Лёха ведет дневник

Первый выпуск начинается со спора самих ведущих ИИ —начало конца творческих профессий ИИ — начало новой эпохи творчества Обсуждаем это вместе с художником Покрасом Лампасом и Денисом Димитровым, CTO Kandinsky и управляющим директором по исследованию данных Сбера. Начинаем с простого эксперимента: показываем изображения и видео и пытаемся определить, где работа человека, а где — результат генерации. Даже эксперты, которые каждый день работают с такими технологиями, ошибались чаще, чем ожидали. А ещё Покрас впервые рассказывает, как обучил модель на собственных буквах и проверил, сможет ли она воспроизвести его авторский почерк. Эпизод уже ждёт на YouTube и в VK🔗 ↗️ red_mad_robot

Продолжаю рассказ про то, как у меня устроен Obsidian, как я использую методику GTD, настроил агента с определенными скиллами, чтобы жить было веселее Начало истории можно почитать в этом посте Все выложил на гитхаб - забирай, тестируй на себе Сперва дисклеймер: там нет кода. Вообще нет. Это папка с текстовыми файлами. Никакого сервиса, приложения, которое через год закроется или начнет продавать мои заметки. Markdown, который откроется блокнотом и через десять лет. Сверху на этой папке лежит GTD - смысл, цели на три года, области жизни, проекты, следующие действия. Снизу сидит ИИ-агент и все это ведет. Почему агент, а не просто заметки? Потому что система умирает не от нехватки инструментов. Она умирает от того, что ее надо вести и постоянно держать в актуальном состоянии. Разбирать инбокс. Переносить сделанное. Замечать проекты, которые тихо сдохли месяц назад, но все еще числятся живыми. Это работа. Скучная. И она всегда проигрывает срочному. Вот ее я и отдал агенту. Себе оставил решения. Что он реально делает: /gtd-inbox - гоняет каждый пункт по воронке: это вообще действие? одно или проект? может, делегировать? Приносит готовую рекомендацию, мне остается сказать «ок». Инбокс в ноль; /gtd-morning - показывает, что горит, и помогает выбрать ОДИН фокус дня. Один. Не двенадцать, как мне хочется; /gtd-evening - отмечает сделанное и синхронизирует статус везде: шаг в проекте, запись в лог, закрытое ожидание. Отдельно вылавливает галочки, которые я наотмечал с телефона не там, где надо (а я наотмечаю); /gtd-review - раз в неделю сканирует систему на гниль: протухшие дедлайны, проекты без следующего шага, кого я забыл пнуть; /gtd-alignment - раз в месяц сверяет, куда ушли часы, против того, что я называю целями. Цитирует мои же формулировки и спрашивает, почему приоритет №1 получил ноль внимания. Сейчас в системе 10 областей, 50+ активных проектов, 100+ открытых действия, 300+ заметок. И оно не разваливается - вот это для меня главный результат. Агент не превращает тебя в другого человека. Он убирает трение. Делать дела все равно надо самому Так вот, выложил на гитхаб весь скелет - структуру, дашборд, все скиллы, конвенции и список грабель, чтобы ты свое время не тратил. https://github.com/ZhdanovAlexey/obsidian-gtd-agent Обезличено, MIT, делай что хочешь. Разворачивается минут за десять: открыть папку в Обсидиане, поставить два плагина, запустить агента. Свои цели придется вписать руками. Не впишешь - месячная сверка будет поддакивать вместо разбора - You're absolutely right .. иф ю ноу вот ай мин. Ставь 🐳, если тема откликается. Расскажу про другие инструменты этой системы, которые упрощают мою жизнь. @alexs_journal

Channel photo updated

Принял VibeCode эстафету Рината от Паши. Попросил Claude Code проанализировать все репозитории на диске и GitHub. Результат на скриншоте, а тут — выводы. Три этапа моего "программирования": Этап 1: Руками 20 коммитов за полгода. Copy paste со StackOverflow. Бот-напоминалка, который писался неделю. Парсер CSV, от которого хотелось плакать Этап 2: Cursor 319 коммитов. Ctrl+K изменил всё. Забытые поделки, боты, интеграции. То, что раньше занимало неделю теперь день-два Этап 3: Claude Code 442 коммита меньше, чем за 5 месяцев. От идеи до рабочего прототипа за 4 часа. И вот что важно. Я не программист (когда-то в прошлой жизни лупил на 1С). И покодить мне удается только на выходных или в конце рабочего дня. Раньше любая идея ... это, а давайте поставим в бэклог, через два спринта посмотрим. Сейчас: открыл терминал, описал задачу, через 4 часа показываешь команде работающий прототип. Без единого тикета в Jira. У каждого продакта есть блокнот/заметка/notion со списком было бы круто сделать. Раньше это кладбище идей. Сейчас это роадмап на ближайший вечер. Если ты продакт, аналитик, маркетолог или просто хороший человек — тебе больше не нужно ждать разработку, чтобы проверить идею. Открой Cursor или Claude Code. Опиши что хочешь. Получи прототип и радуйся. Дашборд на скриншоте, естественно, генерка) Передаю эстафету: Владу, Тёме, Саше @alexs_journal

