Психиатрия и системный дизайн

При всей популярности и благости идеи хранить как можно больше настроек, параметров, конфигов инфраструктуры в тексте и в репозиториях, идея управления ценами/скидками/промокодами из конфигов не получила прям большой популярности.

Для этой цели был разработан tierrun от автора npm Isaac Schlueter, но у него не хватило времени на проект, и он отправил его в архив несколько лет назад 😢

Ещё есть компоненты для Terraform, которые умеют создавать тарифы Stripe, можно описать продукты, цены и промокоды как инфраструктурные ресурсы. Но тащить к себе целую девопс-экосистему ради управления тарифами — это надо иметь прям очень особый склад ума.

При таком вот выборе из тяжелый devops IaC решений и мёртвой лёгкой альтернативе (tierrun) я собрал лёгкий и гибкий RateRunner CLI — бесплатный и open source.

CLI работает с одним YAML-файлом, в котором описывается вся модель монетизации продукта. Не просто ценники за подписку, а полная картина: сколько проектов, файлов, команд, пользователей доступно на каждом тарифном плане. Лимиты API-вызовов. Промокоды со сроками действия. Триальные периоды, аддоны, маркетинговые описания для pricing page.

Что умеет CLI:
- validate проверяет конфигурацию до деплоя
- plan показывает diff между файлом и тем, что сейчас у провайдера (dry-run)
- apply синхронизирует всё в Stripe
- import вытаскивает существующие продукты из Stripe в YAML

Когда вся модель монетизации лежит в коде, ей куда проще управлять и появляются разные варианты реализации. Можно прогнать apply и залить конфигурацию в Stripe (скоро Paddle и Chargebee). А можно не синхронизировать вообще и процессить биллинг целиком у себя.


https://www.raterunner.run/docs

Я люблю нон-фикшн. Популярная физика, теория переговоров, космология, разное всякое другое. Правда, через месяц из книги в голове остаётся процентов пять (или меньше).

Кривая забывания Эббингауза работает— чем больше времени проходит, тем меньше остается в голове. Чтобы удержать прочитанное, надо делать заметки, делать конспекты, гонять себя по флеш-карточкам и сознательно запоминать прочитанное (если оно, конечно, того стоит). Но для этого заметки нужно сначала откуда-то достать. Я читаю книги в iBooks — делаешь пометки на телефоне, потом это все синкается по всем устройствам.

Удобно вроде как? Не совсем — цитаты и пометки из iBooks достать трудно. Из-за каких-то там ограничений по политикам их нельзя взять и экспортировать из текста все и сразу, только по одной!

Меня это достало, и несколько лет назад я написал ibooks-notes-exporter. Консольная утилита для Маков, которая лезет в Apple Books и вытаскивает заметки в Markdown. Список книг с количеством заметок, экспорт по конкретной книге. Утилита доступна в brew, код открыт на гитхабе.

Это было несколько лет назад, народ потихоньку начал пользоваться. Потом не было времени и проект встал на паузу. Сейчас вернулся, обновил библиотеки, пофиксил баги.

Но главное — сделал MCP-сервер. Три инструмента: list_books, get_notes, search_notes. Подключаешь к своей LLM и она получает прямой доступ к твоим книжным заметкам. «Сделай конспект из хайлайтов по последней книге». «Сгенерируй карточки для spaced repetition».

Прочитанные книги теперь становятся частью контекста AI-агента, потому что заметки лежат локально и агент читает их через MCP. Local-first, никакого облака.

https://github.com/57uff3r/ibooks_notes_exporter

В воскресенье были в пабе с дружищем Колином. Он ремонтирует дом в Португалии, спросил ИИ несколько вещей — и эта хреновина после долгих раздумий посоветовала ему всобачить раковину в центр комнаты. Без стен, без креплений — просто раковина в центре. С одной стороны, у нас тут "AGI вот-вот случится, человечество вымрет", с другой — раковина в центре комнате, кружка с запаянным дном и прочие прелести. "Ты абсолютно прав, давай теперь прикрепим раковину к стене снаружи дома на уровне второго этажа — так мы экономим место внутри дома".

С каждой новой моделью бенчмарки летят вверх — программирование, математика, формальные задачи, прогресс бешеный, и медиа подливают масла, крича про AGI на каждом углу.

