Инженер Контекста

Пятница, дамы и господа.

В календари: комьюнити‑конференция Kuber Conf от АОТ пройдёт 22 октября. Будем говорить про экономику платформ и облачные технологии для AI. АОТ — это VK Cloud, Yandex Cloud и Флант. Подробности на Хабре.

Контент Claude теперь помечен. И это не новость про списывающих студентов 11 августа Anthropic подтвердила, что маркирует контент, который создают с помощью их моделей. Не видимой плашкой, а маркерами внутри . На следующий день TechCrunch вышел с материалом о том, как на это реагируют в реддите: заголовок про пользователей, которые злятся, потому что их поймают на работе и на учёбе. Но интереснее реакций механика. Что сделали: — причина - кодекс прозрачности в рамках EU AI Act, вступил в силу 2 августа. Требует помечать сгенерированный или отредактированный ИИ контент так, чтобы метку читали другие системы. Подписанты не только Anthropic. — все модели, вышедшие после 2 августа, метят и текст, и файлы. Для файлов — открытый стандарт C2PA. — метка ставится на уровне модели. То есть она есть везде, откуда бы текст ни вышел: API, чат, Claude Code, Cowork, Tag. — метка едет вместе с текстом при копировании и, по формулировке справки, может пережить часть правок. Сколько правок её снимают не уточняется. — на старые модели поддержку обещают дораскатить. Претензии делятся на две неравные части. Одна честная: модели учили на чужих текстах, никого не спрашивая, а теперь метят своё. Ирония тут есть. Вторая сводится к «меня поймают», но подаётся как защита невинных: студент, попросивший переставить абзац, журналист, попросивший конспект стенограммы. Только конспект с меткой становится проблемой ровно в одном случае: если его вставляют в статью как свой текст. Тогда проблема не в метке. Показательно, что в тех же тредах большинство комментаторов встало на сторону маркировки. Что меняется у редакции Предупреждать, что вы генерируете с помощью ИИ перестало быть вашим решением. Раньше «говорить ли заказчику, что черновик собрал агент» было вопросом договорённостей и совести. Теперь это свойство файла. Вопрос только в том, узнает заказчик об этом от вас или без вас. Стилевые детекторы съезжают на второй план. Я рассказывал про свой слой проверок на GitHub Actions — там среди прочего скрипт считает плотность тире и ищет следы машинного текста. Это эвристика, она угадывает по стилю. Метка не угадывает, она в источнике. Значит, такие детекторы перестают быть ответом на вопрос «писал ли это ИИ» и остаются тем, чем и должны быть, — проверкой качества, а не происхождения. Асимметрия, которую легко упустить. Наличие метки — сильное свидетельство. Отсутствие не значит ничего: метят не все и не везде, старые модели дораскатывают, локальные модели никто не обязывает. Любая проверка сотрудников или студентов «на ИИ» по этому принципу будет ловить одних и пропускать других. Строить такие процедуры начнут уже осенью, а границы у метки пока нет. И к тому, о чём уже писал В манифесте контент-опса у меня стояла строчка: ответственность за выпущенное важнее скорости выпуска. Тогда это была позиция. Теперь у неё появился технический носитель — происхождение едет вместе с текстом и доезжает до читателя. А ещё я обещал развернуть content sec ops. Вот его первый слой, и он не про доступы агента к базе знаний, а про провенанс: знаем ли мы, что именно в материале сгенерировано, зафиксировано ли это где-то помимо головы редактора, и что мы отвечаем, когда спросят. Редакция с логом пайплайна ответит за минуту. Таких пока мало. Что имеет смысл сделать на этой неделе: записать в редполитику, где вы используете генерацию и что сообщаете об этом клиенту. Одна страница, до того как вопрос прилетит снаружи. #ai #contentops