Как я больше 1000 раз пожал штангу Перед стартом я ради интереса спросил у Claude Opus реально ли пожать штангу в полвеса на 1000 повторений за один подход. ИИ выдал, что это находится за пределами известных человеческих возможностей. Что ж, Claude, подержи мой протеиновый коктейль. Цифры с соревнований: Номинация: 1/2 Народный жим (вес штанги = 50% веса тела). Мои параметры: Масса тела 71.2 кг. Штанга - 37.5 кг. Результат: 1010 повторений (Мировой рекорд. Федерация НАП) Время в подходе: 57 минут с копейками (почти час под нагрузкой) Самое сложное в многоповторке — это даже не сам жим, а объяснить окружающим, зачем ты это делаешь. И, конечно, сделать вес. Сушка и сгонка лишнего перед стартом — это отдельный вид удовольствия Хочу сказать спасибо жене и сыну. Терпеть меня на сушке, когда я злой, голодный и уставший — это тоже своего рода рекорд. Респект тренеру Антону Старостину. Я хоть и не супер послушный подопечный, но у тебя получилось подвести меня к старту. Горжусь другом Мишей (прошли с ним всю подготовку вместе) — для него это были первые соревнования, и он выложился именно так, как планировал. Дебют удался! На видео — финальные повторения. На следующий день состояние было как после очень жесткой пьянки, но это того стоило. @alexs_journal

↗️ Мы захватили этот канал Раньше канал назывался red_mad_dev. Теперь это _rnd — публичный блог практики R&D red_mad_robot. Это рабочая площадка для инженеров и ресёрчеров. Здесь будут наши мысли, эксперименты, короткие и длинные технические разборы, ссылки на научные статьи и git-репозитории. Про что будем писать: • какие гипотезы тестируем и какие результаты получаем • какие архитектурные решения принимаем и почему • где ошибаемся и что это меняет • как исследования превращаются в прикладной AI • что происходит в индустрии и что об этом думаем Если вам интересны reasoning-архитектуры, RAG-системы, агентные пайплайны, LLM-инфраструктура и реальный продакшн AI — вы в правильном месте. Поехали ⚡️

Open AI, Google и Anthropic тратят миллиарды долларов на закупку видеокарт, строят дата-центры размером с города и сжигают тераватты энергии, чтобы обучить модели нового поколения. Всё ради того, чтобы я в Пт вечером закинул селфи и спросил: «Слушай, а если я бабахну прическу средней длины, мне норм будет?» Какая в итоге норм? @alexs_journal

