# Сопутствующие статьи по теме Агент

Новостной центр HTX предлагает последние статьи и углубленный анализ по "Агент", охватывающие рыночные тренды, новости проектов, развитие технологий и политику регулирования в криптоиндустрии.

Лао Хуан: Prompt мертв, весь мир ИИ лихорадочно гонится за Loop

Недавно в Кремниевой долине наблюдается бум вокруг концепции «Loop Engineering» (инженерия циклов). Ведущие эксперты, включая Дженсена Хуанга (NVIDIA), утверждают, что ручное написание промптов устарело, и будущее за проектированием автономных циклов, в которых ИИ самостоятельно выполняет задачи. Согласно статье, традиционный prompting требует постоянного человеческого участия на каждом шагу. Loop Engineering меняет парадигму: человек становится архитектором системы, которая сама обнаруживает задачи, исполняет их, проверяет результаты, сохраняет состояние и продолжает работу в цикле 24/7. Ключевыми компонентами являются: определение цели, создание механизмов верификации (самый важный этап, требующий отдельного агента-оценщика), настройка планировщика и постоянной памяти. В июне 2026 года Addy Osmani (Google) официально ввел термин, представив Loop Engineering как четвертый уровень над prompt, context и harness engineering. Распространившаяся 11-страничная «белая книга» и практическое руководство на 14 шагов описывают, как строить такие системы, предупреждая о рисках: «долг верификации», «когнитивная капитуляция» и неконтролируемый расход токенов. Хотя циклы потребляют больше времени и вычислительных ресурсов (пример с разработкой игры в Anthropic: 9$ за 20 минут против 200$ за 6 часов), они обеспечивают значительно более высокое качество результата. Будущее видится за инженерами, которые не пишут промпты, а проектируют эффективные автономные циклы, оставаясь ответственными архитекторами и сохраняя критическое мышление. Prompt умер, да здравствует Loop.

marsbit06/29 08:39

Лао Хуан: Prompt мертв, весь мир ИИ лихорадочно гонится за Loop

marsbit06/29 08:39

ТОП моделей Hugging Face, теперь я признаю только yuxinlu1

**Персональный разработчик взлетел на трендовые позиции Hugging Face, обойдя крупные компании** Личный аккаунт **yuxinlu1** (разработчик Лу Юйсинь) неожиданно занял высокие места в трендовом рейтинге моделей Hugging Face, расположившись среди таких гигантов, как Zhipu GLM-5.2, Baidu Unlimited-OCR, Qwen и NVIDIA. Его два GGUF-квантованных варианта модели на базе **Gemma4-12B** набрали **207 тыс.** и **536 тыс.** загрузок соответственно. **Суть моделей:** * **Версия 1 (Coder):** Сфокусирована на генерации и проверке исполняемого кода. Обучалась на "верифицируемых" данных, где каждая цепочка рассуждений подтверждалась прохождением тестов. Для обучения использовались данные Cursor Composer 2.5 и Fable 5. * **Версия 2 (Agentic):** Добавлена способность к многошаговому вызову инструментов (tool use), что позволяет использовать модель как локального агента. **Ключевые преимущества:** 1. **Локальный запуск:** Модели в формате GGUF можно запускать локально с помощью llama.cpp, Ollama и др., что обеспечивает **конфиденциальность** данных (код не уходит в облако) и **нулевую стоимость** API-вызовов. 2. **Низкий порог входа:** Минимальная версия (Q2_K) занимает около **4.5 ГБ** памяти, что делает её доступной для пользователей с потребительскими видеокартами или Mac с 8 ГБ унифицированной памяти. **История создателя:** Лу Юйсинь — аспирант, изучающий ИИ. Эти модели — его **личный некоммерческий проект**, созданный для самообразования в быстроразвивающейся области. Процесс занял около 40 часов интенсивной работы (включая сжигание целого пакета Claude Max 20×) на одной видеокарте RTX 5090. Самой трудоёмкой частью была обработка и "нарезка" длинных диалоговых данных для обучения в условиях ограниченной памяти. **Философия и успех:** По словам разработчика, успех основан на **честности** (чётком указании сильных и слабых сторон модели) и **решении конкретной практической задачи** — создании эффективного и доступного локального помощника для программирования. Он активно взаимодействует с сообществом, отвечая на отзывы. Лу Юйсинь считает, что у индивидуальных разработчиков есть своя ниша: они могут быть более сфокусированными и гибкими, чем крупные компании, для которых выпуск моделей часто связан с более широкими бизнес-задачами. Ссылка на модели: https://huggingface.co/yuxinlu1