Это видео для тех, кто много работает и пропустил солнечное затмение 🌞🌝

Ассистенты расходятся не на проценты, а принципиально Месяц назад по отчёту Similarweb я писал, что ИИ-поиск фрагментируется: доля ChatGPT в вебе просела с ~76% до ~53%, Gemini подобрал разницу. Открытым остался вопрос: расхождение между ассистентами — это разница в оттенках или разные ответы? Появились цифры — это разные ответы. Вышел AI Software Index 2026: 126 категорий софта, 1825 брендов, 9978 ответов (5023 у ChatGPT, 4955 у Gemini). Около 80 покупательских формулировок на категорию — «какая CRM лучше для малого бизнеса», «я фрилансер, нужен биллинг». Собирали 6 августа в живых веб-приложениях, а не через API. В каждой третьей категории два ассистента называют разный продукт №1. Что ещё в цифрах: → ChatGPT, рекомендуя продукт, в 53% случаев ссылается на сайт самого продукта. Gemini — в 13%, остальное тянет со сторонних страниц, часто из блогов других софтверных компаний. → Один и тот же бренд забирает от 34% до 90% ответов в зависимости от того, сказал покупатель «я фрилансер» или «мы энтерпрайз». → Британская и американская формулировка одного вопроса меняют лидера примерно в половине измеримых категорий. → Присутствие ≠ победа: HubSpot в 19 лидербордах — три победы. Salesforce: 13 и ноль. QuickBooks: 7 и пять. → Где-то ответ забетонирован: GitHub первый в 91% ответов про CI/CD, Shopify — в 84% про e-commerce, Miro — в 83% про доски. Дисклеймер: индекс выпустила GetIntel, которая продаёт мониторинг ИИ-видимости бренда. Исследование ровно про ту проблему, которую она монетизирует. Методология самопубликуемая, срез однодневный, «победа» = первый упомянутый в ответе бренд. Что с этим делать Разрыв 53% против 13% — это две разные задачи, а не одна. Для ChatGPT ваш сайт и есть источник: документация, сравнения, цены, сценарии. Вопрос только в том, есть ли там что вынуть. Для Gemini вашего сайта почти не существует, работает то, что о вас написали снаружи. Каталоги отзывов на этом фоне выглядят бледно: 5% на троих против отраслевых медиа и живых обсуждений. Ответ собирается под роль покупателя. Разброс от 34% до 90% значит, что нужны страницы и абзацы, где роль названа его словами, а не вашими сегментами из презентации. И поправка к тому, что я советовал в прошлый раз. Я предлагал прогонять 20–30 запросов в месяц и вести реестр упоминаний. Этого мало. Когда одна смена роли двигает бренд на 56 пунктов, тридцать запросов дадут красивое, но случайное число. Мерить надо матрицей: базовая формулировка × роль × локаль. И смотреть не среднее, а размах. Большой размах означает, что позиции у вас нет — есть лотерея. И чинится это не подгонкой под ответ, а плотностью и извлекаемостью того, что модель о вас находит. Под извлекаемость я недавно выкладывал скилл aeo-trust-blocks: аудит cite-safety и переработка текста в самодостаточные блоки. Индекс объясняет, зачем он нужен. В половине случаев ChatGPT подтверждает рекомендацию вашей же страницей. Если на ней нечего процитировать — подтверждать нечем. #geo #ai

Не по теме канала, но закат в Филинской бухте

Не по теме канала, но лучшее по колобку

Как и обещал, а вы голосовали, скилл aeo-trust-blocks для аудита и переработки текста под AI-выдачу. Проверяет, насколько безопасно ИИ-поисковикам (ChatGPT, Perplexity, Google AI Overviews, Яндекс Нейро) цитировать ваш контент, и переписывает слабые места в самодостаточные блоки доверия — Extractable Trust Blocks. Что внутри: ➡️ Аудит cite-safety — каждый блок текста оценивается по шкале 0–10 (извлекаемость, прямой ответ, фактологичность, структура, объём, имплицитные ссылки, нейтральность); ➡️ чек-лист самодостаточности и каталог «слепых зон контекста»; ➡️ формула Trust Block: [Утверждение] → [Объяснение] → [Граница применимости] → [Пример/Источник] и 6 типов блоков под разные интенты (answer capsule, fact block, comparison, how-to, definition, key takeaway); ➡️ замены «размыто → конкретно» («быстрое внедрение» → «внедрение за 2–4 часа»); ➡️ безопасная JSON-LD-разметка (Article, FAQPage, Organization) без нарушения structured data policies; ➡️ контракт с голосом канала: что переводить в ETB, а что оставить живым; ➡️ защита фактуры: цифры, цитаты и атрибуции при переработке не меняются. Результат — таблица аудита (фрагмент → проблемы → переработанный блок → как повышен cite-safety) и итоговый Cite-Safety Score до/после. 📌 GitHub📌 Следующий скилл на тысяче подписчиков, что на моём скучном контенте выглядит не очень реальным. 😂 #ai_skills #ai