Есть тест ARC-AGI— набор задач, которые хорошо решает даже школьник младшей школы, а AI буксует. Пространственное мышление, здравый смысл, способность увидеть паттерн в новом контексте без предварительной тренировки — всё то, что нам кажется «очевидным».

AI в ARC-AGI прогрессирует, но медленнее, чем в формальных штуках, и к тому же дорого — каждая попытка решения стоит реальных вычислительных денег. Тест уже несколько раз обновляли, потому что предыдущие поколения LLM научились его решать, но текущую версию человек по-прежнему решает быстрее, лучше, дешевле и качественнее. Последние версии теста последние версии моделей решают худо-бедно на 1%<.

Локальное превосходство AI над средним человеком — уже факт: код, перевод, анализ данных, модели во многих узких задачах работают лучше. Но по совокупности мы не в точке, где мозг побит на всех фронтах, и это при том что прогресс идёт каждый месяц.

И вторая штука, поважнее — эта точка может наступить быстро и случайно, не как плавный переход, а как скачок, к которому мы, скорее всего, не будем готовы.

Хотите оценить реальную близость к AGI — смотрите ARC-AGI, не бенчмарки по коду и математике.

Домик для "внешнего мозга"

Чтобы поспеть за тем, что происходит в мире, одного AI уже мало.

Одна половина экзокортекса — агент, который перемалывает мои заметки, идеи и бэклог. Вторая — штука, которая смотрит за миром моими глазами: читает новости, снимает скриншоты интересных сайтов, лопатит arXiv, делает саммари и сама решает, стоит ли читать что-то из новых препринтов.

Всё это можно было поднять в облаке за пять минут, Но я решил упороться и собрал под это физический кластер дома.

Корпус — Rackmate. Алюминиевый каркас под 10-дюймовый серверный рэк. Внутрь кладется специальная полочка, на которой живет кластер Rapsberry 5 и платы с SSD — диск монтируется прямо на плату. Сверху платы уже крепится Pi 5 с вентилятором. Всё собирается в кластер, а в самый низ стойки прячется свитч. Питание и сетевые кабели переезжают на передюю панель, вместе с красивыми индикаторами.

На этом кластере крутятся базы, воркеры, питон. Читают новости, аггрегируются сигналы из внешнего мира и кладутся в БД. Всё local-first, ничего в облаке.

Теоретически сюда можно воткнуть self-hosted LLM на миллиард параметров — Pi потянет. Простенький tool-calling или категоризация текстов прямо на железе, без OpenAI.

Ходить в кластер можно через Telegram или через веб — если вытащить в интернет.

Обязательно ли было это всё делать, чтобы читать новости и обрабатывать сигналы внешнего мира? Нет. Но собирать её было классно 🤗

🚀 quint-code 5.1.0

Мы строили строили и наконец!

Что там внутри:

Codebase Awareness – квинткод теперь видит ваш проект не как набор файлов, а как структуру модулей. Go, TypeScript, Python, Rust – парсит импорты, строит граф зависимостей, показывает какие модули покрыты решениями, а какие нэт. Может быть полезным. Вы же хотите себе доку для каждого модуля?))) Spec Coverage блин!

Когда код под решением меняется – drift detection поднимает флаг в /q-status. Когда модуль A меняется и от него зависит модуль B – вам тоже об этом должн квинткод сказать.

Cross-Project Recall – решения теперь живут не в репе, а в вашей домашней директории. Фреймите (/q-frame) проблему в проекте B – и вам (вашему агенту, ну в общем) с высокой вероятностью всплывает похожее решение из проекта A, которое вы приняли какое-то время назад. Еще и с пометкой насколько контекст релевантен)))

Зачаточный Decision Integrity – перед записью решения агент теперь запускает adversarial check, я знаю что модели сами себя критикуют плохо, да еще с тем же контекстом, но это лучше чем ничего (этому есть куда расти в будущем).

Note-Decision Dedup – если агент попробуе записать заметку которая дублирует существующее решение то MCP даст по рукам, поймает и скажет "бро, тут эт, уже есть dec-003, может не надо?"

Ну и дока, к новой версии и еще лучше! И там больше деталей, читайте. Например там про то что quint-code еще и проблем-таск-трекер...)

