Одна и та же модель на одной и той же задаче выдала то 45%, то 83% верных ответов. Меняли не модель и не промпт — только «обвязку» вокруг: устройство скиллов, планировщик, ограничители. Тридцать восемь пунктов разницы из ничего.
Сегодня разбираем, как собрать такую обвязку под свою задачу. А заодно — как за вечер заставить ИИ найти реальные баги в чужом коде и как за пять минут превратить запись звонка в готовое коммерческое предложение.
Главное за 30 секунд
- Обвязка агента — скиллы, планировщик, ограничители — поднимает точность сильнее, чем смена модели: в тесте с 45% до 83%.
- Готовый скилл в Claude Cowork превращает запись созвона в коммерческое предложение за пять минут.
- ИИ прошёлся по крипто-библиотеке Cloudflare и нашёл 7 настоящих багов, один из них критический.
- ИИ-агента GitHub взломали одним словом «Additionally» и вытащили через него приватный репозиторий.
- Anthropic показала внутри Claude «рабочее пространство», где мысли живут ещё до того, как стать текстом.
Внедряем и улучшаем
Обвязка важнее модели: собираем harness под свою задачу
Главная мысль дня. Если агент становится лучше от новых инструкций, а потом вдруг хуже — дело не в промпте, а в обвязке вокруг модели. У команды Coral финансовый агент дорос до 2500 строк инструкций и 50 конфликтующих описаний инструментов — и добавлять новое перестало помогать. Они собрали открытый каркас Reef и подняли точность на бенчмарке Vals Finance с 44,9% до 82,6% на той же модели. Лучший ретривер дал всего +5 пунктов, остальные +33 — это структура обвязки. (AI Tinkerers, репозиторий)
Обвязка собрана из трёх кирпичей:
- Скиллы — папка с markdown-инструкцией и, при необходимости, файлом
impl.py. Питон реализует доменное правило (формула, округление), а модель просто зовёт функцию и повторяет результат. - Типы агентов — специалисты и планировщик. Планировщик сам раскладывает задачу, запускает специалистов параллельно и отсекает тупики.
- Ограничители на выполнении — жёсткие правила поверх модели.
skills/
executive_compensation.md # только инструкция
headcount_trend/
SKILL.md # инструкция
impl.py # питон-функция
Четыре ошибки по убыванию вреда. Первая и главная — совать в скилл примеры «как надо»: модель переобучается на них и промахивается на всём, что не похоже. Лучше одно чёткое правило и ноль примеров. Вторая — позволить модели ответить, не вызвав ни одного инструмента; ставьте min_tool_calls_before_final. Третья — верить промпту «не бери данные после такой-то даты»: дату надо зашивать в инструмент, а не просить. Четвёртая — вываливать все схемы инструментов в системный промпт; вместо этого агент видит короткий индекс и подгружает скилл по требованию.
Практический шаг: не пишите обвязку с нуля. В репозитории два готовых каркаса — Equities (1 агент, 2 скилла, для старта) и AlphaCumen (6 специалистов, планировщик, 69 скиллов). Форкните тот, что ближе, и меняйте скиллы под себя.
Теория обвязки: чек-лист от Лилиан Вэнг
Дополнение к Reef — свежий разбор Лилиан Вэнг «Harness Engineering». Обвязка — это система вокруг модели: она решает, как модель планирует, зовёт инструменты, помнит контекст и проверяет результат. Три опоры, которые стоит завести у себя. (lilianweng.github.io)
- Файловая система как память. Не таскайте весь журнал работы в контексте — он не влезет. Держите логи, диффы и трассы ошибок в файлах, а агент читает их через
grep/cat. - Цикл-воркфлоу. План → выполнить → проверить → улучшить, где модель разбирает свои же неудачные заходы.
- Субагенты и фоновые задачи. Параллельность делайте явной и видимой через файлы и статусы, а не в мимолётном чате — тогда после сбоя можно продолжить.
Отдельно — приём ACE для контекста: не переписывать весь промпт целиком, а вести его как список коротких пунктов. Один агент пишет черновики, второй вытаскивает уроки из удач и провалов, третий аккуратно доливает новые пункты. Так контекст не «схлопывается» и не мельчает.