Cloudflare выложила в опенсорс свою внутреннюю ОС для агентов 5 августа Cloudflare открыла исходники Cloudflare OS — платформы, которая даёт каждому сотруднику агента и рабочее пространство, собранное вокруг конкретной компании: её терминологии, процедур и внутренних систем. Развернуть у себя может любая организация. ➡️ GitHub Мне тут интереснее не платформа, а история за ней. Внутри Cloudflare её раздали всем ещё в мае, и пользуются тысячи человек, многие вне инженерных команд. Вместе с агентом они получили общую библиотеку контекста и скиллов: кто-то один находит способ делать работу лучше и этим способом сразу пользуются остальные. Скилл перестаёт быть личной настройкой и становится активом команды, и это, пожалуй, главное изменение из всех. На первой версии всплыли две вещи. Первая знакома до боли: даже полностью предсказуемые задачи требовали заново поднимать агента и жечь токены там, где хватило бы обычного скрипта. Вторая серьёзнее и вылезла на совместной работе. Доступ к MCP-серверу говорит, какие инструменты агент может вызвать, но не говорит, какие данные он при этом увидел. Как только люди начали делиться пространствами и результатами, через них поехало то, что коллеге видеть не полагалось. Решение получилось изящным: система записывает каждый ресурс, который агент прочитал, история остаётся привязанной к его работе, и когда результат открывает другой человек, проверяется уже его доступ к исходным данным. Вот это и стоит забрать. Контекст-инжиниринг мы обычно обсуждаем как вопрос качества: как написать скилл, чтобы модель работала лучше. Здесь виден второй слой, про который почти не говорят — вопрос доступа. Агент с ключами к базе знаний видит непубличные материалы и неанонсированные релизы, потом собирает из них пост, и человек на другом конце получает то, к чему сам допуска не имел. Пока агенты работали поодиночке, это была теоретическая проблема. С момента, когда результаты начинают ходить по команде, она становится вполне рабочей. Оговорка при этом простая: это релиз Cloudflare про инфраструктуру Cloudflare. Разворачивается в их аккаунт, завязано на их Workers и Access, кастомизацию продают партнёры. Опенсорс тут скорее способ раздать платформу, чем отдать её. Поэтому смотреть я бы советовал не на код, а на постановку задачи — агент как общий актив компании, скиллы как коллективное знание, доступ как часть платформы, а не забота автора промпта. Эти три вещи переносятся куда угодно, независимо от того, на чьей инфраструктуре вы живёте. #ai

Пока лидирует AEO: как попасть в ответы ChatGPT и Perplexity. А говорите не интересно про эти ваши попадания в выдачу нейронок.

Наговорить бессвязно — рабочий приём, а не лень Андрей Карпатый, который в 2026 перешёл в Anthropic в команду претрейна, описал приём из собственной практики. Когда модели не хватает контекста, а печатать лень, он переключается на голосовой ввод и минут десять говорит потоком сознания — без структуры, как выйдет. Смысл не в экономии времени: модели неплохо собирают связное из бессвязного, и пересказ ваших путаных мыслей возвращается к вам чище оригинала. Меня тут зацепило вот что. Мы годами учились ставить задачу коротко и чётко, и вместе с водой очень часто удаляем контекст. Почему прошлая версия не зашла, что сказал заказчик в коридоре, чем этот канал отличается от соседнего — формулировать всё это неудобно, поэтому в бриф оно не попадает. А потом всплывает на третьей итерации правок. В голос же попадает всё, ровно потому, что вы себя не редактируете на ходу. Но переносить этот приём на редакцию я бы не спешил, и вот почему. Карпатый исследует и прототипирует один — вся картина у него в голове, поэтому поток и правда содержит нужное. У редактора половина контекста снаружи: согласования, чужие правки, то, чего заказчик ещё не сказал. Наговорить вы можете только свою половину, а модель соберёт из неё стройную версию неполной картины. Это опаснее очевидно дырявого брифа: связность создаёт ощущение достаточности, и вопросы вы задавать перестаёте. Проверить такую сборку тоже трудно. Модель не помечает, где ваша мысль, а где правдоподобная подстановка. Вы читаете гладкий текст, узнаёте себя и киваете. Отдельно про цену. Десять минут речи — это довольно большой кусок текста и примерно две тысячи токенов, и он остаётся в переписке до конца сессии. Каждый следующий ваш вопрос модель читает вместе с ним заново: к двадцатой реплике вы оплатили эти десять минут двадцать раз. Но дороже не деньги, а место. Окно контекста не резиновое, и ваши оговорки лежат в нём рядом с правилами канала. Чем длиннее разговор, тем охотнее модель цепляется за случайную фразу из потока вместо инструкции в скилле. В агентском пайплайне это ещё умножается на каждый шаг цикла. Отсюда рабочая рамка. Наговаривать — в отдельной сессии, забирать оттуда только сборку, ужимать её руками и приносить в работу абзацем, который вы прочли и одобрили. Проверять при этом не то, что модель оставила, а то, что она выбросила. Ценность приёма не в готовом брифе, а в том, что он вытаскивает из вас причины, которые вы не стали бы печатать. Собеседником модель тут работает отлично. Автором задачи — нет. #ai #контентменеджерское

