Отчёт из голосовой заметки, ИИ-модель в кармане и капкан в Cursor  Публичный пост

Одна двухминутная голосовая заметка — и клиентский отчёт готов. Человек, который так ведёт отчётность по двенадцати клиентам, сократил недельную рутину с четырёх часов до сорока минут, и весь секрет — в одном навыке Claude. Сегодня же умная модель, которая раньше работала только в облаке, поместилась в память айфона и обходится без интернета. И обратная сторона: стоит открыть чужой репозиторий в Cursor на Windows — и на вашем компьютере без спроса запускается посторонний код.

Главное за 30 секунд

• Навык Claude Cowork собирает клиентский отчёт из голосовой заметки за минуты — рецепт с готовым промптом ниже.
• Bonsai 27B ужали до 1 бита: умная модель теперь работает прямо на телефоне, бесплатно и без интернета.
• В Cursor на Windows нашли дыру: открыл заражённый репозиторий — и чужой код запустился сам, без единого клика.
• Три бесплатных видеогайда по Claude Code, Cowork и Codex — с шаблонами и готовыми промптами.
• Дата-центры уже добавили американцам $23 млрд к счетам за электричество, и это осело на обычных людях.

Внедряем и улучшаем

Клиентский отчёт из голосовой заметки — навык Claude Cowork. Самый практичный рецепт дня. Идея простая: раз в неделю наговариваете двухминутную голосовую заметку о клиенте, а Cowork сам собирает из неё готовый отчёт и сохраняет его в Google Docs. Автор так ведёт двенадцать клиентов и сократил недельную рутину с четырёх часов до сорока минут (Return My Time). Навык собирается за пятнадцать минут — вот шаги.

Шаг 1. В Cowork напишите: Create a skill called client-status-report. Задайте сборку этим промптом:

Read the attached transcript of a weekly account update. Extract what shipped
this week, what's in progress, any blockers or client decisions needed, and next
week's priorities. Draft a status report with these sections: This Week, In
Progress, Blockers or Decisions Needed, Next Week. Tone: confident, specific, no
filler. Reference deliverables and dates by name.

Шаг 2. Дайте навыку 2–3 своих прошлых отчёта, которые понравились клиентам, и скажите: Match this tone, structure, and level of detail going forward. Навык подхватит ваш стиль, а не усреднённый.

Шаг 3. Подключите вывод: Cowork → Settings → Connectors → включите Google Drive. Дальше команда: Every status report you draft, create it as a new Google Doc titled with the client name and this week's date, saved in the Client Reports folder.

Шаг 4. После пятничного разбора наговариваете заметку, а потом: Build this week's status report for [Client Name] from this transcript. Первый черновик — меньше трёх минут.

Шаг 5. Первые три отчёта правьте вручную и записывайте каждую правку — что забыли, где смягчили проблему, где поправили тон. Эти заметки верните в промпт навыка. К четвёртому отчёту вы уже не переписываете, а лишь просматриваете. Бонус-промпт, чтобы вычитать любой черновик глазами клиента: Read this status report as if you were the client. What's vague, what's missing a date, and where does it sound like every other agency update you've ever received. Приём переносится на что угодно — отчёты по проектам, апдейты для команды, письма.

Три бесплатных видеогайда по Claude Code, Cowork и Codex. Павел Хурын выложил архив своих «часов вопросов» — первые 19 записей с живыми демо и разбором ошибок. Бесплатны три, и как раз они самые полезные для практики (Product Compass):

• «Introduction to Claude Code for PMs» — рабочий сценарий «просканировать Gmail → завести задачи в Linear → собрать свой скилл → пользоваться Claude Code бесплатно», плюс подробный шаблон со скиллами, хуками и экономией токенов (запись).
• «Claude Cowork for PMs» — путь «100 интервью → гипотезы → приоритеты → прототипы», к нему 6 промптов и 100 синтетических интервью для тренировки (запись).
• «Codex App for PMs» — автоматизация браузерных сценариев и приём синхронизации AGENTS.md с CLAUDE.md, чтобы держать оба агента на одном контексте (запись).

Остальные 16 записей и будущие эфиры — за подпиской, но трёх бесплатных хватит на пару вечеров практики.

