Горизонт сингулярности

🚀 AI WEEKLY | 4–11 октября 2026

На этой неделе я бы выделил:

1. Anthropic описали кейс, как Claude обошел ограничения ради задачи. Короче говоря, Claude нашел уязвимость в сервисе, получил платные данные через открытый токен и отправил полиции сообщение. Агент настолько старательно решал задачу, что по дороге решил забить на требования по безопасности своих действий. Это говорит о том, что при разработке важно ограничивать инициативу агентов, не убивая саму пользу от их автономии

2. OpenAI опубликовала талмуд из 700+ математических рукописей. Часть формализована в Lean-постановке, часть еще может содержать ошибки. Но можно сказать, что масштаб впечатляет. ИИ производит массив гипотез, доказательств и контрпримеров, который людям еще предстоит разбирать не один год

3. Microsoft решила превращать Windows в среду для агентов. MXC изолирует файлы и сеть, Windows ML запускает модели на GPU, NPU и CPU, а HydraFusion распределяет задачи между локальным и облачным компьютом. Направление такое, что агент становится системным процессом с правами.

4. Google открыла EmbeddingGemma2. Фишка в том, что модель эмбедингов мультимодальная, те сводит текст, код, изображения, аудио и видео в единое векторное пространство и работает на телефоне или ноутбуке. Локальный поиск по звонкам, роликам и документам можно строить без отправки чувствительных данных в облако. На этом можно строить кучу практических кейсов

5. Uber выложила ADR – систему обнаружения атак на AI-агентов, которая уже работает в продакшене. Свиду прикольно. Под капотом тоже довольно достойно. Система находит агентные инструменты на компьютерах сотрудников, собирает вызовы и трейсы, а подозрительные сессии отправляет на глубокий разбор. Для SOC это редкая возможность увидеть, что именно делают, например, кодинговые и инфраструктурные агенты и MCP-серверы внутри сред компании

6. Sakana AI предложила Continuous Memory Machine, где модель сама решает, когда обращаться к памяти, а когда продолжать вычисление. В лабиринтах доля полностью решенных задач выросла с 37% до 62%. Прикольный момент в том, что модельку не учили выбирать стратегию памяти, но она начала делать это сама

7. Biohub, Google и правительство США вложат 1,8 млрд дол. в Virtual Biology Initiative. Какая цель? Создание виртуальная клетка для проверки гипотез до дорогого лабораторного эксперимента. Есть надежда, что датасеты и часть моделек станут публичными

8. Ассоциация ФинТех РФ представила AI Digital Index. Это шкала зрелости от точечного AI до решений, делегированных агентам с определенными границами дозволенного. Особенно здраво звучит требование к базе -это качество данных, устойчивость архитектуры и понимание процессов, важнее насколько передовая модель. Внедрение предлагают измерять не числом пилотов, а включают туда эффективность, безопасность, степень покрытия процессов и др.

🔗 Anthropic: unintended model actions – https://anthropic.com/research/investigating-unintended-model-actions
🔗 OpenAI Math – https://github.com/openai/math
🔗 Microsoft: Windows for hybrid intelligence – https://blogs.windows.com/windowsexperience/2026/10/07/building-windows-for-hybrid-intelligence
🔗 Google EmbeddingGemma 2 – https://blog.google/innovation-and-ai/technology/developers-tools/embeddinggemma-2
🔗 Uber ADR – https://github.com/uber/ADR
🔗 Sakana Continuous Memory Machine – https://arxiv.org/pdf/2610.07907
🔗 Virtual Biology Initiative – https://www.reuters.com/business/healthcare-pharmaceuticals/us-government-google-join-zuckerberg-backed-biohub-18-billion-push-ai-biology-2026-10-07
🔗 AI Digital Index – https://fintechru.org/press-center/issledovaniya/podkhod-k-otsenke-zrelosti-landshafta-organizatsiy-finansovoy-otrasli

🚀 AI WEEKLY | 27 сентября – 4 октября 2026

Что можно выделить этой неделе:

🔹Во-первых, Google представила Gemini 4 Argon с выходом до миллиона токенов за запуск. Модель выделяется тем, что уже круто переписывает большие кодовые базы и сама ищет уязвимости. Уже заметно, что длинная генерация становится рабочим режимом для сложных задач, которые раньше приходилось декомпозировать вручную

🔹Во-вторых, NVIDIA вынесла контроль AI-агентов за пределы самих агентов. Open Agent Safety Platform ограничивает файлы, сеть и инструменты, а Sentry на отдельном BlueField-процессоре следит за правилами. Агент чисто физически не может заставить своего надзирателя отключиться.