«Ядро» ИИ в медиа ICT.Moscow изучил 4,7 тысячи публикаций об ИИ в русскоязычных медиа, чтобы выяснить, из каких составных частей складывается «ядро» темы, и какая связь прослеживается с другими технологиями Что обнаружили: - большинство инфоповодов об ИИ ориентированы на массового читателя и лишены технологических деталей;  - более трети публикаций явно затрагивают хотя бы одну тему внутри ИИ. Чаще всего — модели и их типы, а также агентный ИИ;  - физический ИИ в русскоязычной медиаповестке пока представлен слабо, как и AGI; - в 14% новостей помимо содержатся упоминания других технологических направлений — робототехники, инфраструктуры и прочих. Подробнее 👈

Будет ласковый дождь

Интернет, который мы потеряли

Ваши скиллы возможно написаны под модель, которой уже нет Anthropic удалила больше 80% системного промпта из Claude Code, и качество на их тестах не упало. Пересказывать статью не буду, интереснее, что из этого следует, если вы сами пишете агентов и скиллы. 1. Половина ваших правил — заплатки на провалы прошлых версий. «Не начинай с общих фраз», «не используй конструкцию X» — вы это добавляли, потому что модель так делала. Перестала делать, и правило работает вхолостую, а иногда против вас: запрет отнимает у сильной модели право решать по ситуации. Что сделать: пройти по скиллам и рядом с каждым правилом поставить дату и ошибку, из-за которой оно появилось. Где ошибку не вспомнить или ей больше полугода — кандидат на удаление. 2. Резать вслепую нельзя, а мерить нечем. У Anthropic были свои прогоны: удалили кусок промпта, прогнали набор задач, сравнили результат. Поэтому они и могли уверенно сказать «сняли 80%, качество то же». У нас так не выходит. Меняем скилл, смотрим на два поста и решаем, что стало лучше. А на третьем оказывается, что модель перестала расставлять ссылки, просто в первых двух ссылок и не было. 3. Конфликтуют не правила, а источники правил. Редстандарт, скилл канала, CLAUDE.md, бриф — четыре места, где написано про тон. Модель разгребает противоречие вместо работы. Решение не в сокращении, а в иерархии: тон и позиция живут только в скилле канала, фактура и грабли — только в CLAUDE.md, задача выпуска — только в брифе. Правило встретилось дважды — одно вхождение удаляется, а не уточняется. 4. Эталонные тексты в скиллах, скорее всего, вредят. Приложил три идеальных поста — получил четвёртый такой же по каркасу. Меняем образцы на структуру: рубрикатор, обязательные элементы, признаки плохого лида. Образец оставляем там, где нужен формат — вёрстка, разметка, шаблон ответа. 5. Архитектура скиллов важнее их содержания. Один SKILL.md на девятьсот строк грузится целиком: пишете пост в телеграм — модель попутно читает правила для лендингов. Лишнее разбавляет нужное, а трогать такой файл страшно, поэтому его проще дополнить, чем разобрать. Разложите по уровням: верхний решает, что за задача и куда идти дальше; профиль канала держит тон и рубрикатор только для себя; редкие рубрики подгружаются по надобности. Тогда правки перестают быть страшными: меняете один канал и точно знаете, что остальные не задели. Что переносится на другие модели Не переносится цифра. 80% — результат конкретной связки: их обвязка, их модели, их тесты на коде. Для GPT, Gemini или локальных моделей такого замера у вас нет. Переносится наполовину принцип «меньше правил — лучше». Это функция силы модели, а не тренд индустрии: чем модель слабее, тем нужнее ей явные правила и примеры. Если вы гоняете тяжёлое на топовой, а рутину на дешёвой, один облегчённый скилл на всех не сработает. Либо два профиля инструкций, либо пишете под самую слабую в связке и теряете на сильной. Не переносятся архитектурные приёмы. Прогрессивное раскрытие, отложенная загрузка инструментов, автопамять — это свойства обвязки, а не модели. В чужом фреймворке эквивалента может не быть, и тогда «вынесите редкое в отдельный скилл» превращается в «вынесите в файл, который никто не подгрузит». И главное Спор о длине промптов маскирует настоящую проблему: у нас нет способа отличить улучшение от ухудшения. Пока его нет, любое решение — резать или не резать — принимается на ощущениях. Вопрос не в том, сколько правил у вас в скиллах, а в том, знаете ли вы, какие из них хоть на что-то влияют. А это уже content ops. 😎 #ai_agents #contentops

