Нейронки и промпты

прочитал на hackernews о дизрапции вендоров оборудования для боулингов Инженер из Америки купил заброшенный боулинг на восемь дорожек. В его городке семьям было некуда пойти вечером — и он решил это исправить. Здание со всем оборудованием обошлось в 105 тысяч долларов. Боулинг был заброшен не просто так: крыша текла, проводка искрила, а машинам, которые ставят кегли, — семьдесят лет. Система подсчёта очков — та, на экран которой мы смотрим во время игры, — была установлена в 8-м году и стоила шестизначную сумму. Заменить её на новую — от 80 до 120 тысяч долларов. Столько же, сколько весь боулинг целиком, со зданием и землёй. Чувак задумался. Что эта дорогущая система реально делает? Она камерами распознаёт кегли и считает скорость шара. Но семидесятилетней машиной она управляет через одно-единственное реле. Один электрический щелчок: «поставь кегли». Всё остальное — чистая механика прошлого века. Запчасти при этом — 4000 долларов на пару дорожек. Чувак по профессии следит за серверами крупных компаний, придумал оригинальное решение. Копеечные микроконтроллеры, датчики на инфракрасных лучах, обычные реле, одна Raspberry Pi на весь зал. Собрал работающий аналог — 200 долларов на пару дорожек. В пятьсот раз дешевле. Ремонт теперь занимает пять минут: достал запасную плату из ящика, воткнул, играем дальше. Интерфейсы легко меняются. Захотел неоновое оформление «как в Троне» на тематический вечер — сделал сам. Все данные — его, всё оборудование — его. Проект он назвал OpenLaneLink и собирается выложить в открытый доступ — чтобы маленькие боулинги не тратили деньги на железо, которое морально устарело ещё до их открытия. Цена такого оборудования — это не цена технологий внутри. Это цена того, что покупатель не знает, как оно устроено. Как только кто-то разобрался — оказалось, что вместо 100 тысяч достаточно двухсот долларов и пары выходных. Точно так же как цена работы интеграторов и консультантов - знать код, который они когда то создали. Новому подрядчику было очень трудно разобраться в нём. Это приводило к зависимости. Теперь благодаря инструментам вроде claude code и codex - изучить что то старое всё легче и легче. Рынок меняется. Сергей Булаев AI 🤖 - об AI и не только

Собрал тестовые вопросы нейронкам чтобы их тестировать и сравнивать. Задача была сравнить локальные нейронки, работающие с компа Gemma, но подойдет так же для любых других: Один вопрос даст вам шум, а не сигнал — качество модели многомерно, и разные оси деградируют по-разному (особенно у локальных квантованных моделей). Поэтому предложу не один вопрос, а компактную батарею проб, каждая из которых вскрывает конкретный класс отказа. Это переиспользуемый «smoke-test», который гоняется за минуту. ## Что именно тестировать и чем 1. Рассуждение vs паттерн-матчинг (главная проба для квантования) > «Бита и мяч вместе стоят 110 рублей. Бита стоит на 100 рублей дороже мяча. Сколько стоит мяч?» Правильно — 5 руб. Слабая/перепрожатая модель выдаёт интуитивные 10. Это самый чувствительный быстрый индикатор: квантование и малый размер бьют по многошаговой арифметике в первую очередь. 2. Работа с символами (токенизация) > «Сколько букв „р“ в слове „параллелограмм“?» Ответ — 2. Проверяет, считает ли модель реально или галлюцинирует число. Классическая слабость, усиливающаяся на не-английском. 3. Эпистемическая честность (галлюцинации) > «Опиши основные возможности фреймворка „Хронос“ от Яндекса для оркестрации LLM-агентов.» Фреймворка не существует. Хорошая модель говорит, что не располагает информацией / не может подтвердить существование. Плохая — уверенно сочиняет API и фичи. Это критично, если вы планируете RAG или агентные сценарии. 4. Следование инструкции с жёстким ограничением > «Назови три преимущества PostgreSQL. Ответь ровно тремя словами — по одному слову на преимущество.» Тест на constraint adherence. Мелкие модели игнорируют формат и начинают объяснять. Хорошо коррелирует с управляемостью в продакшене (структурированный вывод, JSON-mode). 5. Русский язык: связность и регистр > «Перепиши в официально-деловом стиле: „Ребят, давайте уже наконец решим, что делаем с этим багом, а то висит вторую неделю“.» Многие модели, сильные на английском, в русском плывут по грамматике и стилю. Смотрите на согласование, отсутствие калек и попадание в регистр. 6. Практический код с граничными случаями > «Напиши функцию на Python: возвращает True, если строка — палиндром, игнорируя регистр, пробелы и пунктуацию.» Проверяете не «работает ли вообще», а обработал ли модель все три условия из формулировки. Частый failure — игнорирование одного ограничения. ## Как превратить в воспроизводимый тест - Гоняйте каждую пробу при temperature 0 и проверяйте детерминизм — нестабильность на t=0 сама по себе симптом проблем с инференсом/квантованием. - Прогон ×3 на пробах 3 и 5: галлюцинации и языковая деградация всплывают непостоянно. - Простой скоринг: pass/fail по каждой оси → профиль модели, а не одна цифра. Это сразу показывает, для чего модель годна (например, ок для генерации текста, но нельзя пускать в агенты из-за галлюцинаций). Если уточните целевой сценарий — чат / RAG / кодинг / агентность / длинный контекст — соберу батарею под него: для RAG добавлю проверку на верность источнику и отказ при отсутствии данных, для агентов — tool-calling и многошаговое планирование, для длинного контекста — needle-in-haystack.

