AI Experience Exchange

🧠 Выбор правильной мультиагентной архитектуры Multi-Agent системы — мощный инструмент, но не универсальный. Ссылки Этот материал: https://github.com/kvoloshenko/LocalMultiAgents_01/blob/main/Python/ChoosingArchitecture.md Single AI Agent: https://t.me/AiExp01/133 Supervisor (Multi-Agent) https://t.me/AiExp01/135 Swarm (рой) https://t.me/AiExp01/137 Использовано видео "Choosing the Right Multi-Agent Architecture" https://www.youtube.com/watch?v=fqvbxkgU6vE Документация: https://docs.langchain.com/oss/python/langchain/multi-agent#choosing-a-pattern

🧠 Выбор правильной мультиагентной архитектуры Multi-Agent системы — мощный инструмент, но не универсальный. ❓ А точно ли вам нужен мультиагент? ❗️ Не факт, что вам вообще нужна мультиагентная система. Часто бывает, что: • достаточно одного агента • с тулзами / ручками • где агент сам принимает решение, какие инструменты дергать 📏 Критерии оценки архитектур Чтобы сравнивать разные подходы, автор вводит 4 критерия: 1️⃣ Распределённая разработка Можно ли независимо развивать разные части системы? 2️⃣ Многошаговые диалоги (multi-hop) Можно ли вызывать агентов последовательно, передавая контекст? 3️⃣ Параллельное выполнение Могут ли несколько агентов работать одновременно? 4️⃣ Общение с пользователем Общаются ли агенты напрямую с пользователем или только через специально выделенного агента? 🧩 Архитектура 1: Subagents / Supervisor Первая архитектура — Subagents, она же очень близка к уже знакомой нам Supervisor-архитектуре. Суть: • есть главный агент Supervisor • он общается с другими агентами • итоговый ответ пользователю всегда выдаёт Supervisor Оценки по критериям: • распределённая разработка — ⭐️⭐️⭐️⭐️⭐️ • параллельность — ⭐️⭐️⭐️⭐️⭐️ • multi-hop — ⭐️⭐️⭐️⭐️⭐️ • прямое общение с пользователем — ⭐️ 📌 Применима, когда: • нужна строгая централизация • сложная логика • разные подагенты выполняют специализированные роли 🔁 Архитектура 2: Handoff / Swarm (Рой) Следующий паттерн — Handoff, он близок к ранее рассмотренному Swarm (Рой). Суть: • агенты могут общаться каждый с каждым • каждый агент может: ◦ продолжать диалог ◦ передавать управление ◦ общаться напрямую с пользователем Важно: • в каждый момент времени активен только один агент • параллельности здесь по сути нет Оценки: • распределённая разработка — ❌ • параллельность — ❌ • multi-hop — ⭐️⭐️⭐️⭐️⭐️ • прямое общение — ⭐️⭐️⭐️⭐️⭐️ 📌 Подходит для: • сложных диалогов • reasoning-heavy сценариев • живых ассистентов с переключением ролей 🧠 Архитектура 3: Skills / Tools Третий паттерн — Skills (или Tools). По картинке он похож на Supervisor, но принципиально отличается: 👉 здесь всего один агент, а skills / tools — это ручки, а не отдельные агенты. Контекст подключается по мере необходимости (подход progressive disclosure). Оценки: • распределённая разработка — ⭐️⭐️⭐️⭐️⭐️ • параллельность — ⭐️⭐️⭐️ • multi-hop — ⭐️⭐️⭐️⭐️⭐️ • прямое общение — ⭐️⭐️⭐️⭐️⭐️ 📌 Очень сильный и практичный подход: • для production • для контроля контекста • как следующий шаг после single-agent 🧭 Архитектура 4: Router Последний паттерн — Router. Он тоже похож на Supervisor, но есть ключевые отличия: Суть: • есть специальный агент Router • он распределяет задачи по агентам • есть отдельный Synthesizer, который: ◦ собирает ответы ◦ и выдает финальный результат пользователю 👉 Итог выдает не Router, а именно синхронизатор. Оценки: • распределённая разработка — ⭐️⭐️⭐️ • параллельность — ⭐️⭐️⭐️⭐️⭐️ • multi-hop — ❌ • прямое общение — ⭐️⭐️⭐️ 📌 Отличен для: • fan-out задач • классификации + агрегации • высокопараллельных систем 🧩 Главный вывод Общий вывод автора (и мой тоже): 1️⃣ Начинайте с простого попробуйте single-agent 2️⃣ затем skills / tools 3️⃣ и только если этого не хватает — subagents, handoff или router Архитектура должна следовать за сложностью задачи, а не быть сложной «на всякий случай». Ссылки Этот материал: https://github.com/kvoloshenko/LocalMultiAgents_01/blob/main/Python/ChoosingArchitecture.md Single AI Agent: https://t.me/AiExp01/133 Supervisor (Multi-Agent) https://t.me/AiExp01/135 Swarm (рой) https://t.me/AiExp01/137 Использовано видео "Choosing the Right Multi-Agent Architecture" https://www.youtube.com/watch?v=fqvbxkgU6vE Документация: https://docs.langchain.com/oss/python/langchain/multi-agent#choosing-a-pattern