Смотрим на отчёт Similarweb «2026 Generative AI Landscape». Сначала общие выводы: 1️⃣ Первое, что стоит заметить, — это разрыв между двумя метриками роста. Визиты выросли на 70% до 9,5 млрд, а уникальные посетители — только на 57%, до 655 млн. Аудитория расширяется медленнее, чем растёт частота обращений: приходят не столько новые люди, сколько одни и те же, но чаще. ИИ перешёл из режима «попробовать» в режим привычки, и окно первого впечатления для брендов закрывается — вас теперь встречают внутри уже сложившегося сценария. 2️⃣ Второе — дробление идёт не туда, куда кажется по заголовкам. Доля ChatGPT в веб-визитах упала с примерно 76% в июне 2025 до около 53% к маю 2026, и главный бенефициар здесь Gemini: с менее 9% до 27–28%. По вебу перераспределение идёт в пользу Google. Это меняет практический вывод: «оптимизировать под ИИ» и «оптимизировать под Google» — уже не два проекта, а один. 3️⃣ Третье — замещения нет, есть наслоение. 461 млн из 494 млн пользователей ChatGPT в марте-мае 2026 продолжали пользоваться и Google, а поиск в целом держит 3,3 млрд уникальных посетителей в месяц против 655 млн у чатботов. Разрыв впятеро. Старый канал никуда не делся, новый добавился сверху — бюджет делится, а работы становится вдвое больше. 4️⃣ И, четвёртое, последнее, самое неудобное для отчётности. К рекомендованному ИИ бренду пользователи заходят в два-четыре раза чаще, чем к нерекомендованному конкуренту — при том что ссылку на источник содержат всего 6,8% ответов. Влияние на выбор идёт мимо реферального трафика, и в вашей аналитике его просто не будет видно. ➡️ Теперь #контентменеджерское : 1️⃣ Обновлять, а не только производить. Частота обращений растёт быстрее охвата, а значит один и тот же материал перечитывают и переспрашивают. Ставим регулярный пересмотр ключевых страниц: дата обновления, актуальные цифры, вычищенные устаревшие формулировки. 2️⃣ Держать фактуру в извлекаемом виде. ИИ берёт как доказательство то, что легко вынуть: определения абзацем, цифры с датой и источником, таблицы сравнения, прямые ответы под подзаголовком-вопросом. Длинное подводящее вступление перед сутью — проигрыш. 3️⃣ Разделить роли страниц. ИИ цитирует материалы на два-три уровня вглубь, а приходят люди почти всегда на главную и верхнеуровневые. Значит, страницу «из глубин сайта» нельзя оценивать по трафику — её задача быть доказательной базой, и мерить её надо упоминаниями. А верхнеуровневая должна встречать человека, который уже что-то о вас знает из ответа ИИ, а не начинать разговор с нуля. 4️⃣ Писать под длинный запрос, а не под ключ. Средняя длина запросов растёт: привычка формулировать промпты переехала в поисковую строку. Это меняет требование к материалу — он должен отвечать на конкретный вопрос с условиями («для команды из пяти человек», «если данные в другом формате»), а не покрывать тему в целом. Ключ теперь не в заголовке, а в том, насколько узкий случай вы разобрали внутри. 5️⃣ Проставить авторство и подтверждаемость. Фамилия автора, его роль, ссылка на первоисточник у каждой цифры. Это то, что отличает материал-донор от материала-сырья. 6️⃣ Завести реестр упоминаний. Раз в месяц прогонять 20–30 профильных запросов по ChatGPT, Gemini, Perplexity и фиксировать: упомянули или нет, какая формулировка, кто рядом, какая страница процитирована. Без этих логов обсуждать «видимость в ИИ» не с чем. #geo #ai

С праздником, сисадмины! Свитеры под горло, огромные очки, бороды и длинные волосы стали модными и перестали быть отличительной чертой профессии. Но "вы пробовали выключить и снова включить" будет вечным. Всем пива!