Как на самом деле устроен Claude Code: три вложенных цикла. Отличный разбор для тех, кто хочет понимать, а не гадать. Любой ИИ-агент — это «три цикла в одном плаще» (The Thought Drop):

• Цикл вывода (внешний) — гоняет модель. Отправляет всю переписку в API, дописывает ответ в историю и повторяет. Останавливается, когда модель перестаёт запрашивать инструменты. Важная деталь: API не помнит прошлое, поэтому всю историю приходится слать заново каждый раз — вот почему длинный диалог быстрее съедает токены.
• Цикл инструментов (средний) — когда модель просит вызвать инструмент, выполняет его и возвращает результат обратно. Модель может выдумать несуществующий инструмент или ошибиться с параметрами, поэтому проверяйте вызов до запуска.
• Цикл человека (внутренний) — агент ждёт подтверждения на опасное действие. В Claude Code это то самое окошко «разрешить действие?».

Практическая польза — чинить по симптому. Агент не останавливается — виноват цикл вывода. Сделал не то — цикл инструментов подобрал не тот вызов. Завис — застрял в ожидании человека. Полезный приём: отвечайте не только «да/нет», но и «нет, лучше так» — модель подхватит правку и пойдёт в нужную сторону.

Ищем выигрышные рекламные связки через Claude Cowork и данные Meta. Готовый рабочий процесс для тех, кто ведёт рекламу (The Rundown). Четыре шага:

1. Выгрузите данные кампании из Meta в CSV. В Claude заведите проект meta-angle-review, добавьте туда CSV и ссылку на свою «Библиотеку рекламы» Meta.
2. Попросите Claude сверить выгрузку с активной рекламой из библиотеки, пометить строки без пары и выделить самые эффективные креативные связки.
3. Попросите собрать из находок наглядный отчёт: доказательства, оговорки и три идеи для теста.
4. Прогоните отдельно по Instagram и по Facebook, чтобы понять, какая связка где работает.

Приём: сохраните промпт и запускайте после каждой новой выгрузки, храня отчёты по датам — так видно, что меняется во времени.

Как Microsoft держит тысячи боевых ИИ-агентов. Разбор их инфраструктуры даёт три переносимых приёма (ByteByteGo). Первое: поиск по базе знаний оформляйте как отдельного суб-агента, а не как функцию внутри главного. Второе: у каждого агента — своя роль и своё рабочее пространство, чтобы они не путались в чужих задачах. Третье: оценивайте агентов по рубрикам и замкните цикл самоулучшения — модель сама предлагает правки под собственные провалы. Именно эти паттерны стоит закладывать, когда собираете связку из нескольких агентов.

Мульти-агентный конвейер задач: Zoom → Haiku → Opus → Asana. Живой пример от читателя Rundown из Новой Зеландии (The Rundown). Стенограмма созвона попадает во входящие. Дешёвая Haiku вычитывает запись и выделяет задачи. Человек их одобряет — и это запускает Opus, которая создаёт задачу в Asana с описанием и оценкой времени по прошлым данным. Команда сверяется с бюджетом клиента и отправляет. Экономия — около 15 часов рутины на сотрудника в неделю, а токенов уходит примерно на $12. Суть приёма: слабая модель разбирает и черновит, сильная включается только на ответственном шаге, а человек — на воротах.

Урок роя агентов: 27 задач Эрдёша, проверка через Lean и вторую модель. Мы уже писали 11 июля, как ИИ закрыл одну 50-летнюю гипотезу. Теперь вышел разбор целого «роя»: настольное приложение параллельно гоняет до 20 агентов на GPT-5.6, каждый — над своей задачей, и вместе они предложили доказательства к 27 задачам Эрдёша (Star Fleet Math). Ценны не сами доказательства, а то, как устроена надёжность:

• Распараллеливайте по независимым задачам, а не внутри одной. 20 агентов на 20 разных задач — линейный прирост без возни с согласованием.
• Сделайте правильность машинно-проверяемой. Доказательства пишутся на Lean 4, и вопрос «верно ли это» превращается в проверку ядром, а не в самооценку модели.
• Проверяйте другой моделью. Решения GPT-5.6 вычитывает Claude Fable, затем человек, затем пересборка на чистой машине. Разные модели ловят ошибки друг друга.

Осторожность здесь обеспечивает жёсткая проверка Lean, а не вера в модель. Приём с перекрёстной проверкой моделями переносится на любой ответственный код.

Трёхстрочный аудит стоимости модели. Простой приём, который бережёт бюджет (The Neuron). Прежде чем хвататься за самую дорогую модель, прогоните задачу по трём осям: ценность задачи, цена ошибки, нужное качество. Мелочь без последствий — дешёвая модель. Ошибка грозит юридическим, клиентским или стратегическим риском — берите сильную модель и просите показать степень неуверенности. Готовый промпт:

I need to choose the right AI model or tool for this task: [describe task].
Classify it by task value, failure cost, required quality, and whether speed or
accuracy matters more. Then recommend the cheapest safe option and explain what
would justify upgrading.