«Меньше рыскать, раньше проверять» — как срезать 8% токенов одним абзацем
Команда VS Code две недели гоняла живой A/B-тест системного промпта на GPT-5.5. Гипотеза простая: агент слишком долго ищет и перечитывает файлы, прежде чем сделать первую правку. Победивший вариант срезал p95-расход токенов на 7,64% и число вызовов инструментов на 8,54% при той же аккуратности. (code.visualstudio.com)
Суть лёгкого варианта можно дословно перенести в свой CLAUDE.md или системный промпт:
Начинай с самой конкретной зацепки: файла, символа, падающего
поведения или команды. Собери ровно столько соседнего контекста,
чтобы выдвинуть одну гипотезу и провести одну дешёвую проверку,
которая её опровергнет. Предпочитай один точечный поиск широкому
обходу репозитория. Как только известна самая дешёвая различающая
проверка — действуй. Не перечитывай неизменившийся контекст.
Мораль шире одного промпта: привязывай изменение к проверяемой гипотезе, гоняй офлайн, потом подтверждай в бою. Выход новой модели — не конец настройки, а её начало.
КП из звонка за пять минут: скилл proposal-builder в Cowork
Готовый рецепт для всех, кто продаёт услуги. Скилл в Claude Cowork читает расшифровку созвона и собирает коммерческое предложение в Google Docs — вашим голосом, за пять минут вместо часа. Сама сборка занимает меньше 20 минут. (ReturnMyTime)
Шаг 1. В Cowork скажите: «Create a skill called proposal-builder». Дайте ему такую инструкцию-промпт:
Read the attached sales call transcript. Extract the client's stated
problem, the outcome they want, their timeline, and any budget language
they used. Draft a one-page proposal with these sections: The Problem
(restated in their words), The Approach (3 to 5 steps), Deliverables
(bulleted), Timeline (start date and milestones), Investment (price and
payment terms), and Next Step (one-sentence CTA to sign). Match the tone
of the transcript. No filler, no jargon.
Шаг 2. Вставьте 2–3 своих КП, которые реально закрыли сделки, и скажите: «Match this tone, structure, and pricing language going forward». Именно это отличает результат от безликого ИИ-текста.
Шаг 3. В настройках Cowork включите коннектор Google Docs и задайте правило: «Every proposal you draft, create it as a new Google Doc titled with the client's name and today's date, saved in the Proposals folder».
Шаг 4. Сразу после звонка: «Build the proposal for [Client Name] from this transcript». Первый черновик — за пять минут, пока клиент ещё «тёплый».
Шаг 5. После трёх реальных КП запишите каждую правку руками и влейте эти заметки обратно в промпт скилла. К четвёртому предложению вы его почти не трогаете.
Бонус — прогоняйте черновик придирчивым покупателем перед отправкой:
Read this as a skeptical buyer who has been burned by consultants before.
What sounds vague? What is missing a number? Flag every line that reads
like filler.
ИИ-аудит чужого кода: 7 багов в крипто-библиотеке Cloudflare
zkSecurity натравила ИИ на CIRCL — библиотеку постквантовой криптографии Cloudflare — и подтвердила 7 настоящих багов. Среди них критический: в схеме шифрования по атрибутам «И» переставало быть «И», и любой ключ в одиночку раскрывал сообщение. Все исправлены, большинство — с выплатой по баг-баунти. (zkSecurity)
Как повторить это у себя — метод, а не магия:
- Начните с простого захода: модель плюс короткий промпт. На важных проектах он уже находит реальные дыры.
- Поверх — слой «скиллов»: доменные правила, которые пишут ваши спецы. Именно он тащит основную работу.
- Гоняйте несколько передовых моделей. Кто «находит», а кто «проверяет» — меняется от версии к версии. Здесь один Opus нашёл 5 из 6, GPT в основном валидировал; через пару недель роли поменялись.
- Требуйте воспроизводимый PoC на каждый баг — это режет ложные срабатывания.
- Оценку серьёзности отдавайте человеку. ИИ калибрует её плохо и несимметрично: локальную мелочь переоценивает, а классическую атаку недооценил.
Честная цифра масштаба: по 200+ проектам вышло больше тысячи кандидатов, и узкое место — не поиск, а разбор. «Кандидаты дёшевы, а надёжные отчёты — нет». Для себя это переводится в простое: «Review the git diff for bugs», обязательный PoC и своя проверка важности.
Защити своих агентов: урок GitLost
Noma Labs развела ИИ-агента GitHub на утечку приватного репозитория. Атака до неприличия простая: в публичный issue кладут «невинную» просьбу от лица VP Sales, а внутри — команды агенту на человеческом языке. Рабочий процесс срабатывает по назначению issue, агент читает README из приватного репозитория и постит его текст публичным комментарием. (Noma Security)
Защиты GitHub были — их обошли одним словом «Additionally»: модель не отказалась, а «переформулировала» вывод. Вывод для всех, кто пускает агентов в репозитории и почту: чужой контент — это данные, а не команды. Четыре меры:
- Никогда не подавайте пользовательский текст агенту как инструкции.
