Интернет, который мы потеряли

Будет ласковый дождь

Наговорить бессвязно — рабочий приём, а не лень

Андрей Карпатый, который в 2026 перешёл в Anthropic в команду претрейна, описал приём из собственной практики. Когда модели не хватает контекста, а печатать лень, он переключается на голосовой ввод и минут десять говорит потоком сознания — без структуры, как выйдет. Смысл не в экономии времени: модели неплохо собирают связное из бессвязного, и пересказ ваших путаных мыслей возвращается к вам чище оригинала.

Меня тут зацепило вот что. Мы годами учились ставить задачу коротко и чётко, и вместе с водой очень часто удаляем контекст. Почему прошлая версия не зашла, что сказал заказчик в коридоре, чем этот канал отличается от соседнего — формулировать всё это неудобно, поэтому в бриф оно не попадает. А потом всплывает на третьей итерации правок. В голос же попадает всё, ровно потому, что вы себя не редактируете на ходу.

Но переносить этот приём на редакцию я бы не спешил, и вот почему.

Карпатый исследует и прототипирует один — вся картина у него в голове, поэтому поток и правда содержит нужное. У редактора половина контекста снаружи: согласования, чужие правки, то, чего заказчик ещё не сказал. Наговорить вы можете только свою половину, а модель соберёт из неё стройную версию неполной картины. Это опаснее очевидно дырявого брифа: связность создаёт ощущение достаточности, и вопросы вы задавать перестаёте.

Проверить такую сборку тоже трудно. Модель не помечает, где ваша мысль, а где правдоподобная подстановка. Вы читаете гладкий текст, узнаёте себя и киваете.

Отдельно про цену. Десять минут речи — это довольно большой кусок текста и примерно две тысячи токенов, и он остаётся в переписке до конца сессии. Каждый следующий ваш вопрос модель читает вместе с ним заново: к двадцатой реплике вы оплатили эти десять минут двадцать раз. Но дороже не деньги, а место. Окно контекста не резиновое, и ваши оговорки лежат в нём рядом с правилами канала. Чем длиннее разговор, тем охотнее модель цепляется за случайную фразу из потока вместо инструкции в скилле. В агентском пайплайне это ещё умножается на каждый шаг цикла.

Отсюда рабочая рамка. Наговаривать — в отдельной сессии, забирать оттуда только сборку, ужимать её руками и приносить в работу абзацем, который вы прочли и одобрили. Проверять при этом не то, что модель оставила, а то, что она выбросила. Ценность приёма не в готовом брифе, а в том, что он вытаскивает из вас причины, которые вы не стали бы печатать. Собеседником модель тут работает отлично. Автором задачи — нет.

#ai #контентменеджерское

Пока лидирует AEO: как попасть в ответы ChatGPT и Perplexity. А говорите не интересно про эти ваши попадания в выдачу нейронок.

Cloudflare выложила в опенсорс свою внутреннюю ОС для агентов

5 августа Cloudflare открыла исходники Cloudflare OS — платформы, которая даёт каждому сотруднику агента и рабочее пространство, собранное вокруг конкретной компании: её терминологии, процедур и внутренних систем. Развернуть у себя может любая организация.

➡️ GitHub

Мне тут интереснее не платформа, а история за ней. Внутри Cloudflare её раздали всем ещё в мае, и пользуются тысячи человек, многие вне инженерных команд. Вместе с агентом они получили общую библиотеку контекста и скиллов: кто-то один находит способ делать работу лучше и этим способом сразу пользуются остальные. Скилл перестаёт быть личной настройкой и становится активом команды, и это, пожалуй, главное изменение из всех.

На первой версии всплыли две вещи. Первая знакома до боли: даже полностью предсказуемые задачи требовали заново поднимать агента и жечь токены там, где хватило бы обычного скрипта. Вторая серьёзнее и вылезла на совместной работе. Доступ к MCP-серверу говорит, какие инструменты агент может вызвать, но не говорит, какие данные он при этом увидел. Как только люди начали делиться пространствами и результатами, через них поехало то, что коллеге видеть не полагалось. Решение получилось изящным: система записывает каждый ресурс, который агент прочитал, история остаётся привязанной к его работе, и когда результат открывает другой человек, проверяется уже его доступ к исходным данным.