Миграция с 5.0: quint-code init в каждом проекте. Данные сохранятся, база сама переедет в ~/.quint-code/. Подробности там же в доке.

Что дальше? НУ вообще надо делать нормальный Team mode.

Центральный сервер, один бинарь, PostgreSQL или SQLite на выбор, мысли такие.

Архитектура уже заложена. Но это уже следующая и длиннющая серия.

⭐ github.com/m0n0x41d/quint-code

В это надо вкатываться — и под "это" я понимаю не столько инструменты, сколько методологию и теорию за ними. Обязательно посмотрите доки, на которые ссылается этот проект — может, не саму доку с First principles framework, но статьи Левенчука по теме.

Tip: Use /btw to ask a quick side question without interrupting Claude's current work

Не знал. Просто спрашивал 🤷‍♂️

Что люди считают хорошим и полезным каналом?
Я пишу редко, но по обычно делу — код, разборы статей, книги. Потому что мне нравится, когда сжато и с пользой. Но то ли это, что людям нравится читать? И почему на фоне ресерчей и научных статей куда больше лайков собирает пост про лондонский паб и пиво? 😀

Короче, чем вам нравятся ваши любимые каналы и о чем пишут там? И чего бы вам больше хотелось видеть здесь?

"Some Simple Economics of AGI" Часть 2 — Verification Bottleneck

ИИ написал прошивку для реактора, долбанет ли реактор?

Мы уже обсуждали ИИ бутер — люди сверху для принятия решений, ИИ в середине для работы, люди снизу на контроле результатов работы ИИ.

По итогу у нас в математической модели cтоимость автоматизации падает экспоненциально, а стоимость верификации — нет. Она упирается в человеческое время.

Пока у тебя короткая петля обратной связи — сделал, деплой, посмотрел, упало или нет — всё ок. Чатботы, генерация картинок, код для лендинга. Верификация дешёвая, интуитивная. Именно поэтому первый product-market fit NN случился в этих доменах.

Но есть много отраслей, где так не работает. Медицинская диагностика. Автопилоты. Ядерные реакторы. Государственная политика. Новое лекарство, которое запустили в рынок. Там петля обратной связи — месяцы и годы, а последствия сильно дороже, чем "не та кнопка на лендосе".

Компании, которые продают неверифицированное ПО клиентам, забирают профит себе, а риск раскидывают на всех. Отсюда ситуация, по динамике похожая на ипотечный кризис 2008-го года, когда банки продали друг-другу хреновых кредитов по цепочке, кредиты не получилось взыскать — и по цепочке все потеряли деньги.

Использовать AI для верификации AI — это не решение. Это correlated blind spots. Ты просто создаёшь ложную уверенность, что всё проверено, хотя слепые пятна одинаковые.

Мы в ситуации, где можем нахерачить кода в любом количестве. А проверить — не можем. Недалекие бизнесы проблемы игнорируют, умные — тормозят вайбкод истерию и занимаются остройками пайплайна качества.

"Some Simple Economics of AGI" Часть 1 — AI Sandwich

Теоретическая структура технологического бизнеса в (не)далеком будущем.

→ Верхний слой: Intent Directors. Люди, которые работают с неопределённостью и стратегией. Той, которую нельзя квантифицировать. Они переводят свои идеи в операционные инструкции. Говорят "сделай вот это" так, чтобы агенты могли понять и выполнить.

→ Средний слой: AI-агенты. В лучшем (или худшем?) случае только AI будет исполнять задачи.

→ Нижний слой: Quality assurance и quality control. Доменные эксперты, аудиторы, QA- и security-инженеры. Все они должны убедиться, что финальный продукт работает как ожидается и как задумано, что он безопасен и compliant. Я пока не готов доверять вайбкоженной прошивке ядерного реактора.

Те, кто умеет выстраивать долгосрочные стратегии и чётко коммуницировать их execution-слою — 100% сохранят работу. Тут ничего не изменится — человечество всегда ценило и будет ценить лидеров и стратегов.

Те, кто может быстро верифицировать и валидировать большие и сложные продукты — будут в огромном спросе. Пока куча спикеров говорит о смерти QA, я говорю что кожаные массово будут заниматься QA, но сама эта область эволюционирует. Сложные validation pipelines, alerting, предотвращение инцидентов.