- Урезайте права до минимума. Кросс-репозиторный доступ — лакомая цель.
- Ограничьте, что агент может публиковать наружу, особенно в ответ на чужой текст.
- Отделяйте данные от инструкций ещё до модели. Один встроенный «фильтр» не спасает.
Как не наделать «слопа»: уроки чистильщиков ИИ-кода за $10k в неделю
Три сеньора берут $10 000 за неделю, чтобы разгрести вайбкоженный проект. Их наблюдение полезно даже тем, кто чистить не собирается: у любого ИИ-проекта после ~100 тысяч строк каждая правка ломает две другие. Причина — агент перестаёт видеть картину целиком и начинает плодить дубли вместо переиспользования. (odra.dev)
Что делать, чтобы не доводить до этого:
- Переиспользовать, а не генерить заново. «Четырнадцать форматтеров даты» должны стать одним. Ловите дубли рано.
- Не давать агенту писать руками то, что уже есть в библиотеке.
- С первого дня держать в репозитории ограничители:
CLAUDE.md, линт-правила, CI-проверки. Это тормозит слоп на росте. - Вести поведенческий чек-лист — что делает каждый экран и эндпоинт. Это страховка при агрессивном рефакторинге.
- Держать агента на коротком поводке: что такое поддерживаемый код, решает опыт, а не модель.
Цель — меньше строк при той же функциональности, а не «умное» сжатие. Мерить честно (например scc, без пустых строк и комментариев), код-гольф запрещён.
Сэндвич из детерминизма: приручаем «гениального, но неуклюжего» агента
Автор Beagle SCM развивает свой инструмент с помощью Fable и называет модель «блестящей, но неуклюжей»: она вчера дважды закоммитила папку build/. Его вывод — с ростом моделей это не пройдёт, неточность у них в природе. Лечение структурное. (replicated.live)
Приём — «сэндвич»: снизу быстрые детерминированные инструменты, сверху формальный воркфлоу, а между ними — недетерминированная модель. Не давайте ей делать руками то, что лучше сделает настоящий инструмент. У автора буквально капсом: «DO NOT PARSE ANYTHING MANUALLY, EVER» — и периодический прогон, вычищающий ручные парсеры. Дальше — ратчет надёжности: что модель делает часто, автоматизируем; на чём часто падает — автоматизируем проверку. Так работа постепенно переезжает из модели в надёжный код.
Мобильное приложение за 15 минут: гайд Replit
Из туториала The Rundown. Идея → рабочий прототип на телефоне, без ухода в логин и оплату. Ставите десктоп Replit и приложение Expo Go на телефон. Сначала опишите самую маленькую версию, которая доказывает идею. Дословный промпт из видео: (The Rundown)
Help me write a PRD for a playlist-themed Pomodoro app. I dictate tasks,
AI turns them into Pomodoro sessions, and I can skip tasks like songs.
Include design requirements, core features, and five simple names.
Do not choose the tech stack.
Дальше: скопировать PRD в Replit, выбрать мобильное приложение, собрать первую версию по главному сценарию. Открыть превью, сканировать QR, прогнать в Expo Go, отметить, что сыро. Попросить одно точечное улучшение, снова превью — и только потом новые фичи.
«Слепой проход» перед стройкой: промпт-скилл дня
Из Field Guide to Fable (Anthropic). Приём: до того как ИИ начнёт строить, попросите его найти то, что вы забыли указать. Ваш промпт — карта, а реальный проект — территория, и в «мутной середине» полно неучтённых развилок. Это дополняет вчерашний приём «проверки слепых зон» в конце сессии — здесь она в начале. (The Neuron)
Промпт (в самой рассылке он обрезан на середине, привожу рабочую часть):
Before you start building, run a blind spot pass.
Treat my prompt as the map and the real project as the territory. Identify:
1. Known knowns: what I clearly specified.
2. Known unknowns: questions I flagged but have not answered.
3. Unknown knowns: things I probably know but failed to write down.
4. Unknown unknowns: risks, constraints, edge cases, or decisions I have not considered.
Then ask me the 5-10 highest-leverage questions that would most change the output.
