YouTube-эссе

Anthropic пересмотрели сотни собственных Claude Skills и выделили несколько типов, но самый заметный скачок качества дали не skills-исполнители, а skills-проверяльщики. В материале — разбор четырёх типов skills для Claude Code (doer, formatter, checker, rule), почему проверяющие и контекстные skills почти никто не строит, и готовые промпты, чтобы это исправить.

IndyDevDan в новом видео объясняет, почему agent sandbox — это не роскошь, а следующий шаг агентной инженерии: вместо угла на своём компьютере агент получает целую виртуальную машину. На примере exe.dev и паттерна best of n автор запускает пять конфигураций программной фабрики параллельно и сравнивает результат, скорость и стоимость. Главный вывод — изоляция, масштаб и автономия…

Консультант Dylan Davis разобрал, почему тексты от нейросетей звучат одинаково усреднённо и как заказчики это чувствуют. Причина — не в модели, а в бедном промпте: AI по умолчанию выдаёт среднее по обучающей выборке. Семь конкретных приёмов — от «назови читателя, а не тему» до жёсткого вырезания 30% текста — помогают получить материал, который не спутаешь…

Claude Code научился обмениваться сообщениями между независимыми сессиями через SendMessage и ListAgents — то, что раньше работало только между агентом и его subagent. Теперь можно держать десятки параллельных сессий, включая на разных машинах, и координировать их как команду, не теряя историю каждой задачи. Разбираем, почему это удобнее классических subagents и какие рабочие процессы это открывает.

AI-консультант Dylan Davis разбирает частую жалобу «ИИ мне не подходит»: обычно дело не в инструменте, а в неверно выбранной задаче. Он предлагает пять быстрых вопросов, которые определяют, какие задачи подходят для ИИ, а какие требуют человека в цикле или вообще пока не готовы к автоматизации. Главный вывод: умение отбирать задачи важнее погони за новой моделью.

Многие заметили, что Opus 5 стал выдавать плотный, жаргонный и трудночитаемый текст — это не глюк, а побочный эффект более «умной» модели. Внутри Anthropic для этого используют output styles: готовые и кастомные шаблоны того, как Claude Code формулирует ответы. В эссе — как их включить, чем explanatory отличается от learning, и как собрать свой стиль…

Пока модели генерируют код всё увереннее, узким местом становится проверка результата: ревью кода человеком не масштабируется на десятки параллельных агентов. Разработчик Ray Amjad показывает, как выстроить end-to-end верификацию ai-агентов — с изолированными песочницами, агентом-судьёй и автоматическим созданием issue при поломке. Подешевевший GPT-5.1 Luna делает такую проверку пользовательских сценариев по цене в несколько центов за прогон.…

AI-консультанты Dylan Davis и Elliot проанализировали 300 звонков с клиентами и вывели 10 вопросов, которые задают чаще всего — от выбора между Claude и ChatGPT до борьбы с галлюцинациями. Разбираем главное: инструмент вторичен, важнее дисциплина работы с источниками, риск-менеджмент и понимание, когда чат уже не справляется, а нужен проект, skill или агент.

Инженеры Baseten рассказали, из чего на практике складывается ускорение инференса языковых моделей в 4–10 раз: разделение prefill/decode, спекулятивное декодирование, точечное квантование и даже «франкен-сборка» модели из чужих компонентов. Отдельный сюрприз — квантование не всегда портит качество: иногда ошибки округления в разных слоях гасят друг друга. Материал для тех, кто хочет понимать, что стоит за цифрами…

Консультант, проведший 150 сессий по внедрению ИИ в компаниях разного профиля, выделяет пять повторяющихся ошибок: неверные настройки модели вместо работы с промптом, отсутствие обучения стилю письма, иллюзия «чем больше контекста, тем лучше», слепое доверие цифрам без источников и стимулов на честность, а также привычку строить приложения там, где хватило бы skill. Ошибки не зависят от…