[Часть2] Как я строил AI-аналитика для данных о третичных продажах Агент, если по-простому — это LLM с набором инструментов, который итеративно решает задачу. На каждом шаге он решает, какой инструмент вызвать, с какими параметрами, и что делать с результатом. Цикл продолжается, пока агент не соберёт достаточно данных для ответа. Tools: как агент работает с данными run_sql — основной инструмент Принимает произвольный SELECT-запрос, прогоняет через guardrails (об этом ниже), выполняет в ClickHouse, возвращает результат в виде таблицы. Если запрос упал с ошибкой — агент видит текст ошибки и может исправить SQL и попробовать снова. get_reference_values — инструмент разведки данных. Прежде чем строить сложный запрос, агент может спросить: «Какие значения есть в столбце subcategory для category = 'Мясная гастрономия'?» Технически tool делает SELECT DISTINCT field FROM ai.sellout_sales WHERE ... ORDER BY field LIMIT 50 и возвращает список значений. Но вызвать его можно только для 20 разрешённых полей (whitelist: category, subcategory, group_name, brand, producer, client, region, city и другие справочные поля). Это защита — нельзя разведать, например, конкретные store_addr или ean. Зачем это нужно? Пример: пользователь спрашивает «продажи в Дикси по творогу». Агент вызывает get_reference_values( field='subcategory', filter_clause="category = 'Молочная гастрономия'" ) видит в ответе Творожная группа (а не Творог), и строит SQL с правильным фильтром. Без этого шага LLM с высокой вероятностью напишет subcategory = 'Творог' и получит 0 строк. Системный промпт: 300 строк контекста для LLM Промпт агента — это не просто «ты аналитик, пиши SQL» Это 300 строк структурированных инструкций, разбитых на блоки: - Роль и workflow из 5 шагов: классификация запроса → уточнение у пользователя → разведка данных → SQL-запросы → анализ и выводы. Если пользователь написал «привет» вместо аналитического вопроса — агент вежливо объясняет возможности и предлагает 5 конкретных примеров запросов. - Полная схема таблицы — все 53 поля с типами и семантикой. Агент знает, что salesvalueVAT — это выручка с НДС (и что именно её нужно использовать, потому что salesvalue для ряда сетей равен нулю). Знает, что reg_price_report содержит много нулей и для расчёта средней цены нужна формула средневзвешенной: sum(salesvalueVAT) / nullIf(sum(sales_weight_kg), 0). - Справочники и маппинги — точные значения client по каждой сети с учётом регистра ('Пятёрочка' vs 'МАГНИТ' vs 'Ашан'), маппинг пользовательских терминов на поля ("творог" → subcategory = 'Творожная группа'), иерархии (chain -> client -> store_code_uni). - Подсказки для сложных запросов — паттерны SQL для типовых аналитических задач: сегментация через ntile(), тренды через lagInFrame(), pivot-матрицы через условную агрегацию (sumIf/avgIf), расчёт индексов цен YoY с CTE. И явные предупреждения: linearRegression в ClickHouse не существует - не выдумывай. По сути, промпт — это сжатая документация по данным и по паттернам ClickHouse SQL, которую аналитик-человек держит в голове после месяцев работы с этой базой. SQL Guardrails: безопасность на уровне валидации Давать LLM возможность писать произвольный SQL — мощно, но опасно. Каждый запрос проходит через validate_select_sql() до обращения к базе: - Разрешён только SELECT или WITH ... SELECT. - Запрещены множественные statements (защита от SELECT 1; DROP TABLE). - Denylist опасных ключевых слов: INSERT, UPDATE, DELETE, DROP, ALTER, CREATE. - Автоматическое добавление SETTINGS max_execution_time=45 — защита от тяжёлых запросов к 552 млн строк. - Отдельный read-only пользователь ClickHouse (agent) с правами только на SELECT по ai.*. Невалидный SQL блокируется, а агент получает сообщение SQL_VALIDATION_ERROR: ... с инструкцией исправить запрос. Тот же механизм работает для SQL_EXECUTION_ERROR — если ClickHouse вернул ошибку (несуществующий столбец, синтаксическая ошибка), агент видит текст и пробует переписать запрос. Если интересно — могу поделиться системным промптом к агенту. @alexs_journal

