YouTube-эссе

В длинных диалогах Claude и ChatGPT сжимают историю в краткую сводку и сохраняют «что», но теряют «почему». Лечится это внешним файлом decisions.md, куда ИИ записывает решения и причины, и файлом agents.md с правилом его читать. Плюс новые чаты на каждую задачу: контекст живёт в папках, а не в переписке.

Эван Конрад из SF Compute объясняет, что вычисления нельзя торговать как нефть: GPU слишком разнородны. Поэтому сначала нужна физическая поставка, а финансовые надстройки, включая расчёт деньгами, возможны только после неё. Иначе рынок легко манипулировать, а цена в хедже не совпадёт с ценой реальной мощности.

Когда агенты Claude Code пишут код круглосуточно, дефицитным ресурсом становится не токен, а человеческое внимание. Рэй Амджад разбирает мысль Карпатого и показывает, как диаграммы, интерактивные HTML-артефакты и видео-объяснения помогают быстрее принимать решения. Вывод: инвестировать токены в удобные представления данных выгоднее, чем экономить на них.

IndyDevDan показал новостного агента, который каждую минуту собирает, фильтрует и ранжирует новости без участия автора. Формула проста: проактивный агент — это устойчивый агент плюс триггер. Главный вывод видео: ценность в переходе инженера от работы «в цикле» к работе «около цикла» и «вне цикла», а не в самом инструменте.

Если подключить ИИ к папке с многолетними файлами, он считает актуальный контракт и черновик 2023 года одинаково достоверными. Дилан Дэвис предлагает не искать модель умнее, а навести порядок в данных: копия папки, чистка, карта файлов и краткие резюме. Тогда агент читает только нужное и отвечает со ссылками на источники.

Разрыв между тем, что умеют модели, и тем, чего от них просят, растёт быстрее, чем наши ожидания. Ray Amjad пересказывает статью Феликса из Anthropic: амбиции измеряются высотой, глубиной и широтой, а не только скоростью. Главный вывод: ставьте агенту цель за пределами цели, требуйте методов настоящих экспертов и давайте ему доступ к нужным инструментам.

Новые модели научились возражать сразу, но сдаются, стоит вам надавить, не слышат минусов в вашем рассказе и мягчеют к 20–30-му сообщению. Лечится это тремя приёмами: менять мнение только по фактам, оценивать план в новом приватном чате и просить сначала задать вопросы о пропущенном. Всё это укладывается в короткий промпт.

После Dev Day OpenAI участники подкаста Latent Space сравнили инструменты, которыми реально пользуются. Главный вывод: модели уже тянут ночную работу, но узкие места теперь в продукте, в месте исполнения агента и в том, сколько кода человек успевает прочитать.

Основатель Leash Bio Ian Quigley рассказывает, как строить машинное обучение в разработке лекарств на масштабных экспериментальных данных. Главный вывод: публичные данные несут «социологию» химиков, и модели легко учат её вместо физики связывания. Защищают от этого только честные сплиты и простые бейзлайны вроде XGBoost.

Запланированная задача в ChatGPT или Claude может годами «успешно» выполняться и при этом выдавать всё худший результат: обычное ПО падает с ошибкой, а ИИ подстраивается и рапортует о готовности. Дилан Дэвис выделил четыре типичных сбоя — потерянный файл, незакрываемые задачи, статичный интервал и плавающие категории — и предложил для каждого короткий промпт плюс общий раздел…