# Сопутствующие статьи по теме Инжиниринг

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

Claude Code сократил на 80% промпты, а Opus 5 молча добавил их обратно

Claude Code сначала объявил о сокращении системных промтов более чем на 80%, но затем пользователь обнаружил, что у Opus 5 они выросли на 72% по сравнению с Opus 4.8. Это кажется противоречием. Правда в том, что Anthropic действительно провёл масштабную «чистку» устаревших и избыточных правил, которые, как «инструкция для сотрудников», сковывали ранние модели. Это сокращение в основном пришлось на переход с Opus 4.7 к Opus 4.8. Однако новые модели, такие как Opus 5, стали более самостоятельными и склонными к развёрнутым ответам, использованию подзадач и проверкам. Чтобы направить эту возросшую активность, Anthropic добавил в промты Opus 5 новые разделы — «Delivering work» и «Corrections» — которые учат модель контролировать объём задачи, отчитываться о прогрессе и ограничивать излишние самоисправления. Таким образом, «сокращение на 80%» относится к удалению старого груза детальных инструкций, а «рост на 72%» — это добавление новых, более стратегических рамок для более мощной и инициативной модели. Итоговый промт Opus 5 всё равно вдвое короче, чем у Opus 4.7. Эволюция промтов отражает общий тренд: по мере развития ИИ отпадает необходимость в микроуправлении, но требуется чёткое определение границ его автономных действий.

marsbit2 дня назад 11:38

Claude Code сократил на 80% промпты, а Opus 5 молча добавил их обратно

marsbit2 дня назад 11:38

Всего за 11 дней Claude переписал миллион строк кода: эпическая инженерная стройка от ИИ, вызвавшая гнев

За 11 дней команда Bun с помощью Claude Fable 5 переписала 1 миллион строк кода с Zig на Rust из-за проблем с безопасностью памяти и конфликта с политикой сообщества Zig в отношении AI-генерации кода. Основатель Zig Эндрю Келли раскритиковал бывшего спонсора, обвинив в плохих инженерных привычках и низком качестве кода, что вызвало дебаты в сообществе. Хотя перезапись обошлась в ~165 000 долларов и резко сократила время разработки, в новом коде осталось 27 000 строк unsafe-кода, что вызывает опасения по поводу будущих затрат на поддержку. Проект стал примером масштабного применения AI-агентов, но его итог — технологический прорыв или будущий технический долг — покажет время.

marsbit07/11 08:14

Всего за 11 дней Claude переписал миллион строк кода: эпическая инженерная стройка от ИИ, вызвавшая гнев

marsbit07/11 08:14

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

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

Японская темная лошадка в области ИИ: Как маленькая модель с 7B параметрами бросает вызов Fable и Mythos?

В июне 2026 года японская компания Sakana AI представила модель Fugu, которая произвела фурор в AI-сообществе. Несмотря на скромные 7 миллиардов параметров, Fugu Ultra показала выдающиеся результаты в сложных тестах на инженерные и推理 (рассуждение) способности (SWE-Bench Pro, TerminalBench), превзойдя GPT-5.5 и Claude Opus 4.8. Ключевая инновация — архитектура: маленькая модель-«дирижёр» (RL Conductor) не генерирует ответы сама, а динамически распределяет задачи между мощными внешними моделями (GPT, Gemini, Claude), выступая в роли интеллектуального координатора. Это позволяет эффективно решать многоэтапные задачи, такие как ревью кода или анализ безопасности, с высокой стабильностью и меньшими затратами токенов. Однако система зависит от API сторонних моделей, что создает риски для стоимости и доступности. Для Японии, испытывающей ограничения в вычислительных ресурсах, такой подход «асимметричного прорыва» через координацию, а не через создание моделей-гигантов, представляет стратегический путь к развитию ИИ-суверенитета.

marsbit06/22 11:19

Японская темная лошадка в области ИИ: Как маленькая модель с 7B параметрами бросает вызов Fable и Mythos?

marsbit06/22 11:19

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

Кого на самом деле нанимает Anthropic? 1680 резюме дают ответ

Анализ 1680 резюме инженеров компании Anthropic показывает, что её ядро составляют не исследователи, а опытные специалисты-«строители» (builders), способные создавать и масштабировать сложные системы. Инженерная команда, более чем на 50% укомплектованная за последний год, состоит в основном из资深-специалистов со средним опытом работы 12.2 года. Они пришли из таких компаний, как Google, Meta, Amazon, Microsoft, Stripe, Databricks, что указывает на сильную инженерную и инфраструктурную направленность Anthropic. Только 13.7% сотрудников имеют докторскую степень. Основные технические области — инфраструктура, бэкенд, распределённые системы. Кандидаты с небольшим опытом (менее 6 лет) могут попасть в компанию через престижные стажировки (например, в FAANG), высокие результаты в олимпиадах по программированию или участие в проектах по безопасности ИИ. Ключевой вывод: для успешного найма в Anthropic инженерам следует делать акцент в резюме на практическом опыте построения и масштабирования систем, а не на чисто исследовательских достижениях.