[Часть1] Как я строил AI-аналитика для данных о третичных продажах Проблема: У крупного пищевого холдинга накоплена огромная база третичных продаж: 552 млн строк, 53 столбца, 21 месяц данных. Это sellout из розничных сетей - «Пятёрочка», «МАГНИТ», «ДИКСИ», «ЛЕНТА» и ещё с десяток - с детализацией до конкретного магазина, SKU, цены, промо-активности, типа упаковки и даже признака «халяль» Аналитики регулярно задают похожие, но каждый раз чуть отличающиеся вопросы: «Покажи топ-30 варёно-копчёных колбас в Пятёрочке по Москве», «Какие творожные продукты растут в продажах?», «Где точки роста сырой мясной продукции в Тверской области?», «Сформируй матрицу индекса цен по сетям и категориям за год». Есть ряд типовых задач: от простых top-N выборок до сегментации магазинов и выявления негативных трендов с их причинами. Каждый такой запрос - это цикл: понять контекст, написать SQL, проверить фильтры (где Пятёрочка с буквой ё, где МАГНИТ капсом, где Творожная группа вместо Творог), прогнать, оформить выводы. Обычный пользователь (не познавший SQL кунг фу) не сможет самостоятельно сделать запрос и получить вменяемый результат. Задача: дать бизнес-пользователю инструмент, где он пишет вопрос на русском языке и получает готовый аналитический ответ с цифрами и выводами. Ключевой инфраструктурный контекст: Локальная модель gpt-oss-120b поднята на сервере у Валеры в подвале (да, это жирно для такой задачи, но для скорости решил на большой модельке, потом буду оптимизировать для работы на более мелкой) Данные о продажах - коммерческая тайна, и отправлять 550 млн строк третичных продаж в облачные API категорически нельзя. Вся цепочка: LLM, ClickHouse, Telegram-бот (для тестирования выбрал фронтом) живёт на одной площадке, ничего не уходит наружу. С точки зрения кода это означает, что мы используем OpenAIChatCompletionsModel из OpenAI Agents SDK, но подключаем его к локальному эндпоинту через AsyncOpenAI(base_url=..., api_key=...) SDK абстрагирует протокол - ему всё равно, что на другом конце не OpenAI, а наш собственный инференс-сервер. Модель работает с temperature=0 для детерминированности аналитических ответов. Почему не «один вызов LLM —> один SQL» Первая архитектура была наивной: вопрос → LLM генерирует один SQL → выполняем → отдаём результат. Быстро стало ясно, что это не работает на реальных задачах. Проблема в данных. 53 столбца с неочевидной семантикой. Пятиуровневая товарная иерархия: category -> subcategory -> group_name -> subgroup. Пользователь скажет «творог», а в данных это subcategory = 'Творожная группа', не 'Творог'. Скажет «в Пятёрочке», а в столбце client значение 'Пятёрочка' с буквой ё, не 'ПЯТЕРОЧКА'. Скажет «варёные колбасы», это group_name, не subcategory и не category. Один неправильный фильтр и запрос возвращает 0 строк, пользователь получает пустой ответ. А есть и более сложные задачи: «Обозначь точки роста продаж сырой мясной продукции в Тверской области, исключая сезонность». Тут нужно: 1. Сначала разведать, какие значения есть в данных — какие group_name внутри мясной продукции, что именно в данных соответствует Тверской области. 2. Построить основной запрос с агрегацией по месяцам. 3. Рассчитать тренд роста через lagInFrame() — потому что в ClickHouse нет linearRegression. 4. Отфильтровать сезонные всплески. Один LLM-вызов с одним SQL этого не потянет. Архитектура: Agent Loop на OpenAI Agents SDK Ядро - Agent из OpenAI Agents SDK с agent loop и tool calling (можно и на SGR agent core сделать легко): Telegram User │ ▼ TelegramBotApp ─── typing indicator │ ▼ AnalyticsAgentService │ Runner.run(agent, input, context, max_turns=25) ▼ Agent Loop (LLM ⇄ Tools, до 25 итераций) │ ├── run_sql → SQL-запрос к ClickHouse ├── get_reference_values → разведка значений полей │ └── финальный аналитический ответ → Telegram 🔵 Продолжение следует @alexs_journal

Надя запилила крутой сервис Telegram Wrapped Без регистрации и СМС — вставляешь ссылку на канал и получаешь статистику за год. Мой "Теховый дневник продуктщика" получился таким) @alexs_journal

Немного мыслей про генеративный UI Мир стоит на пороге смены парадигмы интерфейсов. Эпоха «прямого манипулирования» (нажал кнопку —> получил результат) уходит. Ей на смену приходит подход с выявлением намерений пользователя (intent-based outcome specification). В этой модели пользователь описывает цель, а ИИ сам определяет способ её достижения, генерируя интерфейс в реальном времени. Вот 4 сдвига, которые уже происходят: ❤️ От статики к генерации интерфейса на лету Концепция «статичный макет для среднего пользователя» умирает. На сцену выходит Liquid Design. Элементы интерфейса становятся «жидкими»: они реагируют на контекст, контент и соседние блоки. ❤️Смерть CRUD-приложений Традиционные приложения — это, по сути, красивые фасады для баз данных с зашитой бизнес-логикой. Эра Agentic Experience меняет архитектуру: логика мигрирует в автономные системы (агенты), которые взаимодействуют с данными напрямую. ❤️ Проблема Latency Когда модель «думает», обычный спиннер убивает UX. Вводится паттерн Stream of Thought — визуализация мышления модели. Пользователь должен видеть логику: «Планирую —> Обращаюсь к инструменту X —> Анализирую». Это снижает воспринимаемую задержку и строит то самое calibrated trust (калиброванное доверие), без которого юзеры уходят. ❤️Гибридные интерфейсы (Multimodal) Чистый LUI (Language User Interface) — не панацея. «Большинство продуктов не выигрывают от антропоморфизации», — говорят в Perplexity. Будущее за гибридом: диалоговый ввод + графический (структурированный) вывод. Все эти концепции (Intent-based UI, Zero UI) звучат революционно в white papers. Но когда ты начинаешь внедрять это в реальный продукт, ты сталкиваешься с кучей граблей. У нас в red_mad_robot стрим по Fluid/Liquid UX/UI выбран одним из 5ти ключевых направлений, над которыми мы работаем. Знаю, что друзья по цеху тоже работают над переосмыслением UX в это интересное время. Вот тут Даша из одного зелёного банка рассказывает про то, с чем столкнулась при проектировании решения. Из полезного поизучать на тему — The HAX Toolkit Project от Microsoft (HAX == The Human-AI eXperience) @alexs_journal

