AI-дайджест недели

Обвязка промптами и RAG вокруг сырого API почти ушла из практики: команды берут доказанную архитектуру агента и подключают её к своей задаче. В бизнес-задачах США и Европы, по наблюдению автора, чаще всего берут OpenAI Codex, Claude — заметно реже.

Почему важно: три года назад стабильных архитектур не было, тесты собирали вручную, а пайплайн допиливали напильником. Сейчас архитектуры агентов переносят с одного бенчмарка BitGN на другой и выигрывают с ними в сторонних соревнованиях. Значит, собственная обвязка перестала быть местом, где вы получаете преимущество, — преимущество осталось в доменных инструментах и проверках.

Риск чужой harness тащит свои допущения про размер контекста и цену вызова. На узкой доменной задаче с жёстким SLA он выходит дороже короткой самописной цепочки.

AI резко удешевил анализ чужого кода, поиск уязвимостей и сборку эксплойтов: разобрать бинарь или железку теперь можно связкой Ghidra/IDA, Wireshark и Qwen/DeepSeek, не будучи специалистом. Вывод автора: код стареет не тогда, когда перестаёт работать, а когда его дёшево сломать.

Почему важно: раньше сервис можно было запустить и держать годами с апдейтами раз в год. Эта стратегия держалась на том, что разбор вашего кода стоил чужого времени. Сейчас не стоит, поэтому проверка и обновление переезжают из разряда «когда-нибудь» в регулярную работу без отрыва от продакшена.

Риск на легаси агент выдаёт много ложных срабатываний. Без ручной фильтрации первых отчётов задача превращается в шум, который команда перестаёт читать.

Автор вернулся из поездки, где на рейсах раздавали интернет от Starlink, и всю дорогу вёл разработку через связку Codex-агентов: Remote на сервере плюс оставленный открытым ноутбук. Идеи, BDD-спеки и каркас платформы он собирал практически на ходу с сотового.

Почему важно: главное наблюдение тут не про Starlink. Когда ноутбука под рукой нет, отговорка «мне самому проще и быстрее руками» просто не срабатывает. Через несколько дней такой работы выясняется, что агентом и правда быстрее, а инструменты вокруг него нарастают сами собой.

фото из поста · t.me/llm_under_hood/924

Риск ревью с телефона поверхностное, легко принять работу, где агент собрал не то. И удалённой сессии нужен доступ к репозиторию с сервера — отдельный разговор про секреты и права.

Автор считает эру чтения обычного кода законченной и вместо этого дотошно расспрашивает модель о реализации: потоки данных и условия. В расспросах регулярно всплывает дичь, которую он тут же чинит, снова не открывая файлы. Отдельная привычка — читать скиллы глазами: модели плохо абстрагируются и слабы в мета-промптинге, поэтому сгенерированные ими скиллы приходится дорабатывать.

Почему важно: вопросы масштабируются лучше построчного чтения диффа на несколько сотен строк. А скилл — это код, который пишет код: ошибка в нём тиражируется на каждый следующий запуск, поэтому чтение окупается именно там.

Риск модель уверенно описывает код, которого нет. Вопросы ловят кривую логику, но не ловят пропущенную проверку, поэтому на security-чувствительных местах чтение всё-таки нужно.

OpenAI снизила цену на GPT 5.6 Sol. Для контекстов меньше 272k токенов — $4/$20 за миллион, для длинных — $8/$30. Инпут подешевел на 20%, аутпут — на треть. Акция рассчитана на три месяца и действует как для API, так и для кредитов Codex и ChatGPT Work.

Почему важно: стоит перевалить за 272k токенов, и входные токены дорожают вдвое, а выходные — с $20 до $30 за миллион. Привычка «закинуть в контекст весь репозиторий на всякий случай» становится платной, а на длинных агентских сессиях контекст растёт сам, так что разница набегает за рабочий день, а не за квартал.

Риск скидка действует три месяца. Экономику фичи, которая живёт дольше, считайте по старой цене.

Кастомный скилл поднял Claude Opus 5 на ARC AGI 3 с 30% до 100%, потратив примерно вдвое меньше шагов. Правил датасета внутри нет: в тул-колл зашит жёсткий логический блок. Если модель не рассуждает перед ответом и не заполняет ячейки с предсказанием следующего шага, предсказание отправляется на доработку.

Почему важно: механика переносится на любой инструмент со строгим форматом вывода — заполнение таблиц, генерация конфигов, структурированные ответы. Валидация внутри тула даёт повторяемость, которой не даёт просьба в системном промпте: агент видит ошибку и чинит себя сам, без вашего участия в цикле.

Риск обязательные поля удлиняют каждый ответ и добавляют токенов. На простых вызовах гейт только замедляет, так что включать его стоит там, где формат уже ломался.

Автор канала перестал понимать, что пишет Opus 5: читает предложение и не может вытащить смысл. В X он нашёл ровно те же жалобы от американцев. Anthropic добавила output style concise, который должен эту проблему хотя бы уменьшить.

Почему важно: ответ, который начинается с результата и разворачивается в детали только по запросу, экономит и время чтения, и токены на длинной сессии. Автор предупреждает про важную деталь: /config меняет правила для конкретного проекта, а не глобально, и под анонсом это называют временной мерой до полноценного решения.

скриншот из поста · t.me/airanez/253

Риск настройка проектная, на соседнем репозитории её включать заново. И сжатие режет часть контекста: при разборе инцидента подробный ответ бывает нужнее короткого.

Автор выложил каркас своей лаборатории, которой управляет бот: общий сервер, роутер, postgresql, леджер с авторизацией, деплоилка и машинерия для виртуалок. Под каждый диалог поднимается microvm с движком бота; у неё своя постоянная память, не пересекающаяся с общей, плюс отдельный общий слой памяти с ролевым доступом.

Почему важно: два слоя памяти закрывают сразу две болячки самодельных агентов. Контекст одного пользователя не всплывает у другого, и при этом агент не начинает каждую сессию с чистого листа. Изоляция на диалог даёт то же самое для инструментов: сломанный запуск не утаскивает за собой соседние.

Риск microvm на каждый диалог — заметные накладные расходы на холодный старт. На редком трафике хватит контейнера с коротким TTL, а вот разделение памяти стоит сделать в любом случае.

Автор пишет, что работает практически на ванильном Codex и успевает много, тогда как вокруг люди выжигают месячные лимиты за день и при этом почти ничего не релизят. Вывод у него резкий: выкинуть спеки, консилиумы и прочую обвязку, оставить yolo-режим и полстранички правил — хотя бы про то, где расположен сервер, чтобы агент случайно не снёс нужное.

Почему важно: обвязка вокруг агента стоит времени на поддержку и токенов на каждый запуск, а её пользу почти никто не измеряет. Одна задача без неё — самый дешёвый способ выяснить, какие из ваших ритуалов работают, а какие вы носите по инерции.

Риск на размытых требованиях без спеки агент уходит не туда чаще. И на чужом легаси голый режим опаснее: полстранички правил может не хватить, чтобы очертить границы.