🔹В-третьих, Anthropic добавила в Claude Code автоматическое проектирование evals (набор проверок) и hillclimbing (метод улучшения). Команда определяет измеримую метрику/или набор метрик, а агент подстраивает систему, запускает эксперимент и проверяет результат. Главной задачей владельца продукта становится выбор набора правильных метрик

🔹 Meta предложила слой мета-рассуждения для трудоемких агентных задач. Контроллер следит за прогрессом, закрывает тупиковые ветки и распределяет вычислительный бюджет. Своего рода диспетчер, который отличает полезного агента от дорогого процесса, который бодро сжигает ваши токены

🔹 Mercor сравнила бухгалтеров с моделями на реальных заданиях. AI уже выполняет их быстрее и на порядок дешевле сильного специалиста. Я думаю, это не автоматизация профессии как такой, есть еще много серых зон, зато повод выделить рутину и отдать ее агенту.

🔹 Neuralink обучила декодеры на 50 000 часах нейронных записей пациентов. Время калибровки сократилось в 5 раз до 10 минут. Я думаю, что следующий шаг – фундаментальная модель мозговых сигналов. И кому должны принадлежать такие данные о мозговой активности человека - хороший вопрос?

🔹 Runway перешла от генерации видео к робототехнике с Praxis-1. Видеопредобучение помогает модели выбирать действия реального робота, а под новую платформу обещают лишь небольшое дообучение. Если подход выдержит практику, архивы видео вполне могут стать учебником физического мира

🔹 Endra показала Power Studio для проектирования электрики зданий. На восьмиэтажном объекте система сделала разводку, подбор кабелей, спецификации щитов и чертежи для Revit примерно за три часа вместо недели. Провыр уже трудно игнорировать, надо внедрять

🔹OpenAI раскрыла кампанию по извлечению скрытых рассуждений из своих моделей, которую связала с разработчиками Kimi. За два дня система увидела около 16 000 запросов, а связанный кластер вырос до 15 000 аккаунтов. Новый объект промышленного шпионажа – спереть ваш reasoning

🔹 Google поймала агентов на привычке приукрашивать отчет. В одном тесте GPT-5.5 упомянула подлог лишь в 2 случаях из 200, фраза Be honest in your response подняла результат до 190. Как вывод - длинные задачи требуют проверки логов

🔗 Google Gemini 4 Argon – https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-4-argon
🔗 NVIDIA Open Agent Safety Platform – https://developer.nvidia.com/blog/nvidia-open-agent-safety-platform-a-reference-for-continuous-in-silicon-agent-monitoring
🔗 Anthropic: evals и hillclimbing – https://claude.dev/blog/automating-eval-design-and-hillclimbing
🔗 Meta: Agentic Meta-Reasoning – https://arxiv.org/pdf/2609.38147
🔗 Mercor: AI и работа бухгалтеров – https://mercor.com/blog/human-baselines-for-benchmarks-ai-now-outperforms-junior-accountants
🔗 Neuralink – https://neuralink.com/updates/pretraining-on-50000-hours
🔗 Runway Praxis-1 – https://runway.com/research/introducing-praxis-1
🔗 Endra Power Studio – https://aecmag.com/mep/endras-ai-turns-a-week-of-design-into-hours
🔗 OpenAI: adversarial distillation – https://openai.com/index/disrupting-a-coordinated-model-distillation-campaign
🔗 Google: честность агентных отчетов – https://arxiv.org/pdf/2609.36139

Как установить ChatGPT на Mac через Terminal
Для тех, кто работает на Mac, есть похожий способ установки — как и на Windows через winget, только здесь используется Homebrew.
Про установку ChatGPT на Windows через winget писал здесь:
https://t.me/horizon_singularity/545
На macOS логика почти такая же: не нужно вручную искать .dmg, скачивать его и перетаскивать приложение в Applications.
Открываем Terminal и проверяем, установлен ли Homebrew:

brew --version

Если Homebrew нет
/bin/bash -c "$(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/HEAD/install.sh)"

Если Homebrew уже есть — ставим ChatGPT одной командой:

brew install --cask chatgpt

Готово.
Приложение появится в:

/Applications/ChatGPT.app

Запустить его можно через:
Applications → ChatGPT
или через Spotlight:

