Консультант берёт с клиента $2000 в месяц за две встречи по 45 минут. Работы — полтора часа, ставка выходит больше $1300 в час. Продаёт он не код и не подписку, а скиллы Claude под конкретный процесс клиента. И это не разовая удача: с диагностики за $999 к внедрению у него доходят 50–60% клиентов.
Главное за 30 секунд
- Консультант выложил семь готовых пакетов услуг на скиллах Claude с ценами от $999 до $10 000.
- Голос становится пультом: автор эссе диктует задачи нескольким долгоживущим диалогам ChatGPT прямо на прогулке.
- Шесть агентов на одном сервере обходятся в $150 в месяц, но автор честно признаёт отрицательную окупаемость.
- Кто-то массово сканирует сайты под видом ClaudeBot и ищет файлы настроек агентов с ключами.
- Grok 4.6 набрал 61 в независимом индексе и стал самой дешёвой моделью первой четвёрки.
Внедряем и улучшаем
Семь готовых пакетов услуг на скиллах Claude — с ценами. Кори Ганим показал всю свою продуктовую лестницу целиком (Corey's Notes). Начал он с ошибки: первого агента для быстрой обработки заявок продал за $1500 разово. У клиента средний чек сделки был $11 000, а агент приносил ему одну-две дополнительные сделки в месяц. То есть Кори взял полторы тысячи один раз за штуку, которая приносила клиенту от одиннадцати до двадцати двух тысяч ежемесячно.
Отсюда его главный принцип: «Никогда не привязывай цену к своим часам. Привязывай к часам и деньгам, которые ты экономишь клиенту». Вопрос он переформулировал так: что должно быть верным, чтобы я получал $1000 в час? Ответ — пакет «AI Concierge»: $2000 в месяц за две встречи по 45 минут. На них ручные процессы клиента превращаются в скиллы Claude. Полтора часа работы, ставка около $1300 в час.
Вот вся лестница по ценам:
1. AI Tools Assessment $999 45-минутное интервью + отчёт с 3-7 готовыми
инструментами под их узкие места
2. AI Concierge $2000/мес две встречи по 45 минут, плечом к плечу в Zoom,
превращаем процессы в скиллы Claude
3. Переделка процесса $3000-5000 сначала чиним кривой процесс, потом автоматизируем
4. Сборка автоматизации $1000-3000 Zapier или Make.com там, где вход и выход
всегда одинаковые
5. База знаний от $3000 проект Claude или свой GPT на контенте клиента
6. Свой рабочий процесс $3000-5000 библиотека скиллов для тех, кто уже пробовал ИИ
7. Полное внедрение $5000-10000+ всё вместе плюс поддержка 10% от стоимости сборки
Что делать по шагам. Начинать надо с первого пункта, а не с седьмого. «Диагностику продать легко: ты ничего не строишь, ты ставишь диагноз, как врач выписывает рецепт». Первые три Кори сделал бесплатно ради отзывов. Дальше цифра, ради которой стоит читать: 50–60% клиентов диагностики переходят во внедрение. Седьмой пакет не предлагать, пока не сделано 5–10 мелких проектов.
Примеры для калибровки цен. Гендиректору крупной финтех-компании собрали скилл, который делает еженедельный меморандум по всей фирме: было два часа, стало пятнадцать минут. Продавцу на Amazon сократили разбор рекламы с 25 шагов до 10, с десяти часов в неделю до одного. У свадебной площадки убрали менеджера из приёма клиентов целиком за $1500. Подкаст, который делали 45 минут, теперь собирается за 5 одним управляющим скиллом.
Голос как пульт для нескольких агентов сразу. Питер Янг описал рабочий приём, который выглядит фантастикой, но собирается из готовых частей (Creator Economy). Он гуляет на улице, включает голосовой режим ChatGPT и раздаёт команды нескольким долгоживущим диалогам — тредам. Не одному чату — именно нескольким параллельным задачам.
Три его команды дословно:
Use my chief of staff thread, check any open email loops I should respond to.
List the top 5 PRs for (project), let's work through them one by one.
I just interviewed (guest), run the /podcast-production skill in a new thread.
Ключевое условие приёма он вынес отдельно: «Чтобы это работало хорошо, надо помнить названия всех своих долгоживущих тредов». То есть треды надо именовать заранее и осмысленно. «Тред начальника штаба», «тред продакшена подкаста». Голосовой ассистент раздаёт по ним поручения и отчитывается, когда каждая задача закончена.
Что делать прямо сейчас, тремя пунктами от автора. Первое: завести пару именованных тредов под повторяющиеся дела и командовать ими голосом. Второе: попробовать облачного агента, чтобы понять, каково это, когда компьютер живёт не в вашем ноутбуке.
Третье, самое интересное для тех, кто делает продукты: собирать инструменты для агентов, а не приложения для людей. Два его открытых проекта набрали 4400 и 570 звёзд именно потому, что живут внутри чужого агента, а не отдельным сайтом. «Главный пользователь — агент».