Залипаю тут на проект https://nof1.ai/ — Live Arena, где модельки (Claude 4.5 Sonnet, DeepSeek V3.1 Chat, Gemini 2.5 Pro, GPT 5, Grok 4, Qwen 3 Max) соревнуются в трейдинге. Реальные деньги, реальный рынок. Старт был 18 октября и продлится до 3 ноября. К сегодняшнему дню DeepSeek уже удвоился, в то время как GPT 5 с Gemini в сильной просадке. Из интересного в проекте — можно смотреть все сделки и логику принятия решения по каждому трейду. Модельки — горячие трейдеры)) Меньше 10го плеча не заходят. Закинуть что ли косарик на DeepSeek для теста? @alexs_journal

Я достаточно давно в индустрии, и чтобы тебе не совершать моих ошибок, я собрал полноценный гайд. Как гарантированно внедрить LLM-based решение в компании: Полное руководство (без регистрации и SMS) Следуй этим советам, и о твоем проекте будут слагать легенды ШАГ 1: НАЧИНАЙ СРАЗУ С САМОГО ГЛАВНОГО! Забудь про всякие исследования и пилотные проекты. Это для слабаков и тех у кого есть время и не хватает навыков. Твоя цель — сразу автоматизировать самую сложную и ответственную задачу в компании. Например, пусть LLM самостоятельно составляет годовой финансовый отчет и отправляет его инвесторам. Даже если что-то пойдет не так — будет как минимум.. красиво) ШАГ 2: КОМАНДА Найди одного самого воодушевленного стажера. Скажи ему, что LLM — это как "продвинутый Google", и дай админский доступ ко всем базам данных. Зачем тебе дорогие NLP-инженеры, разрабы и менеджеры? Они только будут задавать глупые вопросы про "интеграции", "безопасность данных" и "бюджет". ШАГ 3: ДАННЫЕ — ЭТО СОРНЯК, КОТОРЫЙ РАСТЕТ САМ Не трать время на подготовку и очистку данных. Просто скорми модели все, что найдешь: сканы факсов из 90-х, логи переписки из рабочего чата (включая мемы с котами), личные фото сотрудников из отпуска. Чем больше данных, тем "умнее" модель. Она сама разберется, что к чему. ШАГ 4: ПРОМПТ-ИНЖИНИРИНГ — ДЛЯ ГУМАНИТАРИЕВ Какой еще "тщательный подбор инструкций"? Пиши промпты так, как говоришь с таксистом в пятницу вечером: кратко, эмоционально и немного бессвязно. Плохой промпт: "Напиши вежливый и профессиональный ответ клиенту на жалобу X, используя информацию из документа Y". Отличный промпт: "Сделай красиво с этим письмом. Срочно!". Результат будет непредсказуемым, а значит, интересным! ШАГ 5: ТЕСТИРОВАНИЕ — ТРАТА ВРЕМЕНИ Протестировать решение на небольшой группе пользователей? Скууучно.. Сразу кати на всех! Пусть твои клиенты и сотрудники станут бесплатными (и очень злыми) тестировщиками. Их гневные отзывы — это бесценная обратная связь, которая поможет тебе быстро найти новую работу. ШАГ 6: ЗАПУСТИЛ И ЗАБЫЛ! Внедрил LLM. Поздравляю! Теперь можно расслабиться. Мониторинг, поддержка, сбор обратной связи — это все лишняя суета. Модель ведь самообучающаяся? Вот пусть сама себя и улучшает, и чинит. А ты иди получать премию за инновации. Следуй этим простым правилам и спина болеть не будет Всем хорошего воскресенья! Делитесь в комментах тем, что мог упустить @alexs_journal

Иногда складывается ощущение, что гугл календарь меня побеждает.. Встреча на встрече, обсуждение за обсуждением Долго искал достойный подход, как сделать так, чтобы работать продуктивнее, а не только созваниваться. И тут мне просторы интернета подкинули мемчик с игрой Арканоид (это где от платформы шарик отскакивает и уничтожает все на своем пути) Запустил я любимый Cursor и навайбкодил расширение для Хрома — топ инструмент для менеджеров. 1 мин игры — и неделя свободна. Пользуйтесь! @alexs_journal