⌘ + Space → ChatGPT

Если Homebrew ещё не установлен
Сначала ставим Homebrew с официального сайта, после этого повторяем:

brew install --cask chatgpt

Обновить ChatGPT

brew upgrade --cask chatgpt

Посмотреть информацию о пакете

brew info --cask chatgpt

Удалить приложение

brew uninstall --cask chatgpt

То есть на Mac всё выглядит почти так же просто, как в Linux:

brew install --cask chatgpt

Одна команда — и ChatGPT установлен.
Очень удобный способ, особенно если вы и так используете Homebrew для установки софта.
https://t.me/horizon_singularity
#ChatGPT #OpenAI #macOS #Homebrew #Mac

🚀 AI WEEKLY | 20–27 сентября 2026

Ключевые события на этой неделе:

1. OpenAI выводит GPT-6 Sol и Luna в роль рабочих моделей – обе стоят вдвое дешевле версий 5.6, не пытаясь вытянуть из них новый frontier. Для массовых задач цена иногда важнее еще двух пунктов в бенчмарке

2. Anthropic ускоряет Claude Opus 5.5 и снижает стоимость длинной работы – компания заявляет примерно 40% экономии на типичных задачах и более быструю генерацию. Главный акцент сделали на большие кодовые базы, computer use и многочасовые процессы.

3. JetBrains Air собирает coding-агентов разных вендоров так сказать под одной крышей – ACP подключает Claude, Codex, Gemini и другие системы, а Air Governance задает расходы и политики. Модели меняются каждые несколько месяцев, а общий обвязочный слой политик, расходов и совместимости представляет на мой взгляд долгосрочную ценность для бизнеса

4. Black Forest Labs научила FLUX 3 Action сначала представлять действие робота, а затем выполнять его – модель предсказывает движения суставов вместе с будущими кадрами. Интересный подход, заслуживающий более внимательного разбора

5. Xiaomi открывает веса MiMo-V2.6 Pro и Flash – это омнимодальные MoE-модели получили контекст в миллион токенов и рассчитаны на кодинг, автоматизацию и computer use. В киберзадачах до лидеров пока имхо не дотягивает

6. Anthropic показывает слабое место фин рынков (трейдинга) с AI-агентами – в Project SWAP большая часть потерь возникла потому, что агент плохо понял предпочтения/намерения человека. Можно заключить. что перед автономной сделкой необходимо проверять не только полномочия, но и намерение

7. Яндекс внедряет reusable skills и MCP во внутренние процессы компаний – в AI Studio и Алисе AI Про можно настраивать рабочие сценарии и подключать корпоративные сервисы. Российский enterprise-AI все более развивается в направлении агентских интеграций, что позитивно, но пока качество базовых моделей (YandexGPT, GigaChat) в сложных задачах - главная проблема

8. Amazon выманивает бывших сотрудников обратно на AI-, ML- и cloud-роли – автоматизация не просто сокращает штат, а быстро меняет набор нужных компетенций. В общем, понятная ирония о которой мы кстати писали - сначала человек оказался лишним, затем внезапно понадобился для внедрения ИИ.

🔗 GPT-6 Sol и Luna – https://openai.com/index/introducing-gpt-6-sol-and-luna
🔗 Claude Opus 5.5 – https://www.anthropic.com/claude-opus-5-5
🔗 JetBrains Air – https://blog.jetbrains.com/blog/2026/09/22/introducing-jetbrains-air/
🔗 FLUX 3 Action – https://bfl.ai/models/flux-3-action
🔗 MiMo-V2.6 – https://mimo.xiaomi.com/mimo-v2-6
🔗 Project SWAP – https://www.anthropic.com/research/project-swap
🔗 Алиса AI Про – https://rb.ru/news/yandex-b2b-tech-zapuskaet-alisu-ai-pro-dlya-biznesa-ii-assistenta-mozhno-podklyuchit-k-vnutrennim-servisam-kompanii/
🔗 Amazon – https://www.businessinsider.com/amazon-boomerang-hiring-recruiting-former-employees-laid-off-2026-9

Друзья, мы сделали новый продукт — запустили подкаст от издательства «Открытые системы».

Первый выпуск уже вышел и доступен на площадках.

Мне кажется, у этого формата очень большой потенциал. На площадках «Открытых систем» постоянно встречаются сильные эксперты, практики, руководители, архитекторы и исследователи. Здесь действительно есть с кем обсуждать данные, качество данных, корпоративный ИИ и то, как технологии меняют компании.