Вчера у меня случился маленький, но очень показательный кейс про AI-агентов в реальной жизни) Заказал дочери на день рождения колонку Алиса на немецком eBay. И уже на этом этапе началась херь: я так и не разобрался, как у них переключить язык на английский. Что-то переводил руками, что-то через встроенный переводчик, но в целом интерфейс как будто специально сделан, чтобы ты страдал. Посылка должна была прийти еще неделю назад. Но ее нет и нет. На почту никаких уведомлений от eBay не падало, что бесило отдельно. Я пару раз заходил в личный кабинет, видел что-то на немецком c картинкой что посылка еще в процессе доставки и закрывал, думая, что она еще едет. Но вчера решил уже добить этот вопрос и понять, где вообще моя посылка. Начал разбираться руками. И вот тут классика: - eBay у меня на немецком - часть трекинга перекидывает в испанскую дичь - дальше DHL уже на португальском - в каждом источнике свой интерфейс, и хрен поймешь, где искать главное На испанском сайте по трекинг номеру я увидел, что посылка якобы доставлена и лежит в пункте выдачи Лиссабона. А мне туда, на минуточку, километров 60 пилить. Но в каком пункте выдаче - тоже не ясно( Я выдохнул и решил: ну окей, раз руками не получается, то и не надо! Запустил браузерный плагин Claude в Chrome. Просто дал ему задачу: вот мой заказ Ebay, разберись, в каком именно пункте выдачи она лежит, и дай мне нормальный адрес и режим работы. Он сам протыкал весь этот зоопарк из немецкого, испанского и португальского, вытащил конкретный адрес и объяснил, что посылка уже доставлена в ServicePoint. Причем я до конца даже не понял, где именно он это нашел, потому что я перед этим тыкал примерно туда же, но безрезультатно. Самое важное, что я его не перепроверял. Просто увидел, что адрес недалеко, сел в машину и поехал. И, барабанная дробь... все оказалось правильно!) Посылку получил. Дочь с подарком. Я довольный. И вот это для меня очень хороший пример того, где AI — это уже не “прикольно тексты пишет”, а реально помогает дойти до результата там, где человек вязнет в интерфейсах, языках и куче разрозненных источников. P.S. Теперь думаю, как связать Claude Code с рабочим браузером через MCP, чтобы агент мог сам ходить по таким сценариям в моем авторизованном браузере. Но все упирается в контроль этих действий.

Позитивный кейс 👇 и у меня подобное было от использования Claude Cowork (AI-агент работающий для тебя в браузере). Последнее что делал – просил написать жалобы в магазин Яблоко, но с ходу не нашел где на их сайте писать. Агент сам нашел мне в интернет форму жалоб на их сайте, яндекс.карт и 2ГИС. Написал жалобы и ждал меня, чтобы я прочитал и нажал кнопки “отправить” в трех вкладках браузера 🙂 Но у товарища ниже боль была сильнее.

AI-системы: аналогия с человеком 🧠 Если вы запутались в новых AI-терминах — подготовил простую памятку: LLM — думает Это «мозг» системы: понимает язык, рассуждает, генерирует ответы. RAG — подтягивает контекст Это «мозг + библиотека»: документы, базы знаний, инструкции, свежие данные. AI-агент —выполняет действия Это «мозг + руки»: может использовать инструменты, запускать шаги, работать с задачами. MCP —соединяет всё это с инструментами и данными Это «нервная система»: слой, через который AI получает доступ к сервисам, файлам, базам и внешним системам. В итоге базовый стек серьёзной AI-системы выглядит так: мозг → знания → руки → нервная система. ⚠️ Важно помнить: RAG сам по себе не гарантирует правду, агенты без ограничений могут наделать лишнего, а MCP не делает систему умной — он просто помогает всё это нормально соединить. В общем: LLM думает, RAG приносит контекст, агент действует, MCP соединяет. Ничего не забыл? )