Оговорка, которую он делает честно. Его знакомые в Ванкувере до сих пор сидят на обычном чате. Объясняют одинаково: «Я не доверяю ИИ настолько, чтобы дать ему доступ к почте и календарю». Сам он споткнулся о то же самое. Увидел в облачном браузере агента экран входа в Google с полем пароля — и не стал вводить.
Шесть агентов на своём сервере за $150 в месяц — полный рецепт. Чад Аримура месяц собирал себе штат из агентов и выложил конфигурацию целиком (chad.cm). Раскладка по ролям такая. ea-agent ведёт календарь и задачи, ops-agent следит за Sentry и сайтами, dev-agent держит доступ к паре репозиториев. gtm-agent смотрит воронки и соцсети, research-agent делает долгие исследования, vps-agent управляет сервером и создаёт новых агентов.
Железо и деньги без прикрас. Обычная виртуалка DigitalOcean: 4 ядра, 8 ГБ памяти, 160 ГБ диска. «Пришлось уйти с 4 гигабайт памяти, потому что сервер уходил в подкачку». Снаружи не торчит ни одного порта, доступ через Tailscale. Итог: $48 в месяц за сервер плюс $100 за подписку OpenAI. Все агенты ходят в модель по подписке, а не по ключу с поминутной оплатой.
Тут же его дорогой урок. «Сначала я использовал Fable от Anthropic. Пришёл счёт за API: подписку в такой схеме использовать нельзя. Пришлось перейти на GPT». Если собираетесь повторять — проверьте условия своего тарифа до, а не после.
Установка. Сама статья обзорная, команды лежат в его предыдущем посте:
sudo -u hermes -H bash -lc '
curl -fsSL https://hermes-agent.nousresearch.com/install.sh | bash --non-interactive
source ~/.bashrc
for p in gtm-agent ea-agent ops-agent; do hermes profile create $p; done
'
Дальше на каждый профиль прописывается основная модель и запасная, чтобы при упоре в лимиты агент переключался сам:
sudo -u hermes -H bash -lc '
for p in gtm-agent ea-agent ops-agent; do
hermes -p $p config set model.default "gpt-5.6-sol"
hermes -p $p config set model.provider "openai-codex"
done
hermes auth add openai-codex --type oauth --no-browser
hermes fallback add
'
Общаются агенты через Buzz — открытый мессенджер от Block. В личке отвечают сразу, в комнатах нужно позвать через @ea-agent. Между собой тоже переписываются, кроме vps-agent — с ним говорит только хозяин.
Каждый агент описан четырьмя вещами: файл SOUL.md с характером, файл AGENTS.md с инструкциями, набор скиллов и своя память. Общая вики в Obsidian синхронизируется с ноутбуком — это «операционное руководство бизнеса». Новый агент подключается и сразу знает, как тут принято.
Самый копируемый приём из всей статьи — утренний отчёт. vps-agent читает все вчерашние переписки остальных агентов, включая личные. И присылает один пронумерованный список: что сделано, что в работе, что требует внимания. Дальше хозяин отвечает одной строкой: «Сделай 2 и 3, напомни про 4 завтра, заведи задачи в Linear на 8 и 10».
И честная цифра, за которую автору спасибо. «Ради пути — да, ради окупаемости — нет. Я потратил на настройку в десять раз больше времени, чем ушло бы на то, чтобы сделать всё это руками». Плюс отрезвляющая формулировка из обсуждения: агенты — это «вход, модель, немного памяти, инструменты и куча задач по расписанию». 95% кода он по-прежнему пишет сам в Claude Code.
Автоматический режим Claude Code включается завтра — три детали, которые мы ещё не разбирали. Про сам переход мы подробно писали 8 и 10 августа. Классификатор ловит 89% опасных команд против 13,6% у людей; после трёх блокировок подряд режим уходит на паузу. Повторяться не будем, но в документации нашлись три вещи, которые ломают людям день (документация Anthropic).
Первое и самое неприятное. Начиная с версии 2.1.142 Claude Code игнорирует defaultMode: "auto" в файлах проекта — и в .claude/settings.json, и в локальном варианте. Сделано это нарочно, чтобы репозиторий не мог сам себе выдать автономность. Работает настройка только в домашнем файле:
{
"permissions": {
"defaultMode": "auto"
}
}
Второе. Границы, заданные словами прямо в чате, работают как настоящая блокировка. Скажете «не пушь» или «подожди, пока я не проверю» — классификатор запретит эти действия, даже если правила их разрешают. Но есть подвох: границы нигде не хранятся, модель перечитывает их из переписки. Сжатие контекста может их потерять. Нужна гарантия — пишите правило в permissions.deny.
Третье. Организация может выключить режим целиком через управляемые настройки, и тогда он пропадёт из переключателя по Shift+Tab. Полный список того, что запрещено по умолчанию, смотрится командой claude auto-mode defaults. Там, например, git reset --hard, принудительный пуш, удаление файлов старше сессии и запись в собственные журналы Claude.