marsbit06/28 01:53

ТОП моделей Hugging Face, теперь я признаю только yuxinlu1

marsbit06/28 01:53

Дженсен Хуан: Prompt устарел, Loop — это новая парадигма

Промпты устаревают, на смену приходит «Loop-инжиниринг»: новый подход к работе с ИИ, при котором система самостоятельно выполняет задачи, проверяет результаты и повторяет цикл до достижения цели. Ключевые идеи: - **Loop** — это циклическая система, где ИИ действует автономно, а человек лишь задаёт правила и критерии проверки. - **Примеры внедрения**: Claude Code использует `/goal` для целевых задач и отдельную модель Haiku для проверки кода; OpenAI Codex задействует несколько агентов параллельно. - **Практические шаги**: 1. Проверка применимости (повторяемость задачи, автоматическая проверка, бюджет, инструменты). 2. Создание минимального рабочего цикла с триггером, навыком, файлом состояния и контролем качества. 3. Разделение агентов на «исполнителей» и «проверяющих». 4. Избегание типичных ошибок (отсутствие ограничений, игнорирование состояния, сложные задачи). - **Эволюция подходов**: от Prompt Engineering (2023–2024) к Context Engineering, затем Harness Engineering и, наконец, Loop Engineering — постепенное повышение уровня абстракции и автономности. - **Академические корни**: концепция восходит к框架ам вроде ReAct (2022), где ИИ циклически сочетает рассуждения и действия. - **Предостережения**: эксперты отмечают высокие затраты на токены и риск утраты понимания системы при полной автоматизации. Loop становится новой парадигмой, смещая фокус с написания промптов на проектирование самоуправляемых систем, но требует взвешенного внедрения и контроля.

marsbit06/25 14:29

Дженсен Хуан: Prompt устарел, Loop — это новая парадигма

marsbit06/25 14:29

Гиганты начинают битву за контекст, переосмысливая барьеры для ИИ

В этом году ведущие американские AI-компании — OpenAI, Anthropic и Google — начали активную конкуренцию вокруг понятия **Context** (контекст). Раньше контекст был просто техническим параметром, определяющим объем текста, который модель может обработать за раз. Теперь его значение расширилось: это активы пользователя, разрешения для инструментов, состояние выполнения задачи и, по сути, **то, насколько хорошо ИИ понимает пользователя**. Соревнование прошло три этапа: 1. **Длина контекста**: Гонка за увеличение объема обрабатываемого текста (от 100К до 1 млн токенов). 2. **Память (Memory)**: Возможность запоминать предпочтения и историю взаимодействий с пользователем между сессиями. 3. **Рабочая среда**: Выход в браузеры, десктопные приложения и GUI, где ИИ может наблюдать состояние задачи в реальном времени и действовать. Компании идут разными путями: * **OpenAI** делает акцент на аккаунте **ChatGPT** как на центральном узле, который накапливает и использует контекст, расширяя его охват на различные сценарии (приложения, браузер Atlas, программирование). * **Anthropic** фокусируется на активном получении контекста из среды выполнения задач, используя возможности **Computer Use** (работа через GUI) и протокол **MCP** для подключения к внешним инструментам и данным. * **Google** решает сложную задачу преобразования своих огромных массивов разрозненных пользовательских данных (Поиск, Gmail, Документы и т.д.) в структурированный, понятный для **Gemini** контекст, пригодный для выполнения задач. Итогом этой "войны за контекст" становится изменение логики конкурентных преимуществ в эпоху ИИ. Если в интернет-эпоху ключевым был **сетевой эффект** (масштаб), то теперь важна **глубина работы с индивидуальным пользователем**. Новые "рвы" формируются за счет: * **Сложного контекста**: Накопления понимания пользователя и состояния задач. * **Внедрения в инструменты и разрешения**: Интеграции в реальные рабочие процессы и системы. * **Доверия**: Долгосрочных отношений, необходимых для выполнения сложных задач. Таким образом, контекст превращается из технического параметра в ключевую продуктовую и стратегическую ценность, определяющую, какой ИИ сможет глубже понять пользователя и стать неотъемлемой частью его рабочих процессов.

