Евгений Лучковский | Hotter Than GPT's Default Settings

Ресурсов на оформление и продвижение совсем нет. Думаю отдать в хорошие руки.

В оценке качества работы ИИ-агентов существует два противоположных подхода: 1. "Из 10 проступков ребенка не обращай внимание на 9". 2. "Один косяк - два зуба нахуй"

Обратили внимание, что месяц назад #Fable представлялся как что-то невообразимое, бесконечно умное, секретное и тэ-пэ, а сейчас это просто очередная дорогая итерация?

Ну и что, можете что-нибудь сложнее калькулятора с ИИ навайбкодить?! Вашим мусором вообще кто-нибудь пользуется?! Дергаете ручку, как в казино - и радуетесь. Вчера открыл свой проект на гите, который на 100% собрал с ИИ. Написал краткий пост. Не уверен, что это связано, но вчера же в ленте Линка попалось три поста с содержанием, как в абзаце выше. Не лично мне их писали, а, как всегда - на всеобщее обозрение. Тезисы одинаковые у всех таких постов: - Продукты, созданные с ИИ, не могут принести пользователю никакой пользы. - Продукты, созданные с ИИ, имеют крайне низкое техническое качество. - НИКТО И НИКОГДА не выпускал и не выпустит продукты, созданные при помощи ИИ, которые принесут создателям деньги. - Разработчики и аффилированные лица (вроде меня) с помощью ИИ способны создавать только калькуляторы по подписке и сервисы по определению имени отца по отчеству. С одной стороны, понимаю, что накинуть на вентилятор проще, чем потом чистить стены. Есть сервисы, ПОЛНОСТЬЮ созданные при помощи ИИ, которые и приносят ценность пользователям, и деньги создателям, и написаны качественно, и все они - не калькуляторы. Я не свои личные проекты нахваливаю - я говорю строго о том, что вижу своими глазами и что создано с моим участием. Уверен, многие смогут мои слова подтвердить, на своих собственных примерах. А что если пойти от обратного? - Написание кода руками не гарантирует того, что проект будет полезным и заработает деньги. Просто зайдите на гитхаб - не многие смогут похвастаться тем, что их ПО принесло им хоть какую-то пользу. - Никакое техническое качество тоже ничего гарантировать не может. Чем чаще повторять мантру "ИИ ТУПОЙ", тем сильнее тебе кажется, что это правда. Я не могу заставить эту мантру не повторять. Но я призываю тех, кто не определился, прислушаться. Сопряжено ли использование ИИ с проблемами? Безусловно. И пока в телевизоре, линке и прочих СМИ будут плакать о тупизне ИИ, мы, профессионалы, эти проблемы день за днем решаем, делаем лучше и лучше. Строим гипотезы, проверяем, пробудем, отметаем или внедряем. Всегда думал, что ИТ - область интеллектуальная и сопряженная с постоянными исследованиями и получением новых знаний. ИИ показал, что не обязательно, можно и одно и то же делать. Доклад окончил.

Сделал репо своего проекта публичным. Он вообще не готов к эксплуатации, а работы по нему продолжаются, но пусть побудет открытым. Доклад окончил. Ссылка https://github.com/pgorithm/openragapiclient upd. Снова закрыл.

Две недели назад рассказывал аналитикам смежных команд про разработку с ИИ — на примере своего pet-проекта @priceCheckAPIbot. Суть доклада в двух словах: если вы и так пишете требования и критерии приёмки, их можно чуть структурировать — и это уже инструкции для агента. Без писанины промтов для каждого запроса. Для доклада собрал универсальный репозиторий — те же команды, skills и RALPH-протокол (мелкие задачи, узкий контекст), что использую я сам, но без привязки к моему проекту: https://github.com/pgorithm/ralph-kit В README всё по расписано: скопировал → /adapt_project_cursor → поехал. Кому полезно — звёздочка не помешает.