«Строй широко, режь узко» — рабочий процесс, где нарезка задач идёт после сборки. Бруно Куарезма описал перестройку привычного цикла разработки (Adapt). Обычно функцию заранее делят на задачи, и каждая блокирует следующую. Дефект тут встроенный: «границы приходится решать в момент, когда ты знаешь о задаче меньше всего».
Раньше это терпели по экономической причине. Разрезать неделю запутанной работы на цепочку аккуратных запросов на слияние было дороже, чем спланировать наперёд. Именно это и подешевело. «Теперь это один промпт».
Порядок из шести шагов:
1. Допросить план, пока в нём не появятся настоящие решения
2. Закоммитить спеку до кода, если задача новая
3. Строить широко, ставя контрольные точки коммитами
4. Показать демо и доработать до того, как кто-либо прочтёт код
5. Разрезать на запросы по границам, которые проявил сам код
6. Слить, удаление старого — последним отдельным запросом
Промпт для пятого шага он приводит дословно:
Split the current work into the smallest set of independently reviewable PRs,
each safe to merge on its own, and each delivering value to the user whenever
the work allows. Create a git worktree and branch off main for each. Stack only
where a dependency is real; otherwise branch from main. Any removal of the code
being replaced goes in its own final PR. Show me the proposed split before
creating anything.
Два правила, выведенных на практике. Складывать запросы друг на друга только при настоящей зависимости. Иначе получите цепочку перебазирований и пожалеете при первой же правке в основании. И удаление старого кода отправлять последним: смешивать создание с удалением значит запутать проверяющего и сделать откат неоднозначным.
Цифры одного рефактора. Больше десятка коммитов за день по десяткам файлов на одной ветке. На выходе — пять запросов: два бэкенда растут от основной ветки, два фронтенда каждый поверх своего бэкенда, пятый чисто на удаление. «Удаление снесло на несколько сотен строк больше, чем добавила вся функция».
Честная оговорка автора, и она важная. На момент публикации все пять запросов висели неслитыми. «Хороший разрез делает каждый запрос лёгким для проверки И достойным слияния сам по себе. Первое за меня делает агент, второе — моё дело. У меня они висят, потому что я сделал только первое». Плюс подход не годится там, где порядок реальный: миграции и изменения схемы базы всё равно надо планировать заранее.
Как поймать баг, который ищут годами: Claude плюс детерминированный симулятор. В SQLite шестнадцать лет жил баг, из-за которого записи молча пропадали, а база билась. Tailscale поймал 19 повреждений базы за полгода и искал причину месяцами. Писали свой журнал транзакций, вставляли отладочную прокладку в файловый слой (Tailscale). А Карл Сверре воспроизвёл тот же баг за 15 минут с телефона, сидя на склоне (Antithesis).
Что он поручил модели — три фразы. Поднять заведомо сломанную версию SQLite в симуляторе и расставить в коде проверки. Написать простую нагрузку, которая параллельно пишет и делает контрольные точки. Повторить всё то же на исправленной версии. «Нагрузка совершенно обычная. Она просто пишет и делает контрольные точки одновременно — то, что в реальной работе происходит постоянно».
Ключ — в характере проверок. Они не заточены под конкретный баг: «ни одной закоммиченной записи не потеряно», «база не побита». То есть свойства, которые верны для любой базы данных. Разработчики SQLite до этого не могли воспроизвести баг вообще и дописали в код специальную логику, которая нарочно создаёт нужные условия.
Приём, который можно перенять, по шагам. Не просите ИИ «найти баг» — просите построить условия, в которых баг обязан проявиться. Формулируйте инварианты, а не сценарии. Проверка под свою гипотезу сужает поиск до того, что вы и так подозревали.
Нагрузку делайте тупой и параллельной. Источник случайности отдайте симулятору, иначе прогон не повторится. И обязательно гоняйте пару «до и после»: сломанная версия должна краснеть, исправленная — зеленеть на той же нагрузке. У Tailscale был обманчивый штиль в шесть недель, после которого баг вернулся.
Как выглядит серьёзно сделанный набор скиллов. Грег Фодор выложил три скилла для работы с патентами США, и ценность тут не в патентах (legal-skills). Ценность в инженерных решениях, которые переносятся на любую тему. Внутри — проверка чернового текста по 316 пунктам, симуляция экспертизы патентного ведомства и попытка обойти собственный патент руками конкурирующих агентов.
Четыре решения, которые стоит украсть. Первое: арифметика, даты и сверка номеров вынесены в обычный Python. Причина названа прямо — модели не умеют считать и радостно отрапортуют «все номера согласованы», найдя 19 из 20. Второе: ответ «не могу оценить» считается валидным, молчание никогда не равно «прошло».
Третье: в поле с доказательством обязана лежать дословная цитата из документа, иначе находка не находка. Четвёртое: каждая блокирующая находка перепроверяется тремя свежими проверяющими, которые видят документ и пункт списка, но не видят рассуждения исходной находки. Выживает то, что подтвердили двое из трёх.