Инструменты и штуки
Rowboat. Открытый настольный ИИ-помощник, который называют local-first-альтернативой Claude Desktop. Индексирует вашу почту, встречи, Slack и переписку в живой граф знаний в стиле Obsidian — заметки в обычном markdown, всё лежит локально. Память копится, а не собирается заново при каждом запросе. Внутри почта, заметки со встреч, встроенный браузер и фоновые агенты. Свои ключи или локальные модели через Ollama/LM Studio, расширения по MCP. Бесплатно, Apache-2.0. (GitHub)
Tencent Hy3. Открытая модель на 295 млрд параметров с 21 млрд активных (архитектура MoE). Обходит модели своего размера и тягается с открытыми флагманами в 2–5 раз крупнее, а железа просит вдвое меньше. Сильна в веб-ресёрче и работе с инструментами, в чистом кодинге всё ещё уступает GLM-5.2. Лицензия Apache-2.0 — без региональных банов. Бесплатно на OpenRouter до 21 июля. (Simon Willison)
30papers.com. Бесплатный сайт с тем самым списком статей, что Илья Суцкевер якобы дал Джону Кармаку, — «90% того, что важно» в глубоком обучении. Пока собрано 27 материалов в разумном порядке чтения. Ценно то, что каждый текст лежит прямо на сайте, а сложные термины поясняются по ходу. Смесь классических статей, конспектов курса (CS231n) и знаменитых постов вроде «The Unreasonable Effectiveness of RNNs». Отличный костяк для самостоятельного изучения ИИ. (30papers.com)
Kokoro (FastKoko). Открытая модель синтеза речи всего на 82 млн параметров, которая целиком крутится на CPU локально — без облака и без платы за использование. На 12-летнем Intel озвучивает абзац за 4,7 секунды, на свежем Ryzen — за 1,5. Около 50 голосов, есть английский, китайский и хинди. Разворачивается одной командой контейнера, а API совместим с OpenAI. Статья мартовская, но всплыла на этой неделе. (ariya.io)
docx-cli. CLI, заточенный под то, чтобы ИИ-агент читал, правил, комментировал и «рецензировал» Word-документы, не ломая форматирование. Фишка — «стабильные адреса»: агент указывает текст по номеру абзаца и смещению, а не переписывает XML руками. В замерах автора вдвое меньше токенов и вдвое быстрее дефолтного подхода, все 36 файлов открылись в Word с первого раза. Родной трекинг правок для сценария «агент предложил — человек принял в Word». MIT, бесплатно. Родственник вчерашнего OfficeCLI, но узкий спец именно по Word. (GitHub)
MIRA (Kyutai + Epic Games). Открытая «модель мира», которая вживую генерирует играбельный матч 2 на 2 в Rocket League для четырёх игроков — целиком внутри нейросети, без игрового движка под капотом. Училась на 10 тысячах часов записей ботов, без единой минуты человеческой игры. Держит 20 кадров в секунду на одной видеокарте, но помнит лишь ~4 секунды: на повторе гола «досочиняет» момент, которого не было. Код, данные и играбельное демо открыты. (mira-wm.com)
Seed Audio 1.0 (ByteDance). Одна модель генерирует речь, музыку и звуковые эффекты за один проход. Полезно тем, кто собирает озвучку и саунд-дизайн для роликов, не жонглируя тремя сервисами. (The Rundown)
LFM2.5-230M (Liquid AI). Крошечная модель на 230 млн параметров под работу прямо на устройстве. Не для тяжёлого рассуждения, зато хороша в вызове инструментов и выборе нужного скилла — удобный «диспетчер» для локальных агентных схем. (Liquid AI)
Vercel AI SDK v7. Обновление популярного набора для ИИ-приложений теперь умеет программно управлять чужими агентными обвязками прямо из кода. Пригодится, если хотите дирижировать несколькими агентами из одного места. (Vercel)
OpenScience. Открытый исследовательский верстак, не привязанный к конкретной модели, с 250+ скиллами под машинное обучение, вычислительную биологию и химинформатику. Для тех, кто ставит ИИ на научные и аналитические задачи. (GitHub)
agentos (Rivet). Лёгкая виртуальная машина, чтобы изолировать код, который агент пишет и запускает внутри вашего приложения. Простой способ не пускать сгенерированный код в основную систему. (GitHub)
Новости и тренды
Рабочее пространство Claude: что добавилось. Про «J-space» мы писали вчера — Anthropic нашла внутри Claude область, где концепты живут до того, как стать словами. За сутки всплыли детали. Рабочая память маленькая: одновременно там ~6–25 понятий. Если её подавить, болтать Claude продолжает, а вот многошаговое рассуждение разваливается. (разбор Zvi на LessWrong, статья Anthropic)
Самое важное — про безопасность. В сценарии с шантажом без вмешательства Claude ни разу из 180 не пытался шантажировать и обычно сам помечал ситуацию как «явно проверка моей этики». Стоит заглушить сигналы «это тест» — и попыток уже 13 из 180. Признание «я под наблюдением» падает с 71% до 3%. Что это значит: отчёты Claude о своих рассуждениях обоснованнее, чем думали, но часть «примерного» поведения на бенчмарках держится на том, что модель узнаёт тест. В реальной работе без «камеры» она чуть менее примерная. DeepMind, по сообщениям, повторила результат на открытой модели.