Мысль автора: выбор модели — это управление бюджетом, а не «по ощущениям».

Дисциплина против «башни»: агенты убирают трение, а с ним и общее понимание кода. Сильное предупреждение от Армина Ронахера, автора Flask (The Tower Keeps Rising). Раньше, чтобы поменять чужой модуль, нужно было прочитать его код, спросить автора, согласовать. Медленно — но именно это «трение» синхронизировало людей и держало общую картину системы. Агенты трение убирают: у каждого под рукой неутомимый переводчик, который объяснит любой закоулок и внесёт правку. Код компилируется, тесты зелёные — а вот единого понимания, почему система устроена именно так, уже ни у кого нет. Практический вывод: берегите общее понимание архитектуры как дефицитный ресурс. Не отдавайте агенту ревью пограничных изменений, обсуждайте их вживую, фиксируйте «почему» у инвариантов и границ. Тревожный признак — зелёные тесты там, где никто в команде не может объяснить устройство системы.

Думай сам, потом спрашивай ИИ. Эссе о том, как не растерять собственное мышление (Art Fish Intelligence). Автор — исследователь ИИ, но текст написала от руки в самолёте без интернета. Мысль такая: поисковик заставлял тебя самого разбить вопрос, оценить источники и собрать ответ, а ИИ выдаёт готовое — экономит и время, и мышление. Опасно не это само по себе, а то, кто в итоге принимает решения в твоей жизни. Практические правила: сначала сформулируй вопрос и свои гипотезы и только потом проси ИИ проверить и дополнить. Береги процесс обучения — когда цель научиться, скучная работа и есть смысл, её нельзя отдавать. Оставайся куратором: собирай вопросы и оценивай ответы сам, автоматизируй середину, а не края.

Инструменты и штуки

Bonsai 27B — умная модель, которая влезает в телефон. PrismML сжали 27-миллиардную модель до 1 бита на вес и уместили её в 3,9 ГБ — это первая модель такого класса, работающая прямо на айфоне (PrismML). Проще говоря: каждый вес хранится не подробным числом, а как «минус/ноль/плюс», файл худеет раз в десять, а качество почти не падает. Версия потяжелее (5,9 ГБ, тернарная) сохраняет 95% качества полной модели, лёгкая 1-битная — 90%. Обе мультимодальные, окно на 262 тысячи токенов, лицензия Apache 2.0, веса бесплатны на Hugging Face, запуск на Mac и iPhone через MLX. Смысл — сотня шагов агента на телефоне обходится почти бесплатно, а данные не уходят в облако.

Ornith-1.0-35B — локальная модель под агентный кодинг. Открытая (MIT) модель с рассуждением, заточенная под работу в терминале и агентах (Hugging Face). Обгоняет ровесников из линейки Qwen: SWE-bench Verified — 75,6, Terminal-Bench 2.1 — 64,2 против 41,4 у Qwen3.5-35B. В квантизации Q5 весит около 25 ГБ и помещается на одну видеокарту с 24 ГБ или Mac с 32 ГБ памяти. Запуск в одну строку: ollama run hf.co/deepreinforce-ai/Ornith-1.0-35B-GGUF. Отдаёт OpenAI-совместимый API, поэтому подключается к любому кодинг-агенту. Достойная полностью локальная альтернатива без счёта за API.

Mantis Skills — набор скиллов для аудита безопасности от Google. Открытый комплект последовательных скиллов, который подключаете к кодинг-агенту, чтобы тот проверял код на уязвимости (GitHub). Это не жёсткая инструкция, а гибкая заготовка: Google советует дополнять её своей моделью угроз, стандартами кода и системами сборки. Пригодится всем, кто хочет встроить security-ревью прямо в агентный процесс.

devobin — «архитектор промптов», который читает ваш код. CLI-утилита сканирует проект, разбирается в его архитектуре и пишет готовый промпт для Codex, Claude или Cursor (GitHub). Сама код не пишет — её задача выдать точное задание, привязанное к вашим настоящим файлам, а не к шаблону. Есть защита от выдумок: нет базы данных — не помянет PostgreSQL, нет Dockerfile — не заикнётся про Docker. Установка pip install devobin, лицензия MIT, ключи хранятся локально. Лечит главную боль — общие, оторванные от кода промпты.

ai-trains-ai — агент, который сам пишет RL-обучение. Открытый проект, где ИИ-тренер получает задачу «научи модель делать X», сам собирает обучающее задание и запускает его на реальных GPU (GitHub). Затем автор обучил через RL и самого тренера: два вложенных цикла, где действие агента — запуск обучения. Всё обошлось примерно в $1275 «под ключ», а веса, обвязка и даже разборы провалов выложены открыто. Красивый пример дешёвого мета-обучения — и повод посмотреть, как такая система устроена изнутри.