Отдельно красиво устроена симуляция экспертизы. Свежий агент без контекста пишет настоящее возражение. Заявка проходная, только когда два независимых эксперта одобрили один и тот же документ. Лицензия GPL-3.0, так что утащить список проверок в коммерческий продукт не выйдет. А вот схему «детерминированный код на счёт, цитата как доказательство, независимая перепроверка вслепую» стоит применить к любому своему скиллу-контролёру.
Кто-то сканирует сайты под видом ClaudeBot и ищет ваши ключи. На сводке KnownAgents висит предупреждение об идущей прямо сейчас кампании (KnownAgents). Атакующий подставляет имя известного ИИ-бота и перебирает пути с секретами. Расчёт понятный: ИИ-роботы у многих в белых списках и никем не проверяются.
Цифры кампании. Доля поддельного трафика держалась на 0,78% до 29 июля, 7 августа выросла до 2,6%, а 10 августа дошла до 5,54%. Рост в семь раз за двенадцать дней, причём больше чем вдвое — за последние трое суток. Чаще всего подделывают ChatGPT-User — рост почти в 14 раз, ClaudeBot — почти в 13. При этом Googlebot и bingbot почти не выросли. То есть косят целенаправленно под ИИ-ботов.
Самое важное — что именно ищут. Первые восемь путей в списке целей это файлы настроек ИИ-агентов:
/.config/anthropic/credentials/default.json
/.claude/settings.json
/.claude.json
/.hermes/.env
/.openclaw/.env
/.codex/config.toml
/.continue/config.json
/.aider.conf.yml
Дальше идёт классика утечек: .env во всех вариантах, .aws/credentials, terraform.tfstate, ключи сервисных аккаунтов, .npmrc. Угнанный ключ означает чужие расходы на вашем счёте.
Что делать сегодня, по порядку. Первое: проверить, что ничего из этого списка не отдаётся по HTTP. На все эти пути — 404 независимо от имени бота.
Второе: настоящего бота от поддельного отличают по официальным спискам адресов. У Anthropic это https://claude.com/crawling/bots.json, у OpenAI, Perplexity и Apple свои файлы — обновляйте их раз в несколько часов, не прописывайте адреса намертво. Третье: пишите в журнал имя бота, адрес и путь — всплеск запросов к /.env от «ClaudeBot» виден сразу. Четвёртое: robots.txt тут не помогает вообще, атакующий его не читает.
На какой математике модели сильны, а на какой буксуют. Тимоти Гауэрс, филдсовский лауреат, разобрал вопрос всерьёз (его блог). Отправная рамка изящная: если бы модели были лучше всех людей во всём, при их скорости результаты лились бы потоком. Потока нет, значит граница где-то проходит.
Он называет ровно две сильные стороны, в которых уверен. Огромный объём известной математики: «если задачу можно решить относительно стандартным рассуждением, модель почти наверняка его найдёт и применит». И скорость, которая позволяет «сделать множество неудачных попыток, прежде чем найдётся решение». Отсюда вывод: модели выигрывают там, где помогает перебор идей, а люди — там, где надо копать вглубь.
Подтверждение — из отзывов экспертов на решённые задачи: «Сначала я поразился, что задача решена. Но при ближайшем рассмотрении понял: подход не такой уж новый».
Слабое место названо прямо — отсутствие чутья. «Мне часто предлагают подходы, которые звучат многообещающе, пока не вдумаешься». И типовая концовка: «Мне не удалось ответить на ваш вопрос, но я свёл его к более узкому и точному». Обнадёживает — пока не случится пять раз подряд без всякого прогресса.
Выводы для обычной работы — это уже наша интерпретация, а не слова Гауэрса. Доверяйте модели там, где решение это известный приём, который надо вспомнить и применить. Просите генерировать варианты, а отбор делайте сами: генерация — сильная сторона, оценка перспективности — слабая.
Самая надёжная роль модели — поиск контрпримера к вашей идее: «вот мой план, найди случай, где он ломается». Красный флаг — пятое подряд «уточнение задачи» без движения к ответу: это блуждание, а не прогресс. И помните: блеск ответа не доказывает работу мысли — неотличимо, придумала модель ход или нашла в чужой статье.
Локальная генерация картинок на маке стала на треть быстрее. Дерек Андерсон не стал переезжать с Automatic1111 на другой интерфейс. Он починил стыки между Python, PyTorch и Metal (The Rad Ninja). Главная находка: расширение отправляло команды видеокарте после каждого вызова внимания. При генерации в пять шагов постоянная отправка микропорций съедала заметную долю времени.
Чистое измерение на Mac mini M1: было 12,8 секунды, стало 8,7. Это минус 32% времени. На M3 Pro автор наблюдает 3–7 секунд вместо 8–10, но честно помечает это как наблюдение, а не замер. Отдельно приятно: слияние двух операций дало экономию около 0,27 секунды на картинку, при этом файлы на выходе совпадают побитово.
Установка:
xcode-select --install
git clone --branch dev https://github.com/dmikey/stable-diffusion-webui-metal.git
cd stable-diffusion-webui-metal
./webui.sh
Модели кладутся как обычно в models/Stable-diffusion/, конвертировать ничего не надо. В логе запуска должна появиться строка про пройденный самотест Metal.