📣UI для Deep-Agents (Видео 9 минут) 📚 Про Deep-Agents см. пост здесь: https://t.me/AiExp01/142 Ссылки: 🚀Local-Deep-Agents-from-Scratch: https://github.com/kvoloshenko/Local-Deep-Agents-from-Scratch 🚀Deep Agents from Scratch: https://github.com/langchain-ai/deep-agents-from-scratch 🚀Deepagents UI: https://github.com/langchain-ai/deep-agents-ui

📣Local-Deep-Agents-from-Scratch (Видео 7 минут) Deep-Agents - это новое поколение LLM-агентов, рассчитанных на: ✨длительные горизонты (десятки–сотни шагов), ✨работу с большим количеством инструментов, ✨планирование и постоянное само-корректирование, ✨использование внешней памяти (файлы), ✨разделение задач между субагентами. 🚀 Используя эти принципы, вы можете создавать: аналитические агенты, исследовательские системы, кодовые ассистенты, бизнес-агентов, сложные workflow-пайплайны. 🧠 по материалам учебного курса: https://academy.langchain.com/courses/deep-agents-with-langgraph https://github.com/langchain-ai/deep-agents-from-scratch 🔗Исходники здесь: https://github.com/kvoloshenko/Local-Deep-Agents-from-Scratch 🔗 Конспект: https://github.com/kvoloshenko/Local-Deep-Agents-from-Scratch/blob/main/Conspect_01.md 👉Что еще посмотреть и прикрутить: https://github.com/langchain-ai/deep-agents-ui

📣Всем привет! Следующая интересная тема будет «Deep Agents» это новое поколение LLM-агентов, рассчитанных на: ✨длительные горизонты (десятки–сотни шагов), ✨работу с большим количеством инструментов, ✨планирование и постоянное само-корректирование, ✨использование внешней памяти (файлы), ✨разделение задач между субагентами. 🧠 Готовлю обзор по материалам учебного курса: https://academy.langchain.com/courses/deep-agents-with-langgraph https://github.com/langchain-ai/deep-agents-from-scratch 🚀 Пробую переделать под локальную LLM… 🔗Исходники здесь: https://github.com/kvoloshenko/Local-Deep-Agents-from-Scratch

🧠 Local Deep Researcher — полностью локальный ассистент для глубоких веб-исследований (Видео 5 минут) См. 📘 https://t.me/AiExp01/139 🛠 https://github.com/kvoloshenko/LocalDeepResearcher_01