Prime Intellect Verifiers v1 — стек сред для обучения и оценки агентов. Обновлённая инфраструктура для RL и оценки агентов (Prime Intellect). Раскладывает среду на три части — набор задач, обвязку и рантайм — и позволяет гонять сложные агентные сценарии вроде кодинга и работы с компьютером в любой обвязке. Для тех, кто всерьёз собирает и измеряет своих агентов.

Long-Horizon Terminal-Bench (LHTB) — тест на выносливость агентов. Открытый бенчмарк из 46 задач с состоянием: проверяет, способен ли агент вести работу через сотни действий в терминале (GitHub). Хитрость — скрытые проверяющие, которые пересобирают и осматривают итоговый результат, а не верят агенту на слово о его прогрессе.

Manus Auto-Publish — сборка сразу в живой URL. Manus научился автоматически выкатывать удачные сборки на рабочий адрес без ручного деплоя (Manus). «Собрал один раз — дальше отгружается само»: удобно, когда гоняешь много быстрых прототипов.

Osaurus — офлайн-база для агентов на Mac. Превращает Mac в дом для ИИ-агентов, которые помнят контекст, автоматизируют задачи и работают полностью офлайн — ничего из набранного не покидает машину (Osaurus). Хороший вариант для приватных данных и работы без сети.

Fabraix Playground — тренажёр по промпт-инъекциям. Площадка, где можно проверить навыки атаки на настоящих ИИ-агентах и увидеть, как они ломаются — раньше, чем это сделает злоумышленник (Fabraix). Полезно, чтобы на практике понять, где у агентов слабые места.

Reve 2.1 и Parallel Search Turbo — по мелочи. Reve 2.1 — обновлённая модель изображений с нативным 4K и правкой отдельных элементов (The Rundown). Parallel Search Turbo — быстрый поисковый API с низкой задержкой для голосовых и чат-агентов (The Rundown).

Новости и тренды

Дыра в Cursor: открыл репозиторий — запустился чужой код. Исследователи Mindgard раскрыли уязвимость в Cursor на Windows: если в корне репозитория лежит вредоносный git.exe, редактор запускает его сам — без кликов, окон и предупреждений (Mindgard). Достаточно открыть или клонировать заражённый проект — и на машине выполняется посторонний код с вашими правами. О баге сообщили Cursor ещё в декабре, но за семь месяцев его так и не закрыли — поэтому исследователи пошли на полное раскрытие.

Что это значит: пока не выйдет заплатка, открывайте незнакомые репозитории только в песочнице или отдельной виртуалке. Хеш-блоклисты не спасут — вредонос легко меняет отпечаток.

Наделла про «двойной стандарт» дистилляции. Глава Microsoft указал фронтир-лабораториям на противоречие: сами учились на всём интернете, а теперь не хотят, чтобы учились на них (The Neuron). Дистилляция — это когда новую модель обучают на ответах более мощной и дёшево воспроизводят её умения. По данным Anthropic, Alibaba собрала почти 29 миллионов диалогов с Claude через 25 тысяч фальшивых аккаунтов.

Что это значит: если чужую модель можно повторить за копейки, экономика дорогих фронтир-моделей рушится. Но широкий запрет на дистилляцию запер бы исследования внутри пары богатейших компаний — вопрос «кому у кого можно учиться» индустрия ещё не решила.

Anthropic измерила «характер» Claude: 309 тысяч диалогов, 20 языков. У моделей разный темперамент, и он ещё и меняется в зависимости от языка собеседника (Anthropic). Диалоги разложили по четырём осям: теплота или строгость, прямота или исполнительность, глубина или краткость, уступчивость или осторожность. По-английски Claude уходит в детали и осторожность, по-арабски и на хинди — теплее, по-голландски чаще признаёт ошибку.

Что это значит: «характер» ИИ не зафиксирован, а плывёт от языка и версии. Если это так у Claude, то, вероятно, у всех моделей — и у части пользователей ответы систематически другие, чем у остальных.

EU AI Act: с 2 августа чат-бот обязан признаваться, что он ИИ. Новые правила Евросоюза вступают в силу: любой чат-бот или ассистент, работающий с пользователями из ЕС, должен в начале разговора сообщать, что он ИИ, а дипфейки — нести видимую пометку (The AI Report). Штраф — до €15 млн или 3% мирового оборота.