глюки нейронок У меня есть друзья, которые скептически относятся к AI. В ответ на интересные находки про нейронки – присылают истории про галлюцинации или громкие провалы AI. И частично они правы. Есть две крайности: первые слепо копируют ответы ChatGPT в отчёты и презентации (привет коллеги 😁) вторые вообще не пользуются AI: пробовал, ошибается — бесполезен или даже опасен 👺 Обе позиции проигрышные. С первыми всё понятно. Для вторых – есть популярный тест. Спросите себя: если коллега дал неточную информацию, вы перестаните общаться с людьми? LLM может ошибаться, например: — модель чего-то не знает: данные устаревают, или в модели может не хватать данных. Контекстное окно чата может заканчиваться и нейронка может забыть начало вашей беседы. В таких случаях модель может додумывать и звучать уверенно. — задача поставлена размыто, или много лишних (мусорных) данных. Чем менее чёткий запрос, тем выше шанс получить правдоподобный, но бесполезный ответ. Это не баг и не фича, это природа технологии, которую важно учитывать и правильно с ней работать. Всегда критически оценивайте ответ и при сомнениях перепроверяйте. Ссылка из Google тоже не гарантирует правду. Нашли что-то важное — проверьте в другом источнике или через другую AI-модель. Если чат длинный и много данных через него проходило – попробуйте забрать их него контекст и начать новый чат. За 2+ года работы с AI-продуктами сделал вывод: LLM — как очень эрудированный специалист, но без практического опыта. Много знает, генерирует полезное, но нужен постоянный присмотр. Сомневаться в AI — полезно. Но игнорировать его в 2026-м — примерно как когда-то говорить, что интернет не для серьёзного бизнеса. AI — для идей, гипотез и черновиков. За вами проверка результата.

Работа-работа, перейди на Федота, с Федота на Якова, с Якова на нейросеть «Опус 4.6»

🥸 CEO всё чаще советуются с AI перед принятием решений Недавний опрос 200 владельцев бизнеса и CEO в Великобритании показал интересную тенденцию. AI постепенно становится вторым мнением для стратегических решений у руководителей компаний. На цифрах: • 62% руководителей используют AI при принятии большинства решений • 140 человек признались, что начинают сомневаться в своей идее, если бот её не одобряет • 46% доверяют советам AI больше, чем коллегам Источник: издание Futurism. Опрос проводило агентство 3Gem для Confluent во второй половине 2025 года. Чаще всего AI используют как быстрого стратегического советника. Например: • быстрое исследование • проверка гипотез • подготовка к управленческим обсуждениям То, что раньше занимало час мозгового штурма, теперь можно сделать за несколько минут. Это может значительно экономить время на встречах с командой — потому что обсуждение начинается уже с подготовленной базы. Например, AI может заранее: • собрать список конкурентов и их позиционирование • предложить несколько стратегий выхода на рынок • сформулировать ключевые риски идеи • подготовить структуру обсуждения для встречи Вместо обсуждения «с нуля» команда сразу начинает с анализа и принятия решений. Важно понимать особенность работы с такими советниками. AI хорошо структурирует мышление и может предложить сильные варианты. Но качество этих вариантов напрямую зависит от контекста, который ему дают. 🙈 Новичок обычно получает слабый ответ: как спросил — так и получил. 🤔 Опытный пользователь умеет добавить в запрос контекст, опираясь на который AI может значительно улучшить качество анализа. Например: • чем занимается компания • ключевые продукты • бизнес-модель • размер компании • ключевые источники выручки И полезно сразу задать формат ответа. Например, добавить: Сделай краткий анализ идеи. Выдели сегменты клиентов, конкурентов, основные риски и предложи 3 возможные стратегии запуска. В таком случае AI отвечает уже структурированным разбором, а не общими рассуждениями. 🪓Следующий уровень — когда контекст не вводят руками каждый раз, а заранее собирают в инструкциях, документации и рабочем пространстве AI (в ChatGPT - Проекты). Инструкции проекта можно тоже собрать с AI а документы добавить в Source (лучше в формате .md). Так можно быстро запускать новые обсуждения, не объясняя системе базовые вещи о компании. 🤵А самый сильный вариант — когда AI видит не только описание задачи и постоянный контекст, но и актуальные данные компании: внутренние документы, метрики, базу знаний и другие рабочие материалы. В перспективе на этой базе могут работать и AI-агенты в разных ролях: • один собирает факты • второй критикует гипотезу • третий помогает сравнить сценарии Тогда это уже не просто чат-бот, а реальный инструмент поддержки решений. Важно понимать AI особенно полезен не как “оракул”, а как ускоритель мышления. Он помогает быстрее собрать факты, структурировать идеи и подготовить обсуждение. Поэтому многие руководители используют его именно как второе мнение перед принятием решения. И, пожалуй, главный вывод. Разница между «поиграться с нейросетью» и реальным инструментом управления почти всегда в количестве и качестве контекста, который вы подготовили и дали AI для задачи. 🟢 Если интересно, могу подробней примеры промптов предложить для исследований для попробовать. Пиши в комментарии + или опиши пример своей задачи, соберем.