🧠 Local Deep Researcher — полностью локальный ассистент для глубоких веб-исследований Хотите полноценного AI-исследователя у себя на компьютере — без подписок, без облака, полностью бесплатно? Теперь это реально. См. подробности здесь: https://github.com/kvoloshenko/LocalDeepResearcher_01 . Local Deep Researcher — это открытый проект от LangChain, который позволяет запускать полностью локальный Deep Research-ассистент на базе LangGraph + Ollama/LMStudio. Даете тему → агент сам генерирует запросы → делает веб-поиск → собирает тезисы → находит пробелы → уточняет → собирает итоговый отчёт в удобном Markdown cо ссылками на источники. ________________________________________ 🔥 Что умеет Local Deep Researcher • Работает полностью локально, все LLM-вызовы через Ollama или LMStudio. • Умеет делать многошаговое deep research в стиле IterDRAG: o генерирует поисковые запросы, o делает несколько циклов веб-поиска, o суммаризирует материалы, o анализирует пробелы, o задаёт уточняющие вопросы, o собирает итоговый отчёт. • Использует разные поисковые движки: o DuckDuckGo (по умолчанию, без ключей), o Tavily, o Perplexity, o SearXNG. • Визуализируется в LangGraph Studio: o видно состояние графа, o все промежуточные заметки, o финальный отчёт с источниками. • Настраивается одной переменной MAX_WEB_RESEARCH_LOOPS — хотите 2 итерации? Хотите 6? Пожалуйста. ________________________________________ 🎥 Видео, по которому всё построено “Building a fully local research assistant from scratch with Ollama” (English: 15 минут): https://youtu.be/XGuTzHoqlj8 Автор показывает, как за несколько минут поднять локального AI-исследователя, выбрать модель (например Qwen 2.5 или Llama 3.2), задать число итераций и получить структурированный отчёт за ~1 минуту — полностью бесплатно. ________________________________________ 📘 Конспект + ключевые идеи из видео • Исследование и суммаризация — один из самых востребованных сценариев для агентных систем. • Подход основан на итеративном цикле: вопрос → поиск → сводка → рефлексия → уточняющий вопрос → повтор. • Локальные модели отлично подходят, потому что параллелить десятки запросов тяжело, а итеративный подход — идеален. • Выбор модели — через Ollama. Автор рекомендует Qwen 2.5 и Llama 3.2, проверяя их по локальным бенчмаркам на HuggingFace. • Всё работает “из коробки”: достаточно запустить ollama pull, настроить .env и запустить граф через langgraph dev. ________________________________________ 🛠 Как это выглядит в работе 1. Вы выбираете модель (например qwen2.5:14b). 2. Указываете количество циклов исследования. 3. Вводите тему, например: “Как была обучена модель Qwen 2.5?” 4. Агент делает: o генерацию поискового запроса, o поиск, o суммаризацию, o рефлексию, o второй цикл поиска, o сбор итогового отчёта. 5. На выходе — структурированный markdown-отчёт со ссылками. ________________________________________ 📦 Репозиторий Готовый проект здесь: https://github.com/langchain-ai/local-deep-researcher ________________________________________ 💡 Вывод Local Deep Researcher — это, по сути, ваш личный AI-аналитик, который работает локально и бесплатно. Отличный инструмент для разработчиков, исследователей, тех, кто готовит отчёты, обзоры или учится работать с Deep Research-подходом. Если хотите — могу также: ✅ подготовить README для твоего проекта ✅ собрать учебный пример ✅ сделать видео-сценарий или PDF-гайд ✅ адаптировать Deep Researcher под твою задачу См. подробности здесь: https://github.com/kvoloshenko/LocalDeepResearcher_01 . Видеобзор планирую сделать чуть позднее…

✍️ Заключительная третья часть: Swarm (Multi-Agent) Видео 12 минут См. подробнее с исходниками здесь: https://github.com/kvoloshenko/LocalMultiAgents_01/tree/main/Python/Swarm