Вот это и стоит забрать. Контекст-инжиниринг мы обычно обсуждаем как вопрос качества: как написать скилл, чтобы модель работала лучше. Здесь виден второй слой, про который почти не говорят — вопрос доступа. Агент с ключами к базе знаний видит непубличные материалы и неанонсированные релизы, потом собирает из них пост, и человек на другом конце получает то, к чему сам допуска не имел. Пока агенты работали поодиночке, это была теоретическая проблема. С момента, когда результаты начинают ходить по команде, она становится вполне рабочей.

Оговорка при этом простая: это релиз Cloudflare про инфраструктуру Cloudflare. Разворачивается в их аккаунт, завязано на их Workers и Access, кастомизацию продают партнёры. Опенсорс тут скорее способ раздать платформу, чем отдать её. Поэтому смотреть я бы советовал не на код, а на постановку задачи — агент как общий актив компании, скиллы как коллективное знание, доступ как часть платформы, а не забота автора промпта. Эти три вещи переносятся куда угодно, независимо от того, на чьей инфраструктуре вы живёте.

#ai

Не по теме канала, но лучшее по колобку

Не по теме канала, но закат в Филинской бухте

Ассистенты расходятся не на проценты, а принципиально

Месяц назад по отчёту Similarweb я писал, что ИИ-поиск фрагментируется: доля ChatGPT в вебе просела с ~76% до ~53%, Gemini подобрал разницу. Открытым остался вопрос: расхождение между ассистентами — это разница в оттенках или разные ответы? Появились цифры — это разные ответы.

Вышел AI Software Index 2026: 126 категорий софта, 1825 брендов, 9978 ответов (5023 у ChatGPT, 4955 у Gemini). Около 80 покупательских формулировок на категорию — «какая CRM лучше для малого бизнеса», «я фрилансер, нужен биллинг». Собирали 6 августа в живых веб-приложениях, а не через API.

В каждой третьей категории два ассистента называют разный продукт №1.

Что ещё в цифрах:

→ ChatGPT, рекомендуя продукт, в 53% случаев ссылается на сайт самого продукта. Gemini — в 13%, остальное тянет со сторонних страниц, часто из блогов других софтверных компаний.
→ Один и тот же бренд забирает от 34% до 90% ответов в зависимости от того, сказал покупатель «я фрилансер» или «мы энтерпрайз».
→ Британская и американская формулировка одного вопроса меняют лидера примерно в половине измеримых категорий.
→ Присутствие ≠ победа: HubSpot в 19 лидербордах — три победы. Salesforce: 13 и ноль. QuickBooks: 7 и пять.
→ Где-то ответ забетонирован: GitHub первый в 91% ответов про CI/CD, Shopify — в 84% про e-commerce, Miro — в 83% про доски.

Дисклеймер: индекс выпустила GetIntel, которая продаёт мониторинг ИИ-видимости бренда. Исследование ровно про ту проблему, которую она монетизирует. Методология самопубликуемая, срез однодневный, «победа» = первый упомянутый в ответе бренд.

Что с этим делать

Разрыв 53% против 13% — это две разные задачи, а не одна. Для ChatGPT ваш сайт и есть источник: документация, сравнения, цены, сценарии. Вопрос только в том, есть ли там что вынуть. Для Gemini вашего сайта почти не существует, работает то, что о вас написали снаружи.

Каталоги отзывов на этом фоне выглядят бледно: 5% на троих против отраслевых медиа и живых обсуждений.
Ответ собирается под роль покупателя. Разброс от 34% до 90% значит, что нужны страницы и абзацы, где роль названа его словами, а не вашими сегментами из презентации.