Оказывается, у нейронок есть скрытый барьер 🤔 Пару дней назад услышал мнение, что многим людям сложно пользоваться нейронками не из-за технической сложности, а потому что они не могут сформулировать, что им писать/спрашивать. Звучит интересно! Полез читать — оказалось, есть даже исследования и термин: "prompt-articulation Barrier" Jakob Nielsen (гуру UX) называл это “артикуляционный барьер" и утверждает: только 10-20% людей могут нормально формулировать промпты. Половина населения богатых стран имеет низкий уровень письменных навыков — а писать запрос сложнее, чем просто читать. Исследователь Николай Донец тоже выделяет "барьер формулирования запроса" как отдельную UX-проблему: люди не умеют описать свои потребности настолько точно, чтобы получить нужный результат. Судя по всему специальность “промт-инженеров” не надуманная 😅 Пример из жизни: На днях слушал подкаст Радио-Т, ведущий рассказывал про коллегу из крупной компании. Тот оплатил ~200 сотрудникам ChatGPT для работы. Результат? Большинство так и не начали пользоваться 👀 Проблема была простая: люди не могли сформулировать, чего они хотят от нейронки. История мне откликнулась — в окружении много людей, которые с интересом слушают про AI, но сами не пользуются. Да я и сам вспоминаю свои первые попытки. Сидишь перед пустым окном чата и думаешь: «И что теперь писать?» 🙈 Вывод честный: нейронки не сложные, просто требуют навык, которого у большинства нет. Поэтому и существует профессия "prompt engineer" — обычные специалисты не могут сами корректно формулировать задачи. Замечали подобное среди знакомых или родственников? 💻

ААААА!!! П Р О М П Т У К Р А Л И ! ! ! ! !

Нашел еще один классный промпт для Nano banana 2 – он делает из любой картинки что-то вроде портфолио-арта, клево как для идей так и просто посмотреть, как АИ запроцессит глупости; кстати, можно попросить зазумить каждую картинку если понравилась – главное в том же чате Промпт: Create ONE final image. A clean 3×3 [ratio] storyboard grid with nine equal [ratio] sized panels on [4:5] ratio. Use the reference image as the base product reference. Keep the same product, packaging design, branding, materials, colors, proportions and overall identity across all nine panels exactly as the reference. The product must remain clearly recognizable in every frame. The label, logo and proportions must stay exactly the same. This storyboard is a high-end designer mockup presentation for a branding portfolio. The focus is on form, composition, materiality and visual rhythm rather than realism or lifestyle narrative. The overall look should feel curated, editorial and design-driven. FRAME 1: Front-facing hero shot of the product in a clean studio setup. Neutral background, balanced composition, calm and confident presentation of the product. FRAME 2: Close-up shot with the focus centered on the middle of the product. Focusing on surface texture, materials and print details. FRAME 3: Shows the reference product placed in an environment that naturally fits the brand and product category. Studio setting inspired by the product design elements and colours. FRAME 4: Product shown in use or interaction on a neutral studio background. Hands and interaction elements are minimal and restrained, the look matches the style of the package. FRAME 5: Isometric composition showing multiple products arranged in a precise geometric order from the top isometric angle. All products are placed at the same isometric top angle, evenly spaced, clean, structured and graphic. FRAME 6: Product levitating slightly tilted on a neutral background that matches the reference image color palette. Floating position is angled and intentional, the product is floating naturally in space. FRAME 7: is an extreme close-up focusing on a specific detail of the label, edge, texture or material behavior. FRAME 8: The product in an unexpected yet aesthetically strong setting that feels bold, editorial and visually striking. Unexpected but highly stylized setting. Studio-based, and designer-driven. Bold composition that elevates the brand. FRAME 9: Wide composition showing the product in use, placed within a refined designer setup. Clean props, controlled styling, cohesive with the rest of the series. CAMERA & STYLE: Ultra high-quality studio imagery with a real camera look. Different camera angles and framings across frames. Controlled depth of field, precise lighting, accurate materials and reflections. Lighting logic, color palette, mood and visual language must remain consistent across all nine panels as one cohesive series. OUTPUT: A clean 3×3 grid with no borders, no text, no captions and no watermarks.