✍️ Завершение серии про локальные AI-агенты с LangGraph + Ollama. Выложил третий пример — про Swarm (рой) Вот ссылка https://github.com/kvoloshenko/LocalMultiAgents_01/tree/main/Python/Swarm В рамках данного проекта мы разобрали три уровня сложности локальных AI-агентов: 1. 📝 Single-agent: Drafter — одиночный агент для подготовки и правки документов 👉 Пост: https://t.me/AiExp01/133 , Видео: https://t.me/AiExp01/134 2. 🧠 Multi-agent: Supervisor — строгий контроль и маршрутизация между research и math агентами 👉 Пост: https://t.me/AiExp01/135 , Видео: https://t.me/AiExp01/136 3. 🕸 Multi-agent: Swarm — сегодняшняя тема, децентрализованный «рой» агентов, Видео: https://t.me/AiExp01/138. ________________________________________ 🕸 Swarm: рой агентов Alice ↔️ Bob В этом примере мы строим систему, где: • Alice — эксперт по сложению (add(a, b)), знает математику. • Bob — «пират», сам не считает и передаёт математические задачи Alice через handoff. Технически это: • 🧠 LangGraph Swarm (create_swarm, create_handoff_tool) • 🖥 Локальная LLM Qwen3 через Ollama (ChatOllama("qwen3:latest")) • 🧠 Память диалога через InMemorySaver + thread_id, чтобы рой помнил, кто был активен последним. Сценарий работы: 1. Пользователь: «я хотел бы поговорить с Бобом» → активна Alice → handoff к Bob. 2. Пользователь: «Сколько будет 5 + 7?» → активен Bob → он передаёт задачу Alice → Alice вызывает add(5, 7) → возвращает 12. Никакого единого управления нет, как это было у Supervisor: агенты сами передают управление друг другу, а Swarm обеспечивает общую структуру и память. ________________________________________ 🔚 Что мы в итоге получили За три публикации мы прошли всю линию от простого к сложному: 1. Drafter (Single Agent) o один агент + update / save; o Human-AI collaboration над документом; o хороший шаблон для «умного редактора» текстов. 2. Supervisor (Multi-Agent) o research_agent + math_agent; o Supervisor чётко решает, кого вызывать и когда; o архитектура для бизнес-систем, где важна управляемость и предсказуемость. 3. Swarm (Multi-Agent Swarm) o равноправные агенты, без центрального контроллера; o гибкий handoff, естественное разделение задач; o основа для сценариев, где роли и потоки могут динамически меняться. Общее для всех трёх подходов: • 🚀 Полная локальность: всё крутится на вашей машине через Ollama и qwen3:latest. • 🧱 LangGraph даёт единый подход к графам, агентам, тулзам и состоянию. • 🧪 Есть поддержка LangGraph Studio и LangSmith для визуализации и отладки. ________________________________________ 📌 Что дальше Репозиторий этого проекта можно использовать как стартовый набор: • для своих AI-ассистентов по документам (Drafter), • для контролируемых мультиагентных решений (Supervisor), • для экспериментов с роевыми системами (Swarm). Вот ссылка на на весь проект: https://github.com/kvoloshenko/LocalMultiAgents_01

✍️ Вторая часть: Supervisor (Multi-Agent) Видео 12 минут См. подробнее с исходниками здесь: https://github.com/kvoloshenko/LocalMultiAgents_01/blob/main/Python/Supervisor/README.md

✍️ Вторая часть: Supervisor (Multi-Agent) Продолжаю серию про локальные AI-агенты с LangGraph + Ollama. Выложил второй пример — про Supervisor (Multi-Agent). Если в Drafter всё делал один агент, то здесь мы переходим к команде агентов, которыми управляет Supervisor. 🧩 Состав системы В проекте два специализированных агента: 1. research_agent — имитация веб-поиска через инструмент web_search(query) — умеет «доставать» факты (например, численность сотрудников FAANG). 2. math_agent — решает арифметику через add(a, b) и multiply(a, b). Над ними стоит Supervisor, который решает: • куда отправить запрос пользователя; • как скоординировать последовательность действий. Пример сценария: “What’s the combined headcount of the FAANG companies in 2024?” • Supervisor → research_agent (получаем данные по компаниям); • Supervisor → math_agent (складываем значения); • результат возвращается пользователю. 🔍 Зачем нужен Supervisor По сравнению с одиночным агентом: • появляется чёткое разделение ролей (исследование vs математика); • повышается управляемость и предсказуемость; • архитектура ближе к реальным бизнес-системам, где много разных «экспертов». См. подробнее с исходниками здесь: https://github.com/kvoloshenko/LocalMultiAgents_01/blob/main/Python/Supervisor/README.md 🔥 Видео запишу отдельно… 🔥 В следующем посте — ещё один шаг вперёд: роевая архитектура Swarm, где вместо строгого центра — гибкий handoff между агентами 🕸