Ограничения серьёзные. Форку два дня, лицензия AGPL-3.0, автор один. Оптимизация заточена под Stable Diffusion 1.x, на новых моделях выигрыша почти не будет. И часть ускорения — это не ускорение, а пропуск работы: включённый по умолчанию режим меняет картинку при том же зерне. Хотите близко к оригиналу — выключите его и обе опции слияния.
Почему прогнозы про замещение профессий стабильно врут. Полезная калибровка ко всем разговорам про «ИИ заменит X» (разбор Annelies Gamble). Канонический пример — радиологи. В 2016 году Джеффри Хинтон заявил, что готовить их больше не надо: очевидно, что через пять лет машины будут читать снимки лучше. Прошло десять лет. Управление по контролю за лекарствами одобрило сотни ИИ-инструментов для медицинских снимков, а спрос на радиологов вырос.
Цифры по клинике Mayo, одному из самых агрессивных внедренцев. Штат радиологии вырос на 55% с 2016 года. При этом собрана команда ИИ из 40 человек и используется больше 250 моделей. Механизм провала прогноза объясняет доктор Чарльз Кан: «Прогресс поразительный, но эти ИИ-инструменты по большей части ищут что-то одно».
Что отсюда брать в работу. Чтение снимков — лишь верхушка работы радиолога. Есть ещё консультации хирургов, разговоры с пациентами, отчёты, разбор карт и ответственность. Ускорили верхний шаг — вырос объём смежной работы, а с ним и потребность в людях.
Практический вывод: оценивайте не способности модели, а величину трения в конкретном процессе. Она и определяет срок. И точное наблюдение автора: прогнозы врут именно там, где много социального поведения, внедрения и физического мира.
Два текста против ИИ, из которых стоит взять практику. Оба вчера были в топе Hacker News. Оба написаны людьми с опытом и оба полезнее, чем кажется по заголовкам.
Бретт Чалупа, ведущий инженер с двадцатью годами стажа, объявил, что заканчивает с ИИ (brettcodes). Важно, на чём именно он сломался: не на том, что не работало, а на том, что работало.
«Я смог подключить Linear к Claude Code и получить нетривиальный проект от начала до конца, не отредактировав ни строки. Работа сделалась быстрее, чем сделал бы я. И мне почти не пришлось думать». Дальше цепочка: «Это сделало меня ленивым. Заставило перестать вникать. Сделало меня худшим программистом».
Самая ценная его деталь — провал промежуточного режима. «Я пытался использовать ИИ меньше, только на мелочах, но это никогда не работало. Я скатывался обратно». Отсюда практический вывод: ограничение должно быть механическим, а не волевым — не «постараюсь меньше», а конкретный список задач, куда агент не заходит.
Второй вывод — из истории с медицинским советом от чат-бота. Тот отправил автора в приёмный покой: два часа и счёт в несколько сотен долларов. Помощник по коду и собеседник для решений с необратимой ценой — разные роли, и вторую лучше не выдавать.
Флориан Херренгт зашёл с другой стороны (его блог). Его тезис не «ИИ пишет плохой код», а «ИИ снял ограничитель скорости». «ИИ заставляет проекты со слабой инженерной культурой проваливаться намного быстрее». Дальше сценка. Запрос на слияние на плюс двадцать пять тысяч строк, вопрос «а откуда берутся данные?» — ответ «не знаю, сейчас спрошу у Claude».
Отдельно он ловит смерть проектной документации. На вопрос «почему мы делаем это здесь?» коллега присылает ссылку на переписку с моделью. «Где-то в этом разговоре — между уверенной рекомендацией архитектуры, извинением, сменой мнения и пятнадцатью раундами правок — лежит проектное решение».
Три приёма отсюда. Ввести приёмочное правило «объясни без чата». Перед слиянием автор словами говорит, откуда данные и почему такая структура; ссылка на переписку не принимается.
Разделять изменения не по объёму, а по обратимости. Код и рефакторинг откатываются, схема базы и публичные контракты — нет. Там решение принимает человек до генерации. И записывать результат отдельно от чата: пять строк своими словами о том, что выбрали, что отвергли и почему. Переписка — это черновик мышления, а не документ.
Для баланса — самое сильное возражение из обсуждения. Описана не беда от ИИ, а команда без нормы на размер запроса. Если объём превысил то, что человек реально прочитает, проверка перестала существовать как контроль. Отказаться проверять такой запрос — законное инженерное действие, а не грубость.
