то есть часто примерно x5 в сырых очках — AUC для score ≥100 = 0.67 — Precision@30 = 0.83 Это не “я предсказываю HN”. Скорее: из заголовка и исторических аналогов можно вытащить примерно треть сигнала. Симулятор комментов Моя любимая фича. Система ищет похожие старые HN-посты с реальными комментами, берёт top comments из этих тредов и просит Gemini Flash сгенерировать возможные реакции: — скептик — педант — tangent guy — корректор — поддерживающий комментатор Но каждый simulated comment должен быть grounded в реальном HN-комменте. Rewriter и Auto-improve Есть rewriter: он берёт твой title, смотрит на соседей, предлагает три улучшенных варианта и снова прогоняет их через модель. Auto-improve делает это в несколько раундов и показывает hill-climb: как заголовок постепенно двигается к более сильной версии. Live calibration ledger Чтобы не рисовать красивые ML-графики задним числом, я добавил /predictions. Каждые 10 минут systemd-таймер берёт top-30 реального HN, прогоняет через predict endpoint и пишет в Postgres: — что модель предсказала — что реально произошло потом Ошибки видны вживую. Их нельзя ретушировать. Код Всё открыто под MIT: github.com/crimeacs/foresyn-hackernews Можно форкнуть под Reddit, X, Product Hunt или любую платформу, где есть исторические посты и outcome. Я запостил это на HN сегодня. Перед публикацией модель предсказала моему собственному title 32/99 virality и около 12 raw points. Теперь live ledger покажет, была ли она хоть немного права. Show HN: https://news.ycombinator.com/item?id=48109136 Буду рад апвоуту, комменту или честному roast’у ❤️

Проанализировал 150к постов на HackerNews и сделал модель, которая поможет завируситься Ты час подбираешь заголовок для Show HN, нажимаешь submit - и через 30 минут либо летишь в топ, либо тихо умираешь в /newest. И почти невозможно понять, почему. В выходные я собрал инструмент, который сам давно хотел: → hackernews.foresyn.ai Это клон HN, где можно прогнать свой Show HN до настоящего поста. Пишешь title + url + description - и модель показывает: — сколько очков можно ожидать — реалистичный p10–p90 диапазон — похожие прошлые HN-посты — что тебе, скорее всего, напишут в комментах — как можно улучшить заголовок Особенно горжусь - симулятором комментов Он ищет реальные старые HN-комменты к похожим постам и показывает, кто придёт душнить: “we built this in 2017” “why not SQLite?” “how is this different from X?” “pricing?” Ещё есть Auto-improve: модель сама генерит варианты заголовка, перескоривает и greedily лезет вверх до плато. И Live ledger: каждый день скорим настоящую HN frontpage и публикуем ошибку модели: → hackernews.foresyn.ai/predictions В понедельник я хочу запостить это на сам Hacker News. До этого очень нужно, чтобы люди попробовали сломать штуку. Особенно если вы уже постили на HN: верите ли скору? где UX бесит? какой prediction выглядит нелепо? Про то, что под капотом напишу отдельный пост: 148K HN-постов, Gemini embeddings, halfvec индекс, LightGBM поверх 31 фичи, kNN-сигналы, domain priors, time-of-day, title craft. → Попробуйте!