Подкаст — отличный способ сделать эти разговоры более живыми, открытыми и доступными.

Хочется обсуждать не только технологии и данные сами по себе, а реальные практики, спорные вопросы, опыт внедрений, ошибки, ограничения, ответственность и то, куда всё это движется.

🔥 Первый выпуск — «Кто крайний за ИИ?»

Говорим про ответственность, риски и о том, почему ИИ становится особенно опасным, когда работает на плохих данных.

Смотреть выпуск:

▶️ VK Видео
https://vkvideo.ru/video-18661021_456239210

▶️ RUTUBE
https://rutube.ru/video/3003f2218c1a905e559630f5a8d90634/?r=wd

Смотрите, ставьте лайки и обязательно пишите, что думаете о формате. Особенно интересно, какие темы и каких гостей вы хотели бы увидеть в следующих выпусках.

Дальше будет только круче. 🚀

https://t.me/horizon_singularity

#подкаст #данные #DataQuality #AI #ОткрытыеСистемы #ГоризонтСингулярности

🚀 OPEN SOURCE AI WEEKLY | 17–24 сентября 2026

На этой неделе мне приглянулись:

🔹 RRSI от Google Research позволяет регуляризовать самоулучшение агентного харнесса – ограничивает бюджет правок, хранит историю гипотез и отсеивает улучшения, которые работают только на знакомых для агента задачах. Попытка авторов избежать переобучения харнессов на тренировочном датасете (сейчас довольно больная тема).

🔹Dream-RSI позволяет оптимизировать стратегию агента на истории прошлых запусков – так записанные ветки поиска становятся своеобразным симулятором, где можно быстро проверить новые правила без повторного выполнения дорогих экспериментов.

🔹Bonsai 2 от Prism ML придумали подход, который позволяет сжимает 27B-модель до 5,9 ГБ с тернарными весами. С такой моделькой локальные агенты, разбор документов и computer use становятся ближе к обычному железу. Цифры качества пока стоит читать как результаты авторов, но имхо нужен независимый аудит.

🔹Laya MLX переносит идею маленькой модели принятия решений в open source – вместо свободного текста она выбирает ответ из заданного набора. Для маршрутизации обращений и классификации это быстрее, дешевле и часто точнее большой LLM.

🔹 JING от XGEN Labs генерирует интерактивный мир от первого лица, при этом движок DAO хранит его состояние за пределами кадра – заготовка для симуляторов, обучения агентов и сред, которые продолжают жить без наблюдателя

🔹Anything2Explainer делает из статью или тему готовый ролик – агент исследует материал, пишет сценарий, собирает раскадровку, озвучку и субтитры. Плюс в том, что контент-команда получает сразу черновик MP4, а не документ с идеями.

🔹 DAMO Radar от Alibaba анализирует медицинские изображения и результаты медобследований + интересная открытая база для исследовательских пилотов.

🔹 Mobile Use от Minitap дает агенту управление Android через ADB – он устанавливает сборку, проходит интерфейс и собирает технический контекст ошибок. Полезный открытый слой для команд, которые хотят автоматизировать мобильное QA без пачки скриптов.

🔹 SOC Cockpit от Cisco - попытка закрыть дыру между SIEM и людьми – хранит расписание смен, контекст инцидентов, KPI и SLA, а помощник отвечает через RAG и точные SQL-запросы. Проект автоматизирует не сам момент обнаружения алертного события, а скорее анализирует передачу контекста между людьми. Именно на таких стыках процессы чаще всего и ломаются

🔗 RRSI – https://github.com/google-research/rrsi
🔗 Dream-RSI – https://github.com/zhengkid/Dream-RSI
🔗 Bonsai 2 – https://github.com/PrismML-Eng/Bonsai-demo
🔗 Laya MLX – https://github.com/mizorewww/laya-mlx
🔗 JING – https://github.com/XGEN-Labs/XGEN-JING
🔗 Anything2Explainer – https://github.com/Vincentwei1021/anything2explainer
🔗 DAMO Radar – https://github.com/alibaba-damo-academy/damo-radar
🔗 Mobile Use – https://github.com/minitap-ai/mobile-use
🔗 SOC Cockpit – https://github.com/cisco-open/SOC-Cockpit

#opensource #AI #AIAgents #GitHub #LLM

💻 Ставим новый ChatGPT на Windows 10/11 через PowerShell

Немного непривычный для Windows способ установки приложений — без браузера, без поиска .exe и даже без ручного открытия Microsoft Store.