✍️ Первая часть: Drafter (Single AI Agent) Видео 9 минут См. подробнее с исходниками здесь: https://github.com/kvoloshenko/LocalMultiAgents_01/blob/main/Python/Agent_04_Drafter/README.md

✍️ Первая часть: Drafter (Single AI Agent) Продолжаю серию про локальные AI-агенты с LangGraph + Ollama. Выложил первый пример — про Single Agent (проект Drafter). 📝 Что такое AI Agent AI Agent — это автономная система, которая: • использует LLM для принятия решений; • имеет доступ к инструментам (tools, функциям, API, БД); • может самостоятельно выполнять последовательность шагов для достижения цели; • сохраняет состояние и контекст взаимодействия (история сообщений, переменные). 📝 Что такое Drafter Drafter — это одиночный AI-агент, который помогает: • быстро готовить черновики документов, писем, служебных записок; • интерактивно дорабатывать текст вместе с человеком; • сохранять финальную версию в файл. Ключевая идея — Human-AI Collaboration: человек даёт уточнения и правки, агент — переписывает, улучшает и сохраняет. 🧠 Как это работает внутри На уровне кода: • Локальная модель через Ollama: ChatOllama(model="qwen3:latest") • Агент построен на LangGraph StateGraph: o узел agent — логика диалога; o узел tools — автоматический вызов инструментов. • Два инструмента: o update(content) — заменить содержимое документа; o save(filename) — сохранить текст в .txt и завершить работу. • Логика завершения: o граф крутится в цикле agent → tools → agent, o пока не зафиксировано успешное сохранение документа. 🧰 Что даёт этот пример • Минимальный рабочий пример одиночного агента. • Понятный шаблон, как: o привязать LLM к инструментам; o организовать цикл совместной работы с пользователем; o аккуратно завершать процесс после сохранения. См. подробнее с исходниками здесь: https://github.com/kvoloshenko/LocalMultiAgents_01/blob/main/Python/Agent_04_Drafter/README.md 🔥 Видео запишу отдельно… 🔥 Далее перейдём от single-agent к мультиагентной системе с Supervisor 🧠

🔥 Готовлю мини-серию разборов по локальным AI-агентам на базе LangGraph и Ollama. Будет три практических примера: 📝 Drafter — одиночный агент для подготовки документов 🧠 Supervisor — мультиагентная система с централизованным управлением 🕸 Swarm — роевой multi-agent без единого центра Общая идея серии: запускать локальную LLM через Ollama; показывать, как строить агентов и мультиагентные системы на LangGraph; разбирать архитектуры Single Agent → Supervisor → Swarm; смотреть на то, как меняется сложность и возможности системы. Если интересны локальные LLM, LangGraph и multi-agent-архитектуры — оставайтесь на связи, скоро выкатится первая публикация 🚀