marsbit06/23 23:16

Гиганты начинают битву за контекст, переосмысливая барьеры для ИИ

marsbit06/23 23:16

Обзор аналитического отчета: Citigroup участвует в саммите AWS, оптимистично оценивает ускорение облачного бизнеса, но управление данными остается ключевым фактором

**Краткое изложение доклада Citigroup по итогам саммита AWS в Нью-Йорке** Аналитики Citigroup, посетившие саммит AWS 17-18 июня, выпустили отчет, в котором прогнозируют ускорение роста доходов облачного подразделения Amazon с 30% в FY26 до 37% в FY27, считая эти оценки, возможно, консервативными. **Ключевые выводы:** 1. **Фокус AWS сместился на масштабируемое развертывание.** В отличие от прошлогоднего акцента на экспериментах, новые продукты AWS (такие как Context, Quick, Continuum, Kiro) напрямую направлены на решение реальных проблем предприятий при внедрении AI. Например, AWS Context создает единый граф знаний из разрозненных корпоративных данных, выступая в роли уровня поиска для AI-агентов. 2. **Провайдеры инфраструктуры данных выигрывают от роста AI.** Компании вроде Snowflake, Elastic и Oracle демонстрируют активный рост, помогая клиентам управлять данными для AI-нагрузок. 3. **Управление данными (Data Governance) стало критическим фактором.** По мере роста числа AI-агентов в компании с сотен до тысяч, способность каждого агента находить нужные данные в рамках правильных разрешений становится ключом к интеграции AI в основные бизнес-процессы. AWS Context рассматривается как важный шаг AWS в сторону предоставления инфраструктурного уровня для управления данными. **Инвестиционные тезисы:** * **Основная ставка:** на ускорение роста AWS и на доходы провайдеров инфраструктуры данных. * **Не ожидается:** резкого снижения затрат на AI в краткосрочной перспективе, хотя компании теперь уделяют больше внимания оптимизации расходов. * **Ключевые сигналы для отслеживания:** Фактический рост выручки AWS, динамика объема задач в AWS Bedrock AgentCore и влияние изменений в ценах поставщиков данных (например, Elastic) на спрос.

marsbit06/22 14:13

Обзор аналитического отчета: Citigroup участвует в саммите AWS, оптимистично оценивает ускорение облачного бизнеса, но управление данными остается ключевым фактором

marsbit06/22 14:13

Всё, что за пределами модели, относится к Harness: Deepseek вступает в игру — почему основное поле битвы в сфере ИИ в Китае изменилось?

В мае 2026 года Deepseek создал команду Harness для разработки интеллектуального агента для написания кода, что ознаменовало сдвиг в китайской ИИ-индустрии: от соревнования в создании больших языковых моделей к конкуренции в инструментах и платформах для их внедрения (так называемых «упряжках» — harness). Harness — это среда исполнения для ИИ-агентов, обеспечивающая взаимодействие с внешним миром, управление контекстом, вызов инструментов и восстановление после сбоев. Deepseek стремится контролировать этот слой, чтобы создать цикл обратной связи для улучшения модели на основе реальных задач. Эффективность агента в сложных сценариях (например, работа с кодом или автоматизация офисных процессов) зависит от инженерного качества harness больше, чем от возможностей самой модели. Другие крупные компании также развивают свои стратегии: Tencent фокусируется на интеграции агентов в корпоративные системы через платформу WorkBuddy, а Alibaba продвигает легковесные фронтенд-решения, такие как PageAgent, для автоматизации действий в браузере. Успех зарубежного стартапа Viktor, достигшего значительных доходов от автономных ИИ-сотрудников, подтверждает рыночный спрос на решения, которые не просто помогают, а самостоятельно выполняют сложные задачи. Это смещает фокус с генерации контента на надежное исполнение. Ключевыми инженерными проблемами становятся управление контекстом для избежания «взрыва» токенов, обеспечение стабильности в длительных задачах и создание защищенных «толстых» сред исполнения. Ограничения доступа к иностранным продуктам, таким как Claude Code, создают дополнительное окно возможностей для китайских решений в этой области.