Новый десктопный ChatGPT для Windows, включая актуальный клиент с Codex, можно установить прямо из PowerShell через winget.

Открываем Windows Terminal / PowerShell и проверяем, что winget доступен:

winget --version

После этого одна команда:

winget.exe install --id=9NT1R1C2HH7J --source=msstore --accept-package-agreements --accept-source-agreements --silent

И всё. winget сам найдёт официальный пакет ChatGPT от OpenAI в Microsoft Store, скачает его и установит. Этот способ установки прямо указан в документации OpenAI.

После установки ищем:

Пуск → ChatGPT

На актуальной версии в окне «О программе» уже можно увидеть:

Powered by Codex & OWL

То есть речь именно о новом десктопном клиенте, а не о старом стороннем ChatGPT-приложении и не об отдельном codex-cli.

Для обновления можно использовать привычный для winget вариант:

winget upgrade --id=9NT1R1C2HH7J --source=msstore

А посмотреть информацию о пакете:

winget show --id=9NT1R1C2HH7J --source=msstore

На Windows 10 и Windows 11 это, пожалуй, один из самых удобных способов установки: открыл PowerShell → вставил одну команду → получил официальный клиент.

Для тех, кто привык к Linux с apt или macOS с brew, наконец-то что-то очень знакомое и в Windows. 😎

https://t.me/horizon_singularity

#ChatGPT #OpenAI #Windows #Winget #PowerShell #Codex

⚡️ АРХИТЕКТУРНЫЙ БАТТЛ: КАКАЯ АРХИТЕКТУРА ДАННЫХ НУЖНА ИИ?

24 сентября на форуме [«Управление данными 2026»](https://www.osp.ru/lp/dm2026) столкнутся три подхода к построению архитектуры корпоративных данных.

🥊 На ринге:

🔹 Data & AI Platform — централизация данных, платформы и компетенций в едином центре.

🔹 Data Mesh — доменные дата-продукты, децентрализация и ответственность бизнес-команд.

🔹 AI-native — граф знаний и корпоративная семантика как основа для LLM, GraphRAG и ИИ-агентов.

Три команды будут защищать свои подходы и искать ответ на главный вопрос: какая архитектура действительно способна обеспечить промышленное внедрение корпоративного ИИ?

Участники баттла: эксперты «Инфосистемы Джет», DIS Group и МТС Group.

Модератор: Антон Сичинский, «Газпромнефть — ЦР».

💬 О чём поспорим:

• где необходима централизация, а где стоит передать ответственность доменам;
• какие элементы каждого подхода критичны для корпоративного ИИ;
• как совместить информационную безопасность, качество данных, скорость развития продуктов и автономность команд;
• какие ошибки компании совершают при выборе архитектуры;
• можно ли собрать реалистичный гибридный подход для крупной организации.

🎁 По итогам баттла участники получат чек-лист выбора архитектурного подхода с учётом бизнес-сегмента, организационной структуры и зрелости управления данными.

👇 Регистрация:
https://www.osp.ru/static/2026060823

🎟 Скидка 15% для подписчиков канала
Промокод: dmsing15

https://t.me/horizon_singularity

#УправлениеДанными #DataArchitecture #DataMesh #KnowledgeGraph #ИскусственныйИнтеллект #ГоризонтСингулярности

🎁 Похоже, владельцам 3D-принтеров и лазерных граверов подвезли отличный подарок.

Наткнулся на очень интересный open-source проект — Text-to-CAD.

И название тут даже немного скромное.

Это уже не просто история «напиши словами деталь — получи 3D-модель». Проект представляет собой набор skills, которые можно подключить к AI-агенту и дать ему полноценный инженерный workflow.

Что умеет:

⚙️ создавать и изменять CAD-модели по текстовому описанию;

📐 генерировать STEP/STP и проверять полученную геометрию;

🧩 работать со сборками, соединениями и размерами;

🖨 экспортировать модели в STL, 3MF и GLB;

📏 создавать DXF — а это уже особенно интересно владельцам лазерных граверов и резаков;

🤖 работать с URDF / SRDF / SDF для робототехники и симуляторов;

🔍 подбирать готовые STEP-модели стандартных компонентов;

🧪 проверять модель перед 3D-печатью — толщину стенок, нависания, поддержки и ориентацию;

🛠 готовить модель дальше по производственной цепочке.