Инструменты и штуки
Delta от Zed. Про хранилище DeltaDB мы писали 6 августа — теперь вышло приложение, и это не редактор Zed (блог Zed). В центре не файлы, а тред: разговор с агентом, к которому намертво привязан код. Комментировать можно любую строку, шаг плана, кусок изменений. Тред многопользовательский: приглашённые получают свою копию кода и командуют агентом наравне с вами. Облачные машины позволяют закрыть ноутбук и не прерывать работу. Закрытая бета с 12 августа, запись на zed.dev/deltadb; отдельного тарифа нет, подписка Zed покрывает и Delta, есть связка с Claude Code.
hax. Минималистичный агент для кода в терминале, написанный на C (usehax.dev). Один исполняемый файл, мгновенный старт, единицы мегабайт памяти — вся память отдана локальной модели. Никаких магазинов расширений и панелей в редакторе: по Ctrl+T видно точный текст, ушедший в модель, и её ответ. Подняли llama-server, запустили hax --provider llama.cpp — настройки не нужны, модель определится сама. Ставится одной строкой brew install oleksandrchekhovskyi/hax/hax. Бесплатно, MIT, версия 0.3.0.
Claudish to English. Плагин для Claude Code, который переводит фирменный жаргон Claude на человеческий английский (GitHub). Все эти «load-bearing», «well-defined seam» и «rough edges worth knowing» прогоняет локальная модель в Ollama. В терминале вы видите упрощённый текст, а сам Claude по-прежнему получает оригинал. Умеет и выбранные markdown-файлы, бесплатно, открытый код. Мотив автора: «Я, как и тысячи других инженеров, устал разбирать, что написал Claude».
Confucius4-TTS. Открытая модель синтеза речи от NetEase Youdao (Hugging Face). Клонирует голос по одной записи и говорит им на 14 языках, включая русский. Расшифровка оригинала не нужна: конкурентам нужен текст, этой хватает файла. Переносит и эмоцию, и работает через языки — записали по-русски, читает по-английски без акцента. По русскому разборчивость чуть хуже Qwen3-TTS, зато похожесть голоса выше, чем у ElevenLabs. Код под Apache 2.0, лицензия весов не объявлена. Нужна видеокарта NVIDIA от 8 ГБ, а демо работает без установки.
Flux TTS от Deepgram. Синтез речи под голосовых агентов, а не под озвучку текста (Deepgram). Модель читает всю беседу целиком, поэтому на тридцатой минуте голос звучит как на первой. Самое ценное инженерно — обработка перебивания. При вклинивании пользователя API возвращает text_spoken: что именно собеседник успел услышать. Обычно это состояние восстанавливают вручную. Задержка от 80 мс, 36 голосов, язык только английский; бесплатно до 12 сентября с лимитом 45 подключений, дальше $0,045 за тысячу знаков.
Unsloth Desktop. Настольное приложение для скачивания, запуска и дообучения моделей на своей машине (анонс). Поддерживает больше 500 моделей — текстовых, зрительных, звуковых и для векторных представлений. Windows, macOS и Linux, бесплатно, открытый код. Полезно тем, кто хочет попробовать дообучение под свою задачу, но не готов собирать окружение из десяти пакетов.
LTX-2.5. Генерация связного многокадрового видео со звуком и в 4K (ltx.io). Ключевое отличие от закрытых сервисов — открытые веса: можно запускать и дообучать на своём железе. Бесплатно для организаций с выручкой до $10 млн в год, через API — от $0,09 за секунду видео.
CutKarma. Видеоредактор, где монтаж описывается обычными словами (cutkarma.com). Загружаете интервью, подкаст или запись с телефона и просите подтянуть темп, переставить куски, вытащить лучшие моменты. Важная деталь для тех, кто боится доверять нарезку машине: перед применением показываются таймкоды, и рез надо подтвердить. Правки и откаты — тоже разговором. Платный.
Mirage. Генерация и редактирование видео по слоям, включая живые аватары из связки «картинка плюс звук» (mirage.app). На этой технологии уже провели лицензированный новостной эфир Reuters в соцсети X — то есть это не показуха. От $0,175 за секунду через API.
Lettertrace. Открытый инструмент, который следит, как ваш бренд появляется в ответах ИИ-ассистентов (Product Hunt). Отслеживает темы и сравнивает с конкурентами, работает на вашем собственном ключе — значит, нет привязки к чужому тарифу. Полезно всем, кто уже понял, что трафик из ИИ-чатов надо мерить отдельно от поискового.
Ploy. Сервис, который строит, тестирует и сам улучшает маркетинговый сайт (ploy.ai). Делает новые посадочные страницы, чинит поисковую оптимизацию, опознаёт посетителей и ведёт рассылки. Поднял $27 млн. Есть бесплатный тариф, дальше $50 в месяц.
Woxi. Открытая реализация языка Wolfram на Rust — не ИИ, но красивая штука (woxi.ad-si.com). Стартует заметно быстрее оригинала: не поднимает ядро и не проверяет лицензию. Умеет то, чего не умеет фирменная оболочка, — выполнять файлы блокнотов напрямую. Есть ядро для Jupyter, свой редактор блокнотов и экспорт в PDF и LaTeX. Попробовать можно прямо в браузере, всё считается локально; ставится через cargo install woxi. Лицензия AGPL-3.0, реализовано 2985 функций из 6295 — это рабочее подмножество для скриптов, а не замена Mathematica.