🧠 LangChain vs LangGraph — архитектурный разбор для инженеров AI-агентов На Хабре вышел фундаментальный материал: 📖 «От LangChain к LangGraph: детально разбираемся с фреймворками и всей Lang-экосистемой» Автор подробно сравнивает подходы LangChain и LangGraph — двух ключевых фреймворков от одной команды — и показывает, как устроено ядро langchain-core, интерфейс Runnable, LCEL-цепочки и state-machine-графы. 🔹 LangChain — модульный фреймворк для построения линейных LLM-пайплайнов, где всё завязано на цепочки вызовов. 🔹 LangGraph — графовый движок нового поколения: состояния, чекпоинты, human-in-the-loop, мультиагентность. Фактически, LangGraph — это то, что превращает прототип в устойчивую оркестрацию. Дополнительно разбираются: система трейсинга: LangSmith (SaaS) vs LangFuse (open-source, on-premise); визуальный билдер LangFlow; деплой-инструменты: LangServe и LangSmith Deployment; практические примеры кода и сравнительная таблица по памяти, persistence и orchestration. 💬 Цитата по сути: “Если у вас возникает вопрос, что выбрать — LangChain или LangGraph, то на 90% ответ — LangChain. Но если строите сложную stateful-систему с циклической логикой — LangGraph вне конкуренции.” 📌 Рекомендуется к прочтению всем, кто проектирует мультиагентные системы или готовит LLM-решения к продакшену. 👉 habr.com/ru/articles/956940

📣 Делаем RAG из коробки за 1 час с помощью Khub Что делать, если хочется протестировать базу знаний на своих данных — а тратить часы на выбор чанкинга, эмбеддингов и LLM не хочется? 🚀 Jay Knowledge Hub = готовый RAG с GUI и API. Плюсы решения: — встроенные пайплайны с ретривером, реранкингом и гибридным поиском — поддержка PDF, Word, Excel, Confluence, OneDrive — автоматическая синхронизация и переиндексация данных — интеграция через RESTful API: загружайте файлы, подключайте внешние источники, отправляйте запросы на поиск чанков и генерацию ответов — работают популярные модели: OpenAI, Deepseek, Qwen, GigaChat, YandexGPT ✨Документация: https://khub.just-ai.com/docs/ 🔥 Всё из коробки. Без кода. За час —> Jay Knowledge Hub

🔥 Готовый бизнес с ИИ и блокчейном TON – запускай уже сегодня! Хочешь зарабатывать на ИИ? У меня есть для тебя готовое SaaS решение с ИИ – это мощная платформа с искусственным интеллектом и глубокой интеграцией с TON. 🚀 Что умеет наш продукт? 🤖 ИИ-Агенты Создание собственных ассистентов с уникальными функциями и стилем общения. Подходят как для автоматизации, так и для консультаций. 🧱 Артефакты Генерация React-компонентов, HTML-страниц и диаграмм по описанию. Ускоряет разработку и визуализацию. 🎨 Генерация изображений Создание и редактирование изображений с помощью ИИ — от иллюстраций до редактирования фото и добавления элементов. 📚 RAG Интеллектуальные ответы на основе внешних данных — документов, баз знаний и других источников. 📸 OCR Распознавание текста на изображениях и сканах. Удобно для обработки документов и снимков экрана. 🗣 Речевые технологии Преобразование речи в текст (STT) и текста в речь (TTS). Можно говорить с ИИ и слушать его ответы голосом. 🔍 Поиск по истории Мгновенный поиск по предыдущим диалогам и результатам — удобно для возврата к важной информации. ⏳ Временный чат Приватные чаты, которые удаляются автоматически через 30 дней. Отлично для конфиденциальных обсуждений. 🌐 URL-параметры Настройка поведения чатов и агентов через параметры в ссылке. Гибко и удобно для интеграций. 🌎 Веб-поиск Поиск информации в интернете прямо из чата с помощью встроенных ИИ-инструментов. 🧠 Память ИИ ИИ запоминает ваши предпочтения, интересы и стиль, чтобы лучше понимать и помогать. 💳 Система токенов и баланса Прозрачное отслеживание использования токенов и управление балансом в аккаунте. 🔌 Инструменты и плагины Подключение внешних сервисов и API для расширения функциональности ИИ. 🌍 Мультиязычность Переводы приложения на другие языки и сделать его доступным для всех. 🧬 Выбор ИИ-модели Настройка используемой ИИ-модели — от стандартных до пользовательских и сторонних. 💌 Реферальная система Получай бонусы за приглашение друзей. Выгодно и приятно делиться! 🔗 Связывание аккаунтов Безопасная авторизация через другие аккаунты и платформы (OAuth). 💼 Интеграция TON кошелька Простое подключение TON-кошелька для работы с криптовалютами и токенами внутри приложения. 🛒 Покупка токенов Автоматизированная система пополнения токенов через TON — удобно и быстро. 🔌 MCP (Model Context Protocol) Интеграция 📘 Руководство по интеграции Подключение собственных MCP-серверов к системе. 🛠 Руководство по разработке Создание и настройка собственных серверов на базе MCP. 🛡 Безопасность и лучшие практики Рекомендации по обеспечению безопасности и стабильности при работе с MCP. ⚡️ Всё уже готово — просто бери и продавай! Платформа, функционал, монетизация, TON-кошелёк — всё работает. Демо приложение тут 👉 ТЫК 📲 Напиши мне в личку, покажу демо, расскажу, как начать: 👉 @gymotik Не упусти шанс войти в рынок ИИ и Web3 на старте!