Самое сложное в SaaS - не написать код. Самое сложное - продать. А продав - не быть наказанным. Как и предсказывали древние, в создании SaaS самое сложное - его продать, а не написать код. А продав - не быть наказанным. Хочется попивать кофеёк на родине, платить налоги и напевать веселые песенки, а не это вот всё. Прошло два месяца не слишком напряженной работы - и вот мой проект уже feature-complete, а значит пришло время заняться им по-настоящему и выпустить в свет. Формально, он уже и так “выпущен в свет” и доступен по ссылке, но у меня не готовы условия пользования, политика конфиденциальности, нет плана по юридическому оформлению всей моей деятельности и монетизации. Да и разместил я его на своём личном ПК, а он привык по ночам отдыхать. Эта неделя началась с поиска юридической консультации. Первое предложение было на сумму 4500 (белорусских) рублей “под ключ” - для моего венчура многовато. Альтернативный вариант был 2500 рублей, но только в неполном пакете, без монетизации. Тоже много, так как я жадный. Особенно если учесть, что, будем откровенны, я с ненулевой вероятностью в итоге ничего не заработаю. Продолжаем поиски. Заодно: если вы (или ваши знакомые) - юрист/консультант, который реально помогает доводить SaaS до прода в РБ (условия, приватность, монетизация, оформление деятельности, налоги, “чтобы потом не было мучительно больно”) - напишите мне в личку или в комментарии, буду благодарен. А то хочется, чтобы это был ПеРвЫй В МиРе созданный при помощи ИИ проект, доведённый до прода - и чтобы автор (то есть я) после этого продолжал спокойно пить кофеёк на воле. P.S. Да, проект пока живёт на моём ПК. Да, ПК ночью отдыхает. Да, я тоже. Но, кажется, пора взрослеть. P.P.S. Ах, да, ссылка - https://t.me/priceCheckAPIbot

Когда подключаешь к репозиторию агента с LLM, велико желание, особенно по неопытности, использовать функционал IDE по полной и наляпать побольше правил на все подряд — на архитектуру, тесты, деплой, безопасность, даже правила комментирования. Модели инструкции любят, это правда. Но длинный свод правил быстро превращается в писанину: он постоянно устаревает, дублирует README, и агент начинает опираться на "дух документа", а не на то, что в нем может пригодится. У себя в @priceCheckAPIbot я делаю проще: один короткий входной файл AGENTS.md отправляет каждого нового агента читать один документ — список gotchas (у меня он зовётся new-agents.md): что чаще всего валит локальный запуск, тесты, Docker, миграции, бота. Формат простой: одна строка — одно предложение по схеме "симптом -> куда бежать / что делать". Зачем? Во-первых, контекстное окно не забивается архитектурной поэмой, которую модель всё равно не удержит целиком. Этой ей и не надо. Во-вторых, агент чаще попадает в типовые ошибки: миграции не накатили, особенность шелла на Windows, нюанс с rate limit — то, что люди бы уже поймали и записали в своей голове одной строчкой. В-третьих, новую ловушку добавить легко: одна строка в нужный раздел. К тому же список gotchas агент способен самостоятельно пополнять. Нормальные IDE и сами прекрасно способны grep-нуть нужные им куски, подтянуть в контекст что надо и когда надо. Подменять этот функционал огромным объемом правил, которые лезут в контекст без контроля (или с его иллюзией) — бесполезно. Это не замена нормальной документации. Это отдельный слой: "вот здесь агенты регулярно спотыкаются и не с первого раза понимают". README остаётся про общее устройство системы, docs — детали, gotchas — где постоянные проблемы и что не всегда очевидно. #LLM #AI #Cursor #IDE

😁😆😁 А ведь тем временем утёк claude code. https://gitverse.ru/anarchic/claude-code

А ведь не пет-проектами едиными: на выходных решил, наконец, исправить баг в чужом моде для Farming Simulator 25 — Tasks List. Форкнул (хорошо, что он был на гите) и поправил баг с появлением регулярных задач, а также переделал UI/UX создания новых задах (вместо ряда последовательных диалоговых окон — такое окно теперь одно). Потратил полдня, верите или нет. https://github.com/pgorithm/FS25_TaskList Интересно, кому это будет интересно 😂

@priceCheckAPIbot Кажется, пришло время поделиться первыми новостями о своем пет-проекте. Месяц работы — и вот, что вышло. Что делает? Грузишь фотографию чека из продуктового магазина (или, еще лучше, pdf из приложения магазина) — бот его раскладывает по полочкам, выдает статистику. УП и ПК на старте — заглушки на Яндексе, не обращайте внимание. Масштабного запуска пока не ожидается — выпущу рекламу когда проект точно будет на 100% отлажен и заполнен фичами. Плюс неплохо бы обратиться с юристу (если кто знает такого специалиста по SaaS — дайте контакт) за советом, чтобы все было правильно. Из-за очень небольшого количества пользователей статистика не будет слишком точной, поэтому не серчайте. А еще в проекте есть АЧИВКИ 👹. Стек: #FastAPI, #SQLAlchemy, #Alembic, #PostgreSQL, #Redis, #MinIO, #Celery, #Aiogram, #Prometheus + #Grafana. А еще #python и #Cursor. Буду благодарен за любой отзыв, особенно за обнаруженные баги.