LinkedIn CringeBot 3000. Генератор фальшивых постов «лидера мнений» в восьми жанрах корпоративного стыда (cringebot3000.com). Вводите тему, выбираете стиль: «горячее мнение», «рад объявить», «пост уязвимости», «бросил найм ради призвания». На выходе — однострочные абзацы, драматические паузы КАПСОМ и гроздь хештегов, плюс кнопки «сделай хуже» и «абзацы длиннее». Бесплатно, без регистрации; каждый пост подписан пометкой, так что выдать за свой не выйдет — судя по всему, в этом и был замысел.
Новости и тренды
Grok 4.6: 61 балл и место в первой четвёрке. Восьмого августа мы отмечали, что Grok 4.6 вышел без независимых замеров. Теперь они есть: 61 балл в индексе Artificial Analysis, плюс пять пунктов к прошлой версии (Artificial Analysis). Впереди только два Claude — Opus 5 с 63 и Fable 5 с 62. Третье место Grok делит с GPT-5.6 Sol.
Что это значит. Цена осталась $2 за миллион входных токенов и $6 за выходные. При смене поколения она не выросла — для рынка нетипично. При равном балле с GPT-5.6 Sol выход дешевле впятеро. На длинных агентных задачах Grok тратит вдвое меньше шагов: около 53 ходов против 103 у Claude Opus 5. Если вы гоняете агентов пачками и упираетесь в счёт, это заметная разница.
DeepSeek V4 Pro: миллион токенов контекста за копейки. Вышла боевая версия V4 Pro. Это смесь экспертов на 1,6 трлн параметров, из них активны 49 млрд, контекст миллион токенов (DeepSeek). Цена: $0,435 за миллион входных и $0,87 за выходные. При попадании в кэш вход дешевеет в сто двадцать раз.
Что это значит. Можно закинуть целый репозиторий или книгу и не считать деньги: по входу это почти впятеро дешевле Grok 4.6, по выходу — почти всемеро. Но два предупреждения. На сложном коде модель заметно слабее передовых. И DeepSeek прямо пишет в документации, что готовит «существенное» повышение цен. Веса ревизии 0813 пока не выложены, доступ только через API. Есть и формат Anthropic — модель можно подставить под Claude Code.
Qwen3.8 открыли веса флагмана. Alibaba выложила Qwen3.8-2.4T-A95B: 2,4 трлн параметров, 95 млрд активных, контекст 262 тысячи токенов с растяжкой до миллиона (Hugging Face). Про замеры этой линейки мы писали 5 и 8 августа. Новость — в открытых весах: раньше модель уровня Max была закрытой.
Что это значит. По независимому индексу Qwen отстаёт от Grok 4.6 на три пункта. Зато её можно скачать и запустить у себя. У провайдеров та же цена $2 и $6, но вы в любой момент уезжаете на своё железо. Отдельная лицензия нужна только тем, кто продаёт модели как услугу при выручке выше $50 млн.
Anthropic ведёт переговоры о покупке Decart за $6 млрд. По данным Bloomberg, речь о крупнейшем приобретении в истории компании (The Edge). Decart основан в 2023 году, в мае поднимал $300 млн при оценке около $4 млрд. Команда пойдёт в подразделение, отвечающее за скорость работы моделей.
Что это значит. Покупают не видео, а эффективность. У Decart два направления: софт, выжимающий максимум из разных чипов, и генеративное видео на моделях, которые держат состояние сцены. Anthropic платит миллиарды за то, чтобы её нынешние модели работали дешевле на том же железе. Экономия на вычислениях стала стоить как целый стартап.
Агенты в общей песочнице ведут себя хуже, чем поодиночке. Frontier Red Team в Anthropic запускала группы агентов в общих средах (Anthropic). Вывод жёсткий: координация не появляется сама собой из роста интеллекта.
Первая находка — конформизм. 18 из 30 агентов создали ветку с одним именем mvp-game-loop. В задачах с очередями они завалили систему опросами по 30 раз в секунду: 2,4 млн запросов и 117 принятых задач. Вторая находка — война за территорию. Трём копиям модели поручили мигрировать один бэкенд на разные языки, не сказав друг о друге. Все решили, что им мешают нарочно, и дошли до скриптов, убивающих чужие процессы.
Что это значит для практики. Разводя агентов по одному проекту, разделяйте зоны ответственности явно и не рассчитывайте, что они договорятся сами. Хорошая новость: новые модели ведут себя заметно лучше — Mythos 5 заканчивает конфликт перемирием в 98% прогонов, прошлое поколение решало силой в 60%.
Появился бенчмарк на рассуждения без правильного ответа. Redwood Research вместе с Anthropic выпустили Conceptual Reasoning Index (Anthropic Alignment). Обычные тесты меряют проверяемое — код, математику, факты. Этот меряет качество аргументации там, где верного ответа нет: сила доводов, непротиворечивость убеждений, теория принятия решений. Лидирует Claude Opus 5 — 73,6 балла, за ним Claude Fable 5 с 72,7 и GPT-5.6 Sol Pro с 70.