marsbit06/22 06:07

Всё, что за пределами модели, относится к Harness: Deepseek вступает в игру — почему основное поле битвы в сфере ИИ в Китае изменилось?

marsbit06/22 06:07

Без отдела продаж и с оборотом в 20 миллионов долларов: как AI-сотрудник Viktor привлек 30 000 компаний?

Традиционное корпоративное ПО требует обширных продаж и долгого внедрения. ИИ-сотрудник Viktor, разработанный командой с опытом в DeepMind, бросает вызов этому подходу. Он позиционируется как «коллега третьего уровня» (Tier 3 AI Coworker), способный на сквозное выполнение задач, а не просто на помощь. Пользователи могут упоминать его в Slack или Microsoft Teams, давая задания на естественном языке, например, «подготовь отчёт по продажам». Viktor самостоятельно подключается к CRM, генерирует графики и отправляет результат. Без отдела продаж и длительных проектов внедрения, через модель роста, управляемую продуктом (PLG), Viktor достиг $20 млн годового дохода, обслужив 30 000 компаний на платформе Slack. Ключом стал минимальный порог входа: бесплатный кредит в $100 и оплата за фактически выполненные задачи, а не за лицензии на сотрудников. Теперь продукт доступен в Microsoft Teams, открывая доступ к 320 млн пользователей. Viktor устраняет барьер сложных промптов, выполняя работу от начала до конца, и может работать автономно, например, проводя сверку счетов ночью или создавая презентации из данных разных систем. Он запоминает коррекции и контекст, становясь «слоем процессов» компании. Однако переход в корпоративную среду Teams сталкивается с проблемами соответствия и безопасности. Полная автоматизация вызывает опасения из-за «чёрного ящика» решений и рисков ошибок с доступом к критическим системам. Баланс между эффективностью и контролем остаётся главным вызовом для внедрения ИИ-сотрудников в бизнес-процессы. Viktor демонстрирует привлекательность модели с нулевым порогом входа, но для масштабирования в крупных организациях необходимы доверие и надёжные рамки управления.

marsbit06/19 10:57

Без отдела продаж и с оборотом в 20 миллионов долларов: как AI-сотрудник Viktor привлек 30 000 компаний?

marsbit06/19 10:57

Руководство по тестированию AI-карты WeChat: Наступила ли эпоха AI Shopping?

**Автор:** Alan | Команда Biteye **Дата:** 17 июня **Что это?** WeChat Pay представил «AI Special Card» — специальную карту для оплаты через ИИ-агентов, начиная с WorkBuddy. Это не отдельная карта, а изолированный «кошелёк» внутри WeChat Pay. Пользователи пополняют его с основного баланса, и платежи агентов списываются оттуда, а не с основных средств. **Как работает?** 1. Агент (например, WorkBuddy) инициирует платёж. 2. Пользователь сканирует QR-код для подтверждения в приложении WeChat. 3. Средства списываются с баланса AI-карты. 4. Основной счёт WeChat Pay не затрагивается. **Текущие возможности:** Платежи за цифровой контент, API, инструменты, подписки (хотя на практике найти такие сценарии сложно). **Тест: Заказ Bubble Tea через WorkBuddy (Неудача)** * WorkBuddy не может заказать напрямую, требуется вызов стороннего навыка (Skill), например, «Meituan Life Assistant». * Процесс требует авторизации в Meituan, что расходует много внутренних баллов WorkBuddy. * Агент успешно сгенерировал ссылку на оплату через AI Special Card, и платёж прошёл. * **Но:** Была куплена не та позиция (неправильный купон Meituan), а не конкретный напиток. **Вывод:** Проблема не в платежах, а в исполнении задачи агентом. AI Special Card решает только вопрос безопасного списания средств, но не гарантирует, что агент правильно поймёт запрос, выберет товар и выполнит заказ. Платёж остаётся под полным контролем пользователя. **Рекомендации:** Можно опробовать с небольшой суммой для цифровых услуг, но всегда проверяйте детали покупки перед подтверждением платежа.