🔥 Готовый бизнес с ИИ и блокчейном TON – запускай уже сегодня! Хочешь зарабатывать на ИИ? У меня есть для тебя готовое SaaS решение с ИИ – это мощная платформа с искусственным интеллектом и глубокой интеграцией с TON. 🚀 Что умеет наш продукт? 🤖 ИИ-Агенты Создание собственных ассистентов с уникальными функциями и стилем общения. Подходят как для автоматизации, так и для консультаций. 🧱 Артефакты Генерация React-компонентов, HTML-страниц и диаграмм по описанию. Ускоряет разработку и визуализацию. 🎨 Генерация изображений Создание и редактирование изображений с помощью ИИ — от иллюстраций до редактирования фото и добавления элементов. 📚 RAG Интеллектуальные ответы на основе внешних данных — документов, баз знаний и других источников. 📸 OCR Распознавание текста на изображениях и сканах. Удобно для обработки документов и снимков экрана. 🗣 Речевые технологии Преобразование речи в текст (STT) и текста в речь (TTS). Можно говорить с ИИ и слушать его ответы голосом. 🔍 Поиск по истории Мгновенный поиск по предыдущим диалогам и результатам — удобно для возврата к важной информации. ⏳ Временный чат Приватные чаты, которые удаляются автоматически через 30 дней. Отлично для конфиденциальных обсуждений. 🌐 URL-параметры Настройка поведения чатов и агентов через параметры в ссылке. Гибко и удобно для интеграций. 🌎 Веб-поиск Поиск информации в интернете прямо из чата с помощью встроенных ИИ-инструментов. 🧠 Память ИИ ИИ запоминает ваши предпочтения, интересы и стиль, чтобы лучше понимать и помогать. 💳 Система токенов и баланса Прозрачное отслеживание использования токенов и управление балансом в аккаунте. 🔌 Инструменты и плагины Подключение внешних сервисов и API для расширения функциональности ИИ. 🌍 Мультиязычность Переводы приложения на другие языки и сделать его доступным для всех. 🧬 Выбор ИИ-модели Настройка используемой ИИ-модели — от стандартных до пользовательских и сторонних. 💌 Реферальная система Получай бонусы за приглашение друзей. Выгодно и приятно делиться! 🔗 Связывание аккаунтов Безопасная авторизация через другие аккаунты и платформы (OAuth). 💼 Интеграция TON кошелька Простое подключение TON-кошелька для работы с криптовалютами и токенами внутри приложения. 🛒 Покупка токенов Автоматизированная система пополнения токенов через TON — удобно и быстро. 🔌 MCP (Model Context Protocol) Интеграция 📘 Руководство по интеграции Подключение собственных MCP-серверов к системе. 🛠 Руководство по разработке Создание и настройка собственных серверов на базе MCP. 🛡 Безопасность и лучшие практики Рекомендации по обеспечению безопасности и стабильности при работе с MCP. ⚡️ Всё уже готово — просто бери и продавай! Платформа, функционал, монетизация, TON-кошелёк — всё работает. Демо приложение тут 👉 ТЫК 📲 Напиши мне в личку, покажу демо, расскажу, как начать: 👉 @gymotik Не упусти шанс войти в рынок ИИ и Web3 на старте!