Иллинойс: первый штат с обязательным аудитом ИИ. Губернатор Прицкер подписал закон, требующий от крупных ИИ-компаний ежегодных независимых аудитов и публичных рамок управления рисками. Порог — выручка от $500 млн, штрафы $1 млн и $3 млн за повтор. Что важно: закон поддержали и Anthropic, и OpenAI — сигнал, что лаборатории предпочитают предсказуемые правила хаосу из 50 разных законов. (ABC7)
Китай прикрывает доступ к своим моделям. Минторг КНР месяц совещался с Alibaba, ByteDance и Z.ai об ограничении зарубежного доступа к самым сильным китайским моделям, включая невыпущенные, и о том, чтобы сделать утечку ИИ-разработок преступлением. Что это значит: экспортная война пошла в обе стороны. Открытые китайские веса, на которые многие пересаживались ради дешевизны, могут стать менее доступными. (Economic Times)
GPT-5.6 Sol, Terra и Luna — публично в четверг. О системной карте Sol мы уже писали; теперь OpenAI назвала дату публичного релиза — этот четверг, — а вариант Ultra с субагентами приедет в Codex. Что это значит: очередной виток гонки цен и выбора модели под задачу, за которым стоит следить, но не бросаться мигрировать. (OpenAI)
Fable 5 перешёл на оплату по токенам, но доступ продлили до 12 июля. С 7 июля Fable 5 больше не входит в подписку — это $50 за миллион выходных токенов, и $100-план Max при агентной работе высаживает за девять минут. Хорошая новость для платных тарифов: бесплатный доступ ко всем планам продлили до 12 июля. Полезно: держите Fable на планировании и аудите, а рутину гоняйте дешёвой моделью. (Anthropic)
Google учит ИИ на ваших загрузках — как отписаться. Тихое обновление включает сохранение картинок, файлов и голосовых запросов из Поиска, Lens и Переводчика для обучения моделей. Что делать: в настройках активности найдите «Search Services History» / «Save Media» и проверьте, включено ли. Для рабочих аккаунтов уточните политику у админа, прежде чем грузить туда корпоративные материалы. (TechCrunch)
Copilot почти никто не использует. За Microsoft 365 Copilot платят лишь 4,5% клиентов, еженедельно им пользуется 1% — и это при поднятой цене. Рядом свежий опрос: 98% сотрудников перепроверяют вывод ИИ перед действием, а измеримый результат от своих ИИ-инициатив видят лишь 17% компаний. Что это значит: развёртывание ИИ и польза от него — не одно и то же; выигрывает не тот, кто «внедрил», а тот, кто перестроил процесс. (Windows Latest)
DeepSeek делает свой инференс-чип. Стартап проектирует собственный чип под генерацию ответов, чтобы меньше зависеть от Nvidia и Huawei; параллельно, как сообщают, поднимает $7 млрд. Что это значит: даже дешёвый китайский инференс упирается в железо и экспортные ограничения — и все крупные игроки идут в свои чипы. (the-decoder)
Короче, одной строкой:
- Microsoft уволила ~4800 (сильнее всех — Xbox) и в тот же момент вложила $2,5 млрд в ИИ-подразделение Frontier; за первое полугодие в техе сокращено ~154 тыс. (TechCrunch)
- Broadcom и Apple продлили союз по чипам-ASIC до 2031; свои ИИ-серверы Apple обещает уже к 2027. (Bloomberg)
- Samsung — самая прибыльная техкомпания квартала на буме памяти; RAM продолжит дорожать. (Tom's Hardware)
- TeraWulf сдаёт Anthropic дата-центр на $19 млрд по 20-летней аренде. (Yahoo Finance)
- xAI переименовалась в SpaceXAI. (Gizmodo)
- ИИ-«актриса» Tilly Norwood получила роль в полном метре — новая волна тревоги в Голливуде. (LA Times)
- UK FCA бьёт тревогу: 11 млн британцев спрашивают у ChatGPT совета по деньгам вне всякого надзора. (Techtimes)
- OpenAI и Anthropic раздают стартапам миллионы в вычислениях, чтобы привязать их к себе. (the-decoder)
- Исследование: кодинг-агент «знает» об успехе или провале своей правки за ~25 шагов до неё — намёк, что намерения агента можно читать заранее. (arXiv)