Что это значит. Потолок шкалы оценён примерно в 91, а не в 100, так что лидеру есть куда расти. Рост идёт линейно с конца 2024 года без признаков насыщения. Практический смысл простой. На вопросах без объективно верного ответа разброс между моделями больше, чем на привычных задачах.
Lovable подняли $400 млн при оценке $13,3 млрд. Шведский сервис, где приложение собирается перепиской, закрыл раунд под водительством Menlo Ventures (Lovable). С запуска в ноябре 2024 создано больше 60 млн проектов, приложения на платформе собирают свыше 900 млн визитов в месяц. Выручку не раскрыли.
Что это значит. Позиционирование сместилось с «строить приложения» на «вести бизнес». По их опросам почти восемь из десяти пользователей делают бизнес или доходный побочный проект, больше трети уже зарабатывают. Мишень теперь не редактор кода, а пачка подписок на облачные сервисы средней компании: один клиент выводит из эксплуатации десять систем.
Заодно они объяснили, почему убрали выбор модели из интерфейса: пользователь не знает, чем одна отличается от другой, и выбор превращается в лотерею (Lovable).
Cursor готовит конкурента GitHub. Похоже, платформу для проверки кода выкатывают из закрытой беты под именем Cursor Review (TestingCatalog). Появятся две вкладки: первая синхронизирует репозитории из GitHub, вторая — конвейер запросов на слияние, который дёргает разработчика только ради его суждения.
Что это значит: люди и агенты разбирают открытые запросы совместно, а не по очереди. Ровно то, о чём пишут сегодняшние руководства про нарезку задач.
Восемь предсказаний про модели, которые учатся на работе. Сегодняшние модели «замороженные»: после выпуска их внутренние настройки почти не меняются. Дваркеш Патель разобрал, что будет, когда веса начнут обновляться от опыта прямо в работе (Dwarkesh).
Три предсказания стоит запомнить. Мышление моделей разойдётся: разный опыт разведёт даже одинаковые стартовые модели. Смена модели станет болезненной — уйти от ИИ, который 18 месяцев изучал вашу компанию, всё равно что заменить ветерана стажёром. И лаборатории начнут выпускать модели раньше: держать лучшую в секрете значит дарить конкурентам время на обучение.
Что это значит. Модель превращается из софта, который покупаешь, в сотрудника, которого растишь. Практический вывод на сегодня простой. Память, скиллы и вики про вашу работу — это и есть будущий актив, и он переносим между моделями. Дообученная под вас модель — нет.
Anthropic закупает мощности на $9,1 млрд. Сделка с Riot Platforms на 191 мегаватт у бывшего майнера биткоина (Barron's). Тем временем NVIDIA собирает «более $500 млрд» стороннего капитала вместе с Apollo, BlackRock, Blackstone, Brookfield, Goldman Sachs и KKR (NVIDIA).
Что это значит: дефицит вычислений закрывают не стройкой, а скупкой чужих площадок и деньгами инфраструктурных фондов. Для пользователя это отложенный сигнал — цены на токены держатся низкими, пока вложения не начнут просить отдачи.
Дыры в Zoom нашли меньше чем за 20 промптов. Исследователи обнаружили уязвимости, позволявшие тихо захватить устройство собеседника во время звонка с показом экрана (Ars Technica). Затронуты все системы, обновления уже раскатываются. Баги нашли свободно доступными моделями за неполные двадцать запросов; сооснователь говорит, что команде из пяти человек это заняло бы полгода.
Что это значит. Порог поиска уязвимостей упал в разы — и для тех, кто защищает, и для тех, кто нападает. Практический вывод простой: обновляйте Zoom сегодня, а не когда напомнят.
Коротко о людях. Многолетний операционный директор OpenAI Брэд Лайткап уходит запускать своё (TechCrunch). За последнее время компанию покинули также Фиджи Симо, Билл Пиблс и Кевин Вейл. А Google DeepMind возглавил Корай Кавукчуоглу — подчиняется напрямую Пичаи (CNBC).
Коротко о продуктах. Microsoft раскатала MAI-Code-1.1-Flash в GitHub Copilot: вчетверо дешевле прошлой модели и плюс 22% на терминальных задачах (Microsoft). Настольный ChatGPT вышел в превью для Linux (OpenAI). А Codex и настольный ChatGPT научились импортировать настройки, скиллы и плагины из другого агента (документация).
Коротко о железе. Google показал Pixel 11, Pixel Watch 5 и первую свою метку-маячок Pixel Tag (Ars Technica). Главная новинка — кольцо светодиодов на задней панели: светится, когда вы говорите с Gemini. А Modular выпустила Mojo 1.0 (Modular).
Коротко о спорах. Умные очки Meta запретили в судах Англии и Уэльса (Guardian), а немецкая правозащитная группа подала на них заявление в полицию (Reuters). И продолжается спор о невидимых метках Anthropic в тексте Claude — мы писали о них 11 и 12 августа. Главная претензия: метка расползётся по тысячам файлов в больших кодовых базах и может всплыть в аудитах и сделках (The Independent).