marsbit06/15 03:29

Кого на самом деле нанимает Anthropic? 1680 резюме дают ответ

marsbit06/15 03:29

Написание промптов устарело? AI-программирование переходит к Loop Engineering

Искусственный интеллект в программировании переходит от написания промптов к проектированию циклов (Loop Engineering). Вместо того чтобы вручную управлять агентом в каждом шаге, разработчик создает систему, которая автоматически обнаруживает задачи, распределяет их, проверяет результаты и определяет следующие действия. Такой цикл состоит из пяти ключевых компонентов: автоматизации для планирования задач, рабочих деревьев для изоляции сред, навыков для сохранения знаний проекта, плагинов для интеграции с инструментами и под-агентов для разделения ролей исполнителя и проверяющего. Внешняя память (например, файлы или доски задач) сохраняет состояние. Хотя циклы повышают эффективность, они не заменяют необходимость проверки, понимания кода и инженерных суждений. Риск заключается не в использовании автоматизации, а в том, чтобы полагаться на нее как на предлог избегать глубокого понимания системы. Ключевым навыком будущего становится проектирование надежных и проверяемых рабочих процессов для агентов, а не просто создание промптов.

marsbit06/10 17:57

Написание промптов устарело? AI-программирование переходит к Loop Engineering

marsbit06/10 17:57

Снижение цены на MiMo на 99% — не маркетинг! Ло Фули разбивает доводы скептиков в Twitter.

Сяоми объявила о снижении цен на API MiMo-V2.5 на 99%, что вызвало спекуляции о ценовой войне. Руководитель проекта Луо Фули опубликовал технический блог, объясняя снижение цен инженерными улучшениями, а не маркетингом. Ключевые оптимизации включают: 1. **Гибридная архитектура SWA:** В модели 60 из 70 слоев используют Sliding Window Attention (окно 128 токенов), сокращая объем KVCache в 7 раз. 2. **Двухпульный KVCache:** Раздельное управление памятью для полного внимания и SWA, повышая эффективность использования GPU и поддерживая в 5 раз больше одновременных пользователей. 3. **Высокий % попадания в кэш:** Улучшенный механизм кэширования префиксов обеспечивает попадание в кэш для 93-95% запросов на повторное чтение контекста, минимизируя вычисления. 4. **Распределенный кэш GCache:** Кэш развернут на SSD GPU-серверов, устраняя отдельные затраты на хранилище. 5. **Интеллектуальная маршрутизация LLM-Router:** Система оптимизирует распределение запросов, повышая производительность и сокращая задержки. 6. **Многотокеновое предсказание (MTP):** Модель предсказывает несколько токенов за шаг, ускоряя генерацию ответов. Эти шесть инженерных оптимизаций, работая вместе, значительно снизили себестоимость обработки запросов, сделав снижение цены на 99% экономически обоснованным при сохранении рентабельности. Луо Фули подчеркивает, что это демонстрация реальных инженерных возможностей, а не маркетинговый ход.

marsbit05/31 10:38

Снижение цены на MiMo на 99% — не маркетинг! Ло Фули разбивает доводы скептиков в Twitter.

marsbit05/31 10:38

Почему Китайский ИИ развивается так быстро? Ответ спрятан внутри лабораторий

Китайские лаборатории искусственного интеллекта быстро выходят на передовой край разработки больших языковых моделей, демонстрируя путь развития, отличный от американского. В основе их успеха лежит практичный подход: меньше разговоров о концепциях, больше работы над моделями; акцент на командной работе, а не на индивидуальных "звёздах"; стремление контролировать ключевые технологии самостоятельно, а не полагаться на внешние сервисы. Автор, посетив ведущие китайские AI-лаборатории, отмечает ключевые различия в экосистемах. В США доминируют гонка за оригинальными прорывами, венчурный капитал и влияние отдельных учёных. В Китае сильны инженерная культура, оптимизация, активное использование открытого кода и вовлечённость многочисленных молодых исследователей. Это позволяет эффективно "догонять" и быстро доводить модели до передового уровня. Особое внимание уделяется менталитету китайских исследователей. Многие ключевые участники — студенты, которые погружаются в работу с энтузиазмом и меньшим эго, что способствует эффективной командной работе над сложными техническими задачами. Они часто сосредоточены на практическом построении лучших моделей, в отличие от более философских дискуссий, распространённых среди некоторых западных коллег. На промышленном уровне отмечаются важные особенности: ранние признаки роста внутреннего спроса на AI-услуги, глубокое уважение к таким моделям, как Claude, сильная культура "технологического суверенитета" (стремление строить свои решения), а также активная, хотя и децентрализованная, поддержка со стороны государства. При этом существует острая потребность в вычислительных мощностях (чипы NVIDIA), а индустрия данных для обучения менее развита, чем на Западе. Вывод автора: формируются две разные, но мощные модели развития AI. Американская — это гонка на острие прорывов, движимая капиталом и звёздами науки. Китайская — это масштабная промышленная деятельность, подпитываемая инженерным талантом, экосистемой с открытым кодом и стремлением к технологической независимости. Будущая конкуренция будет определяться не только排行榜ми моделей, но и организационными способностями, экосистемами разработчиков и умением внедрять технологии. Китайский AI создаёт свой собственный путь участия в глобальной гонке.

marsbit05/10 08:15