📣 NoSpam Telegram Бот с локальной LLM 🚀 Исходный код здесь: https://github.com/kvoloshenko/NoSpamTelegram_01 ✨За основу взят код автора Mammedov Bakhtiyar: https://github.com/mamed0v/NoSpamTelegram/ Что изменено: ✨Использована локальная LLM llama3.2:latest запущенная под Ollama ✨Добавлен модуль tools - куда перенесены все "ручки" ✨Добавлена "ручка" копирования спам сообщения в другую группу (для целей накопления и просмотра примеров) + оставлено сохранение локально в JSON ✨ Что еще изучить и посмотреть: • Ollama: https://www.youtube.com/watch?v=49YZh-fxb14&list=PLAzpexGM7JagOkDWjdcM7phvA3fDihDQn&index=2 • AI Agents: https://www.youtube.com/watch?v=qlVX4i1ztW4&list=PLAzpexGM7JajamgkiOR3TLwCXlT5oSC1E • RAG (Retrieval-Augmented Generation): https://www.youtube.com/watch?v=NkjkqsLCweQ&list=PLAzpexGM7Jai1qgfxMkY-6ivOft-7dh8Q • OpenAI API (API ChatGPT): https://www.youtube.com/watch?v=FoLquyNFE_c&list=PLAzpexGM7JagNMDIWUsoO8fbTwbY82ZEN

📣 СТАРТ НЕДЕЛЬНОЙ СТАЖИРОВКИ ПО РАЗРАБОТКЕ SAAS С ПОМОЩЬЮ AI 🚀 Хватит тратить месяцы на разработку! Научитесь создавать полноценные SaaS-продукты за 7 дней с помощью ИИ-инструментов. 🔥 Что вы получите за неделю: - Создадите работающий SaaS-продукт с нуля - Освоите современный стек: Supabase + Stripe + AI инструменты - Добавите минимум 1 проект в портфолио - Научитесь использовать ИИ для ускорения разработки в 5-10 раз 👨‍💻 Программа основана на реальных кейсах: Я уже создал несколько прототипов AI SaaS проектов: VitaGPT QA Coach - платформа для тестировщиков с AI https://vitagpt-qa-coach.lovable.app/ VitaGPT Parents Coach - платформа для родителей c AI https://vitagpt-parents-coach.lovable.app/ VitaGPT Translate OCR - перевод текста с изображений и PDF c AI https://vitagpt-translate-ocr.lovable.app/ VitaGPT Fitness - фитнес-платформа с AI-коучингом https://vita-gpt-fitness-hub.lovable.app/ И теперь делюсь проверенными подходами, которые реально работают! 📊 Форматы участия: 🆓 FREE: доступ к живому вебинару, к записи вебинара и базовому Пет-проекту (аналог Google Photos) 👨‍🏫 MENTOR (50$/5000₽): доступ к расширенному Стартап-проекту, дополнительным видео и групповым созвонам с менторами 🔝 PRO (250$/25000₽): персональный ментор, индивидуальные консультации и помощь с вашим собственным проектом 💡 Для кого подойдет: - Фронтенд и бэкенд разработчикам - Начинающим программистам с базовыми знаниями - Тем, кто хочет запустить свой SaaS-продукт - Специалистам, желающим ускорить свои рабочие процессы с помощью ИИ 🚀 Чтобы присоединиться залетай сразу в группу стажировки https://t.me/+yXb7SBMq-xU0M2My ❓ По вопросам платного участия напишите в наш саппорт @vitagpt_support_bot Количество мест ограничено. Старт уже в ближайший понедельник!