«Более 90% контента уже пишет ИИ» — почему этот миф не стоит принимать на веру В новостях то и дело мелькают заголовки: «90% и более всего контента уже написано ИИ», «нейросети обучаются на своем же мусоре». Эти утверждения кочуют из статьи в статью и создают ощущение, что интернет захвачен бездушными алгоритмами. Проблема в том, что за громкими цифрами редко стоит внятная методология и однозначное понимание того, о чем вообще идет речь. Критически разобрать такие заявления полезно — и для понимания технологий, и для медиаграмотности. 1️⃣ Первый вопрос, который обычно не задают, а что считать «контентом, созданным ИИ»? Огромная разница между запросами (промптами) по типу «напиши статью на тему X» и «вот мой черновик, проверь грамматику». Во втором случае автор — человек, пользующийся инструментом. Это как называть «ИИ-текстом» все, что прошло через проверку правописания в Word. Кстати, под ИИ в таких заголовках почти всегда имеют в виду только нейросети и генераторы картинок — хотя классический, символьный ИИ существует с первых ЭВМ и никуда не делся, а смешивание всего в одну кучу только сбивает с толку. 2️⃣ Второй момент: откуда берутся такие проценты? Чтобы заявить «99% текстов пишет ИИ», нужно проанализировать гигантский объем данных. Даже если взять что-то вроде крупного веб-архива - по каким признакам вообще отличать текст ИИ от человеческого? К тому же значительная часть текста в сети — техническая (логи, ключевики, кэш, разметка), а не контент в привычном смысле. Любопытно, что фраза вроде «большая часть информации в интернете — мусор» появилась еще до эпохи нейросетей, когда винить было некого. Проблема шума в сети не родилась вместе с ChatGPT. 3️⃣ И наконец, про самообучение ИИ. Обучение большой модели — инженерный процесс. Специалисты собирают датасеты (dataset, наборы данных) из книг, статей, кода, а веб — лишь один из источников. Датасеты фильтруют, чистят от дубликатов и мусора. Модель не бродит по сайтам сама и не впитывает все подряд — она получает то, что ей дали, и так, как решили ML-инженеры. Представлять ее субъектом, который «сидит на реддите и набирается мудрости», — снова подмена реальности на удобный сюжет. Мифы об ИИ часто возникают из-за непонимания того, как все устроено. Нам проще представить сюжет из фантастики, чем разобраться в датасетах и методах обучения моделей. Но дьявол в деталях — и критический взгляд на громкие заголовки помогает не бросаться в крайности. Сегодня критически взглянуть на эти вещи нам помог канал нашего аналитика Евгения. #sspsoft #итсоветы #гибкиенавыки #экспертное@sspsoft_life | VK | Сайт | YouTube |

📈Каргил-культ методологий или почему инструменты не меняют мышление Продолжаем серию постов про концептуальные методики разработки. В ИТ есть термин cargile cult (каргил культ) — это ситуация, когда команда копирует внешние атрибуты Agile (аджайл, методика гибкого ведения проектов) в виде спринтов, утренних пятиминуток, досок с карточками задач, но не меняет подход к работе. В итоге процесс выглядит «по-аджайловски», а решения принимаются все так же медленно и тяжело, как и раньше. Проверить, что на самом деле управляет проектом, можно простыми вопросами: 🔹Если в середине разработки появляется новая идея — команда может включить ее в следующий цикл или автоматически откладывает «до версии 2.0»? 🔹Можно ли показать работающий результат уже сейчас — или после написания кода всегда следует долгая фаза интеграции и стабилизации? 🔹Ключевые решения рождаются в обсуждении команды — или проходят через длинные согласования у боссов в головном офисе, откуда приходят многостраничные ТЗ? Если изменения нежелательны, релизы (выпуски версий продукта) редкие, а документация диктует процесс — это классическая методология Waterfall, (вотерфол, методика последовательного ведения проектов) — подробный пост про эту методику читай здесь. И это нормально: у Waterfall (каскадного метода) есть своя область применения и сильные стороны. Проблемы начинаются тогда, когда каскадный метод пытаются замаскировать под аджайл — добавляя встречи, доски и спринты, которые не дают ценности и только увеличивают бюрократическую нагрузку на команду. Методология сама по себе не ускоряет разработку. Ускоряет понимание целей, прозрачные решения и готовность адаптироваться. Все остальное — лишь инструменты. Это пост предложен нашим аналитиком Евгением. Сейчас он занимается проектом разработки платформы ReAct-агентов (реакт-агентов), ведет свой канал Hotter Than GPT’s Default Settings #sspsoft #итпроцессы #итсоветы #экспертное@sspsoft_life