marsbit06/18 12:05

Руководство по тестированию AI-карты WeChat: Наступила ли эпоха AI Shopping?

marsbit06/18 12:05

Команда NVIDIA создала агента-программиста, который берет на себя эксперименты с реальными роботами, достигая успеха в 99% случаев

Проект ENPIRE от NVIDIA GEAR Labs впервые реализовал полностью автоматизированные исследования на реальном роботизированном оборудовании. Система, состоящая из восьми автономных кодирующих агентов Codex, управляет флотом роботов для решения сложных задач ловкости, таких как завязывание стяжек, сортировка булавок и установка GPU, с успешностью до 99%. Агенты работают автономно в замкнутом цикле: сброс среды, поиск в литературе, реализация идей, обучение стратегий, развертывание, валидация и итеративное улучшение кода, практически без вмешательства человека. Ключевые инсайты: создание автоматизированной среды сброса часто проще, чем сама задача. Система демонстрирует «физический закон масштабирования» — увеличение числа параллельных роботов (например, до 8) значительно ускоряет решение. Введены новые метрики: MRU (средняя загрузка роботов) и MTU (эффективность использования токенов агентами). Текущая загрузка роботов ниже 50%, что указывает на потенциал роста через оптимизацию скорости работы агентов. Цель — достичь полностью автономной работы лаборатории. Проект будет открыт, что позволит разработчикам создавать подобные системы.

marsbit06/18 00:36

Команда NVIDIA создала агента-программиста, который берет на себя эксперименты с реальными роботами, достигая успеха в 99% случаев

marsbit06/18 00:36

Эра AI-приложений: только "да" и игнорирование рисков? Журнал плавания разработки ПО теперь полностью в открытом доступе

2026 год: код генерируется всё быстрее, но проверяется всё меньше. Риски, связанные с использованием ИИ для написания кода, часто скрыты в внешне корректном коде, который может привести к утечкам данных или финансовым потерям, как это произошло в инциденте с Moonwell cbETH, где ошибка в конфигурации привела к утрате активов на сумму свыше 1,7 млн долларов. Проект Narwhal AI Code Risks от Университета Пекина систематизирует подобные случаи, создавая открытый реестр рисков. Он классифицирует информацию по трём категориям: подтверждённые инциденты (cases/), ранние предупреждения (inferred/) и типовые сценарии рисков (scenarios/). Основные категории рисков включают проблемы в цепочке поставок, уязвимости на уровне кода, конфигурации облачной инфраструктуры, риски, связанные с агентами ИИ, отраслевые риски, вопросы интеллектуальной собственности и человеческий фактор. Цель проекта — превратить разрозненные случаи в структурированные знания, позволяющие разработчикам заранее распознавать опасности, исследователям — анализировать паттерны, а создателям инструментов — разрабатывать средства защиты. Это открытый «бортовой журнал» для навигации в эпоху повсеместного применения ИИ в разработке, призванный помочь сообществу избегать повторения ошибок.

marsbit06/16 04:53

Эра AI-приложений: только "да" и игнорирование рисков? Журнал плавания разработки ПО теперь полностью в открытом доступе

marsbit06/16 04:53

活动图片

Популярные категорииright-arrow

Популярные тегиright-arrow