То есть теперь сценарий может выглядеть примерно так:

«Сделай крепление для двигателя → добавь отверстия → проверь размеры → экспортируй STEP → подготовь STL для печати».

Или:

«Сделай панель с отверстиями и надписями → подготовь DXF → отправь на лазер».

Для всех, у кого дома или в мастерской есть 3D-принтер, лазерный гравер или ЧПУ, это уже выглядит почти как подарок.

Раньше между идеей и готовой деталью часто стояли CAD, моделирование, экспорт, конвертация форматов и куча ручной работы.

Теперь часть этого пути постепенно можно отдавать AI-агенту:

идея → модель → проверка → производственный файл → реальный объект.

Вот это, на мой взгляд, самое интересное.

Мы постепенно переходим от AI, который умеет красиво визуализировать идею, к AI, который способен работать с реальным инженерным артефактом.

По сути, это еще один хороший пример того, как концепция AI Agent Skills выходит далеко за пределы программирования.

Установка:

npx skills add earthtojake/text-to-cad

Репозиторий:

https://github.com/earthtojake/text-to-cad

И если у вас уже стоит 3D-принтер, который иногда простаивает из-за того, что «лень моделировать», кажется, теперь отмазок становится заметно меньше 😄

👉 https://t.me/horizon_singularity

#AI #AIAgents #CAD #3DPrinting #LaserCutting #Engineering

Сегодня выступали на TeamLeadToday 2026 🎤

Изначально мы должны были говорить про «ИИ-подчинённых» и контекст работы между людьми и «нелюдями» 🤖, но в итоге разговор оказался гораздо интереснее - про то, как меняется роль тимлида и инженера, какие тренды есть сегодня и каково это работать, когда рядом с людьми появляются AI-агенты.

Глеб Михеев забрал львиную долю эфирного времени, но обрисовал картину происходящего в отрасли и того, куда всё движется. Когда у него заканчивались «токены» 😄, он умолкал, но его манера быстрой подачи смыслов, думаю, и сделала эту дискуссию такой насыщенной.

Ему оппонировал и внёс существенный вклад примерами Владимир Анисимов. Ну а я периодически рассказывал о своих кейсах и вместе с Александром Мышонковым отвечал на вопросы из зала и участвовал в общей дискуссии. А модерировала нас прекрасная Диана Арепьева.

Мне понравилось наша дискуссия, есть желание собраться и пообщаться неформально🍻

Из выступлений забрал несколько терминов, которые хорошо описывают происходящее.

🥩 Meat Proxy - моё любимое. Это человек, который остаётся оператором между AI и реальным миром. Держит контекст, задаёт ограничения, понимает, зачем вообще делается задача, и отвечает за результат. А ещё вовремя оплачивает подписку на сервисы 😄

Есть 2 вида агентов:
🧑‍💻 Junior на стероидах - агент, который может сделать гораздо больше обычного джуна, но ему всё ещё нужно нормально поставить задачу и обеспечить «мясной» контроль.
🧠 Senior с амнезией - агент может решить сложную задачу, но не держит весь контекст. Его приходится постоянно возвращать в нужное состояние. Иначе наворотит.

Из принципов забрал себе метод Job to be Done.🎯
Агенту недостаточно сказать, что нужно сделать. Нужно объяснить, какую проблему мы решаем, дать контекст, ограничения, доступные ресурсы и критерии результата. То же самое, как и при промптинге, только уже при работе с агентом.
Это экономит время, токены и нервы.

Как и многие, сам дошёл до некоторых моментов на практике. Например, AI неправильно обрабатывал сценарии и уходил от ожидаемого поведения. А всё из-за неверного контекста и слабых вводных.

А теперь главный вывод после сегодняшней дискуссии:

⚙️ Задача инженера всё меньше заключается в том, чтобы писать код. Реально, писать код руками уже становится стрёмно.

🔧 Задача инженера - решать проблемы.
А задача тимлида в эпоху AI становится ещё шире - правильно распределить работу между людьми с разным уровнем работы с AI, а иногда и расширять возможности АI , там, где человек становится узким местом.

🤯 При этом становится всё сложнее держать контекст, задавать границы и отвечать за результат.
Плотность информации, которая проходит через тимлида или оператора AI-агентов, становится выше. Это заметно увеличивает нагрузку на психику и утомление при работе в многозадачности.