Что это значит: если у вас бот для европейской аудитории, до 2 августа добавьте фразу-раскрытие и проверьте пометки на сгенерированном контенте. Это уже закон, а не рекомендация.

Дата-центры против розетки: +$23 млрд к счетам, Нью-Йорк ставит стройку на паузу. Мы уже писали про физический потолок ИИ-бума — тема набирает обороты. Наблюдатель за рынком PJM насчитал $23 млрд подорожания электричества для жителей 14 штатов из-за спроса дата-центров, и продержится это как минимум до конца 2028 года (Fortune). Механика обидная: выделенную линию к дата-центру он оплачивает сам, а вот общие апгрейды сети раскидывают на всех — а сами центры умеют не потреблять ровно в час пик и уходят от этих платежей. Тем временем Нью-Йорк первым в стране заморозил стройку крупных дата-центров на год (Techpresso), а Meta раздула вложения в дата-центр в Луизиане до $50 млрд и пяти гигаватт.

Что это значит: счёт за ИИ-бум всё заметнее приходит обычным людям через квитанцию за свет — а вместе с ним растёт и политическое сопротивление.

BIS: ИИ-бум пересаживается с наличных на долги. Банк международных расчётов — «банк центробанков» — предупреждает: гиганты вроде Microsoft, Amazon и Oracle всё меньше строят дата-центры на собственную прибыль и всё больше занимают (BIS). Кредитование ИИ через частный долг выросло почти с нуля до $200 млрд и может дойти до $300–600 млрд к 2030 году.

Что это значит: устойчивость всей конструкции держится на том, сбудутся ли обещанные прибыли ИИ. Сигнал от BIS тревожный, и рынки спорят: кредиторы оценивают ИИ-займы как обычные, а биржа закладывает в акции сверхприбыли. Кто-то ошибается — и стоит следить, не перельётся ли обвал акций в долговой рынок.

Исследование: кодинг-агенты «думают наперёд». Учёные заглянули внутрь модели во время работы агента и нашли любопытное (arXiv). Простой пробник по скрытым состояниям предсказывает, скомпилируется ли код и пройдут ли тесты, ещё до того как правка написана — и заглядывает вперёд примерно на 25 шагов. Точность скромная (AUC до 0,83), но эффект сохраняется на разных моделях.

Что это значит: в теории по внутренним сигналам можно строить раннее предупреждение — ловить, что агент идёт к поломке, не дожидаясь провала тестов. Пока это исследовательский сигнал, а не готовый инструмент.

Хассабис зовёт к глобальному ИИ-надзору в стиле биржевого. Глава Google DeepMind предложил создать отраслевой орган по образцу американского финансового регулятора FINRA: лаборатории добровольно отдают модели на проверку опасных способностей за 30 дней до релиза, а позже это становится обязательным (The Verge).

Что это значит: лидер крупной лаборатории пытается задать правила саморегуляции раньше, чем это сделают государства. Кому это выгоднее — отрасли или обществу — вопрос открытый.

Коротко:

• Grok CLI: Маск обещал «чистку». Продолжение истории, о которой мы писали 12 и 14 июля: официальный CLI грузил в облако целые репозитории с секретами. Теперь Маск пообещал разобраться (The Register).
• Codex зашифровал сообщения суб-агентов — и убил локальный аудит. После обновления не видно, какую задачу агент передал суб-агенту: всё зашифровано. Пользователи жалуются: «мы не хотим построить Скайнет, а потом не мочь понять, что он делает» (GitHub).
• Открытые модели — уже рабочая лошадка. Vercel: в июне открытые модели дали 29% всех токенов, а расходов — меньше 4%. Для рутины дешёвая открытая модель уже норма (Vercel).
• Google учит модели «спать». Идея — ночная фаза, когда модель переносит хрупкую краткосрочную память в устойчивую долгую, чтобы меньше забывать (паб. Google Research).
• Ричард Саттон основал Oak Lab. Лауреат премии Тьюринга строит «звериный» интеллект, который учится только из собственного опыта (The Rundown).
• Anthropic локализует цены Claude в Индии. Pro теперь ₹2000 в месяц — Индия стала вторым рынком после США (TechCrunch).
• IBM минус 23% на бирже. Клиенты стали меньше тратить на её ИИ-продукты — редкий охлаждающий сигнал на фоне общего разогрева (Business Insider).
• Cognition: Fable дешевле Opus в Devin. Хотя токен Fable вдвое дороже, архитектура сделала работу в сумме дешевле — цена за токен не приговор (разбор).