Как теоретически провалидировать миллион строк нового кода достаточно быстро, чтобы гарантировать качество и выпустить продукт быстро? Можем ли мы доверить AI присматривать за AI? До какой степени? Пока хороших ответов нет.

Говноеды и их идеальные резюме.

Кира Кузьменко разбирает, как меняется роль резюме и почему классический формат CV скоро сдохнет.

На входе в компании стоят AI-скрининги (не новость). Люди дружно научились их побеждать — правильные формулировки, измеримые результаты в цифрах, заточка под каждую вакансию. Сработало. Настолько хорошо, что теперь у HR на столе стопка идеально оформленных, одинаковых резюме, которые хрен отличишь одно от другого. И за этой правильной формой часто скрывается отсутствие содержания.

Сам формат CV появился ради удержания внимания уставших эйчаров. Когда ты просмотрел 50 резюме, а тут прилетает чьё-то кастомное, длинное, с нестандартной структурой — то такое хитрое резюме с большей вероятностью полетит в помойку, чем в пайплайн найма.

Но AI не устаёт. А значит, теоретически, резюме для ИИ можно делать жирней, с деталями и кучей контекста. Чертова железяка все прочитает без устали и, может быть, оценит человека по достоинству.

Кира предполагает, что CV будет эволюционировать в markdown-файл со ссылками. За каждой ссылкой — детальное портфолио, описания проектов, решённые задачи. AI проходит по ссылкам, высасывает информацию, анализирует и скорит грамотно. Человек тоже может открыть и не сойти с ума от сложности контекста. Вроде как такой формат должен устроить и железяк и кожаных. Кира рекомендует начать собирать такие свои ссылки сейчас, потому что это довольно трудоемко и не получится быстро сделать, когда вам вот прям срочно сейчас нужна работа.

А в работе будет нуждаться все больше людей, которых постепенно будет выкашивать автоматизация низко-среднесложных мозговых операций. Или переделы на рынке в рамках ИИ потрясений.

📺 https://www.youtube.com/watch?v=hN9R-KUNmr8

До кучи — похожее от Антропика https://github.com/anthropics/knowledge-work-plugins

Собрал кусок своего экзокортекса в публичный репозиторий.

Работает через команды управления плагинами Claude

# All commands have to be executed in Claude CLI tool
# Add marketplace
/plugin marketplace add 57uff3r/awesome-ai

# Install plugin
/plugin install akorchak-awesome-ai

# Restart Claude via /exit command 
# and all installed skills will appear in your system

Что там:

Deep Research — аналог того, что делает OpenAI, но с кросс-валидацией источников. Ранжирует по авторитетности, вычисляет что надёжно, что нет, работает с первоисточниками. Можно расширять исследование дополнительными темами. Работает для любых задач — инженерных, бизнесовых, whatever.

Venture Analyst — смотрит на ваш (или не ваш, а чужой) бизнес глазами VC. Закидываете сайт или питчдек — получаете фидбэк. В отчете будет и оценка рынка, и оценка бизнес модели, и конкуренты, и риски, и еще десяток параметров, которые учитываются в венчурных сделках

Thinking Coach — спарринг-партнёр для обсуждения любых проблем. Настроен на мой вкус: аналитическая философия, формальная логика, проверка на когнитивные искажения. Помогает дойти до чётких, продуманных решений вместо каши в голове.

+ Еще более специфические команды

Репо тут, буду обновлять:
https://github.com/57uff3r/awesome-ai

Тяжёлый рабочий день с кучей стресса. Потом все в тумане и ты обнаруживаешь себя за просмотром обзора на итальянские сыры. Или листанием Financial Times (а то и чего похуже) без особой цели.

Иногда это происходит почти бессознательно. Мозгу нужен перерыв, надо бы встать и отдохнуть — но вместо этого ты залипаешь в что-то бессмысленное.

Первым делом нужно убрать телефон подальше. Можно в другую комнату. Вторым делом — поставить блокировщик на комп.

Блокировщики сайтов и приложений помогают остановить первый порыв. Но большинство легко обойти — закрыл вкладку с предупреждением, на автомате отключил расширение. Автопилот иногда быстрее силы воли. Особенно когда голова уже не варит.