Почему в последнее время так мало глубоких постов и так много невыполненных обещаний.

Добро пожаловать в канал «Корпоративный ИИ» Здесь я разбираю реальные кейсы использования искусственного интеллекта в компаниях. 🔴Не новости. 🔴Не промты. 🔴Не «10 способов использовать ChatGPT». А как бизнес на самом деле внедряет AI. Что вы найдете в канале: 🟢 реальные кейсы компаний 🟢 где ИИ работает и где нет 🟢 экономика внедрения 🟢 ошибки компаний 🟢 юридические и управленческие риски 🟢 нюансы с ИБ Основной фокус — средний и крупный бизнес. Этот канал будет особенно полезен если вы: 🟣предприниматель 🟣руководитель 🟣продакт 🟣работаете с цифровой трансформацией 🟣 внедряете AI в компании Я стараюсь писать коротко и по делу, чтобы вы могли быстро повышать насмотренность. Если тема AI в бизнесе вам интересна - подписывайтесь и делитесь каналом с коллегами. Наши хэштеги: #кейсы - реальные внедрения #картарынка - обзор категорий AI #риски - юридические и технологические проблемы (в том числе ИБ) #провалы - когда AI не взлетел #мысли - наблюдения автора 😈 Автор канала: Александр Пашин Можно почитать обо мне на гетментор: https://getmentor.dev/mentor/aleksandr-pashin-2784 ——— 🩵 Ваш Корпоративный ИИ 🩵

"Идиотия" моделей не в том, что они "тупые" от "природы" (то есть имеют какие-то фундаментальные изъяны), а в том.. что, как и с любым инструментом, нейросетью нужно уметь пользоваться. Почему-то никто не говорит, что инвертеры - зло, когда видят кривой сварной шов (аналогия применима к любому инструменту). Не говорят - и правильно делают, потому что нужно уметь варить. Проблема в том, что обыватели свои знания о том, как устроены нейросети и о том, как с ними правильно работать, берут из новостных статей, написанными людьми, которые ни в чем не разбираются. Возникает процесс как в Южном парке, серия про новую модель смартфона. Нейросети не могут ходить в Большую советскую энциклопедию, потому что не обладают субъектностью. Но они могут на вопрос "Что такое камуфлет?" инициировать поиск информации в авторитетных источниках, такие как Большая советская энциклопедия, и забирать информацию оттуда. Этот алгоритм в реализации проще простого, называется "агент". Кто услышит - тот услышит, остальным сочувствую.

4.98 А сколько у вас? Офферы в личку, пожалуйста. Отвечу всем. #такси

💦 Методология разработки Waterfall: жесткая последовательность — это не легаси, а инструмент На конференциях о методологиях разработки концепцию Waterfall (аналогия водопада из нескольких уровней) часто подают как «устаревший» подход, противопоставляя гибкому Agile. Но на практике концепция Waterfall никуда не исчезла — она просто применяется там, где такая логика управления проектом действительно уместна. Суть Waterfall — в четкой последовательности. Сначала фиксируются требования к будущему приложению в ТЗ, затем проектируется архитектура, потом идет разработка, тестирование и внедрение. Каждый этап опирается на факт завершения предыдущего, а изменения после старта стараются минимизировать, потому что они напрямую влияют на сроки, бюджет и ответственность сторон. Такой подход хорошо работает там, где результат должен строго соответствовать изначальным договоренностям и где нежелательны многочисленные версии. Например, в промышленном ПО, системах контроля, медицинских решениях, инфраструктурных проектах или любых задачах с обязательной сертификацией. В этих случаях важнее предсказуемость и прослеживаемость процесса разработки, чем гибкость. Проблемы у современных команд начинаются не из-за самой концепции Waterfall, а из-за ее неправильного применения. Иногда команды пытаются «осовременить» процесс разработки по Waterfall — делят работу на спринты, вводят стендапы, канбан-доску — и считают, что теперь у них Agile. Но если требования в техзадании по-прежнему жестко зафиксированы, релиз продукта только в самом конце, а изменения воспринимаются как угроза результату, по сути это все тот же Waterfall, только с дополнительными модными ритуалами. Waterfall или Agile — вопрос не моды, а контекста. Эти методологии не конкурируют напрямую. Waterfall подходит для задач с оговоренным результатом и фиксированными требованиями. Agile — для ситуаций неопределенности, когда продукт развивается вместе с рынком и пользователями. Это пост предложен нашим аналитиком Евгением. Сейчас Евгений занимается проектом разработки платформы ReAct-агентов, ведет свой канал Hotter Than GPT’s Default Settings. #sspsoft #itсоветы #itразработка #экспертное@sspsoft_life