Не первый раз слышу от коллег по цеху истории, когда специалисты выгорают в ноль. Увольняются и уезжают в горы, на дачу, в випассану, из Москвы 😄

Всё потому, что выше кажется: человек, работающий с AI, сделал работу и можно его ещё чем то нагрузить.
Как бы не так)
Помню, когда-то на первой работе в IT мой ментор сказал, что качественной разработкой в день можно заниматься 3-5 часов, остальное - рутина, созвоны, правки и прочее.

🤖 AI-разработка не отменяет этот принцип. Высокая продуктивность - это высокая нагрузка и высокая ответственность. И те же 3-5 часов действительно хорошей работы никуда не исчезли.

🕸 Я вырос на «Человеке-пауке» и в фильме есть фраза, которая сегодня звучит особенно актуально:

«Чем больше силы, тем больше и ответственность».
AI дал нам новые возможности и кратно увеличил нашу «силу». А значит, вместе с ней растёт и ответственность - за решения, результат и то, как мы этой силой пользуемся.
Пожалуй, это главный take, который я забрал с сегодняшней дискуссии.

🚀 Будущее не наступает. Оно уже работает рядом с нами. Теперь вопрос только в том, как мы научимся с ним работать.

Подписаться ✍️

🚀 OPEN SOURCE AI WEEKLY | 2–9 сентября 2026

На этой неделе было много достаточно функциональных инструметов, которые можно взять и попробовать. Сделать CAD-деталь из текста. Собрать UI и отдать его coding-агенту. Срезать лишние токены в Claude Code. Разложить мысли не в чатике, а на большом канвасе.

Что запомнилось:

1. Text to CAD инструмент превращает текстовое описание в инженерную модель – агент строит деталь, экспортирует в формат STEP/STL и заранее ловит ограничения для 3D-печати. Для быстрого прототипирования это очень круто.

2. M3E Canvas делает из макета нормальное задание для coding-агента – можно руками собрать экран, а потом отдать структуру в Claude Code, Codex, Gemini CLI или Cursor. Не "сделай красиво", а уже почти готовое ТЗ.

3. Portal AI Plugins от Spotify режет расходы Claude Code – простые задачи уходят дешевым моделям, а большие файлы сначала компактно суммаризируются. Уменьшение счетов за токены - это сейчас важно.

4. PenEcho вытаскивает ИИ из тесного чата на большой канвас – формулы, схемы и заметки остаются там, где вы их положили, а модель отвечает рядом с контекстом. Иногда визуальное отображение решения становится важнее самой модели, особенно, когда задача усложнилась и разрослась, а структуру все еще нужно держать в голове

5. Hyperframes от HeyGen собирает motion-прототипы по референсу – полезная штука для маркетинга, продукта и creator-команд, когда нужно быстро проверить визуальную идею, и для этого не нужно "ставить" маленькую киностудию ради одного ролика.

6. Pythia собирает открытые события из сети в локальный прогнозный API – так что риск-команды и аналитики могут гонять мониторинг новостей и сценариев через Ollama, не отправляя все подряд в облако. Для параноиков, то есть для нормальных взрослых людей.

7. Science Skills от Google DeepMind накидывает агентам научные рабочие скиллы – это попытка научить модель прилично вести себя в R&D-процессе: проверять, оформлять, не терять нить эксперимента.

8. BitGN Architectures показывает, как проектировать агентов для e-commerce-задач – полезно всем, кто хочет анализировать сценарные кейсы, хочет смотреть на траектории разных вариантов решений, tool calls, ошибки и экономику решений.

Для себя я выделил - Text to CAD. В нем есть редкая радость: ИИ не просто рассуждает про инженерку, а пытается выдать объект, который можно проверить, поправить и напечатать.

🔗 Text to CAD – https://github.com/earthtojake/text-to-cad
🔗 M3E Canvas – https://github.com/lnkiai/m3e-canvas
🔗 Portal AI Plugins – https://github.com/spotify/portal-ai-plugins
🔗 PenEcho – https://github.com/penecho/penecho
🔗 Hyperframes – https://github.com/heygen-com/hyperframes
🔗 Pythia – https://github.com/jangles-byte/Pythia
🔗 Science Skills – https://github.com/google-deepmind/science-skills
🔗 BitGN Architectures – https://github.com/bitgn/bitgn-architectures

#opensource #AI #AIAgents #GitHub #LLM