Cold Turkey — блокировщик, который не так просто вырубить. Пожалуй, самый агрессивный блокировщик из тех, что я пробовал:

➡️ Системный — блокирует сайты и приложения. Поднимать дофамин мемами в телег уже не получится.
➡️ Защита от обхода — может заблокировать смену системного времени, удаление приложения, доступ к диспетчеру задач.
➡️ Ядерная опция — режим "Frozen Turkey" блокирует весь компьютер до конца таймера

$39, пожизненная лицензия, работает на Mac и Windows.

Если иногда скатываешься в думскроллинг — такие приложения напоминают, что есть способы отдохнуть получше. Придется вставать, идти гулять/есть/делать кофе. Ну или идти за телефоном (потому что он лежит в другой комнате)

https://getcoldturkey.com/

Строю себе экзокортекс — внешний мозг на AI-агентах. Пришлось уйти с Notion на Obsidian после 8 лет.

Причина: Obsidian хранит файлы локально и AI-агенты получают к ним более простой доступ. Можно писать хитрые процессы обработки данных: посмотри эти заметки, проверь с этими, обнови документацию по вот тем вот примерам.

Что это даёт на практике:
→ Агенты получают прямой доступ к заметкам и знают, что где лежит
→ Проводят исследования и сохраняют результаты прямо в заметки. Другие системы читают результаты исследований и помогают в принятии решений.
→ Всё версионируется в git, видно что агент делал

Разбор записей, чистка нерелевантных задач, контент-бэклог, закупки в магазин, еженедельная рефлексия — то, что раньше занимало 4-6 часов в неделю, теперь укладывается в 15-20 минут. Коучинг-сессии (бесплатно!) и архитектурные решения тоже стали быстрее. С тем же качеством. Голова разгружается.

Да, можно было бы интегрировать AI и с Notion. Но локальные файлы + git + Claude commands — это другой уровень гибкости. Настраиваешь правила ранжирования источников, автоматизируешь рутину, строишь свой экзокортекс. Команды знают, где в какой папке найти документы, куда сложить результаты работы и куда обратиться за информацией.

Грустно ли уходить от Notion? Очень. Но преимущества локального AI-стека перевесили.

Когда я начинал с AI-инструментами для кода, запрос "напиши мне функцию" казался амбициозным. Теперь кто-то вайбкодит операционные системы. UI и браузер в комплекте.

Сегодня мы видим на GitHub хобби-ОС, написанную целиком через Claude Code. Не просто ядро — полный стек: файловая система, графический интерфейс, браузер.Работает. Описание проекта: "Not everything works, some stuff is not even tested, but most things do."

Это не продакшн. Это эксперимент. Но сам факт, что это стало возможно за короткое время — показывает, что мир конца 2026го года может сильно отличаться от начала этого же самого года.

https://github.com/kaansenol5/VibeOS

Много успешных компаний, проектов и многомиллионных венчурных сделок началось с того, что люди запостили свои начинания на Hacker News.

Несмотря на уродский дизайн и возраст, доска объявлений от YC уже больше двадцати лет остаётся важным источником информации для журналистов, инвесторов и технологических энтузиастов.

«А что же там постят, что залетает и какие основные тренды?» — спросил я себя и решил покопаться в деталях.

Вместо того чтобы вручную потрошить сайт и выкачивать данные, я использовал выгрузку из Google BigQuery — они уже спарсили и сохранили у себя всю нужную информацию с Hacker News. Я скачал все опубликованные за последние несколько лет проекты на ноутбук и натравил на это свой пайплайн обработки данных.

Часть параметров, конечно, легко получить сразу в числовом виде — время отправки, количество плюсов под новостью. Но интересные фичи вроде типа продукта или предметной области приходится извлекать из текста. Для этого я использовал локальную версию GPT OSS 20B, которая успешно запустилась на M3 Max с 36 ГБ памяти. На обработку событий локальной LLM ушло примерно сто часов — и я не уверен, что использование API было бы быстрее.

В итоге я перевёл в числовой вид кучу информации из текстовых описаний и построил набор графиков.

И теперь отдаю вам PDF с пачкой визуализаций о том, что люди отправляют и что вирусится на Hacker News. Спойлер: в топе стабильно лидируют dev tools, но open source сам по себе не гарантирует внимания аудитории.
Короче, держите репорт.