Уже 90 / 95 / 99 / 99.9 % всего контента написано ИИ. ИИ берет написанный собой текст для самообучения. Тема ИИ на хайпе уже несколько лет и как любая хайповая тема является объектом домыслов, мифов, заблуждений и подмены понятий. Взять, например, самое распространенное заблуждение: под ИИ стали понимать исключительно LLM и генераторы картинок. Хотя "классический" символьный ИИ существует с тех пор, как существуют ЭВМ, и никуда не денется еще долгие годы. Символьный ИИ - это такой алгоритм, который основывается на правилах, прописанных человеком. Не будет слишком грубым допущением называть ИИ вообще любой программный алгоритм. Например, вычисление корня из числа или поведение "врагов" в компьютерных играх. Новая серия постов будет посвящена самым распространенным мифам об ИИ, в которых я постараюсь объяснить сложное простым языком. У меня уже подготовлен список кричащих новостных статей о том, какой ИИ коварный, глупый и бесполезный. Первые на очереди мифы о доминировании в интернете информации, созданной ИИ, и об использовании этого материала для дальнейшего самообучения. Разберемся, что с этим не так. Первый вопрос, который авторы обычно сами себе не задают: что вообще считать "контентом, созданным ИИ"? Есть огромная разница между "Напиши статью на [тему] с ярким кликбейтным заголовком и провокационной подачей" и "Вот мой черновик, проверь грамматику, пунктуацию и синтаксис". Во втором случае автор все еще человек, просто использующий современный инструмент. Это как называть "ИИ-текстом" все, что было написано в Word - там ведь есть проверка правописания. А текст на бумаге написан не человеком, а ручкой (он, в общем-то, и написан ручкой, но вы меня поняли). Второй важный момент: откуда вообще берутся эти проценты? как их считали? Чтобы точно заявить, что 90% или тем более 99% текстов пишут нейросети, нужно проанализировать неплохой такой объем данных. Даже если взять выборку вроде Common Crawl (это такой гигантский архив интернетов), остается вопрос: по каким признакам отличать текст ИИ? Более того - большая часть текста имеет технический характер и не несет в себе явно полезной информации. Например, кэш, логи, разметка и т.п. Кстати, отступление в сторону. Если покопаться в памяти, то лет пять назад, задолго до всяких GPT и, выдача по любому техническому запросу уже была забита однотипными, бесполезными статьями, повторяющимися от сайта к сайту. Тогда-то кто писал? Люди. Проблема "чтива" существует столько же, сколько существует интернет. И наконец, самое интересное - про самообучение. Обучение большой модели - это сложный инженерный процесс. Специалисты собирают датасеты, причем используют не только "интернет", но и книги, научные статьи, исторические документы, программный код. Да, в этих датасетах действительно много веб-данных, но при подготовке датасета стоит задача отфильтровать его, очистить от дубликатов и явного мусора. Модель не бродит по сайтам "сама" - она ест только то, что ей дали инженеры, и именно так, как они посчитают нужным. Нейросеть - это не самостоятельный субъект, который сидит на реддите и впитывает мудрость оттуда. Если взаимодействие с LLM доступно через интернет, это не значит, что он "прописался" там самостоятельно. Мифы про ИИ возникают из-за того, что мы не всегда до конца понимаем технологию. Нам проще представить Скайнет, который строит козни и плетет интриги, чем разобраться в сложных деталях датасетов, RAG и MCP. Но дьявол, как обычно, как раз в этих деталях. #llm #мифы #хайп #ИИ