И поправка к тому, что я советовал в прошлый раз. Я предлагал прогонять 20–30 запросов в месяц и вести реестр упоминаний. Этого мало. Когда одна смена роли двигает бренд на 56 пунктов, тридцать запросов дадут красивое, но случайное число. Мерить надо матрицей: базовая формулировка × роль × локаль. И смотреть не среднее, а размах. Большой размах означает, что позиции у вас нет — есть лотерея. И чинится это не подгонкой под ответ, а плотностью и извлекаемостью того, что модель о вас находит.

Под извлекаемость я недавно выкладывал скилл aeo-trust-blocks: аудит cite-safety и переработка текста в самодостаточные блоки. Индекс объясняет, зачем он нужен. В половине случаев ChatGPT подтверждает рекомендацию вашей же страницей. Если на ней нечего процитировать — подтверждать нечем.

#geo #ai

Контент Claude теперь помечен. И это не новость про списывающих студентов

11 августа Anthropic подтвердила, что маркирует контент, который создают с помощью их моделей. Не видимой плашкой, а маркерами внутри . На следующий день TechCrunch вышел с материалом о том, как на это реагируют в реддите: заголовок про пользователей, которые злятся, потому что их поймают на работе и на учёбе. Но интереснее реакций механика.

Что сделали:

— причина - кодекс прозрачности в рамках EU AI Act, вступил в силу 2 августа. Требует помечать сгенерированный или отредактированный ИИ контент так, чтобы метку читали другие системы. Подписанты не только Anthropic.
— все модели, вышедшие после 2 августа, метят и текст, и файлы. Для файлов — открытый стандарт C2PA.
— метка ставится на уровне модели. То есть она есть везде, откуда бы текст ни вышел: API, чат, Claude Code, Cowork, Tag.
— метка едет вместе с текстом при копировании и, по формулировке справки, может пережить часть правок. Сколько правок её снимают не уточняется.
— на старые модели поддержку обещают дораскатить.

Претензии делятся на две неравные части. Одна честная: модели учили на чужих текстах, никого не спрашивая, а теперь метят своё. Ирония тут есть. Вторая сводится к «меня поймают», но подаётся как защита невинных: студент, попросивший переставить абзац, журналист, попросивший конспект стенограммы. Только конспект с меткой становится проблемой ровно в одном случае: если его вставляют в статью как свой текст. Тогда проблема не в метке. Показательно, что в тех же тредах большинство комментаторов встало на сторону маркировки.

Что меняется у редакции

Предупреждать, что вы генерируете с помощью ИИ перестало быть вашим решением. Раньше «говорить ли заказчику, что черновик собрал агент» было вопросом договорённостей и совести. Теперь это свойство файла. Вопрос только в том, узнает заказчик об этом от вас или без вас.

Стилевые детекторы съезжают на второй план. Я рассказывал про свой слой проверок на GitHub Actions — там среди прочего скрипт считает плотность тире и ищет следы машинного текста. Это эвристика, она угадывает по стилю. Метка не угадывает, она в источнике. Значит, такие детекторы перестают быть ответом на вопрос «писал ли это ИИ» и остаются тем, чем и должны быть, — проверкой качества, а не происхождения.

Асимметрия, которую легко упустить. Наличие метки — сильное свидетельство. Отсутствие не значит ничего: метят не все и не везде, старые модели дораскатывают, локальные модели никто не обязывает. Любая проверка сотрудников или студентов «на ИИ» по этому принципу будет ловить одних и пропускать других. Строить такие процедуры начнут уже осенью, а границы у метки пока нет.

И к тому, о чём уже писал

В манифесте контент-опса у меня стояла строчка: ответственность за выпущенное важнее скорости выпуска. Тогда это была позиция. Теперь у неё появился технический носитель — происхождение едет вместе с текстом и доезжает до читателя.

А ещё я обещал развернуть content sec ops. Вот его первый слой, и он не про доступы агента к базе знаний, а про провенанс: знаем ли мы, что именно в материале сгенерировано, зафиксировано ли это где-то помимо головы редактора, и что мы отвечаем, когда спросят. Редакция с логом пайплайна ответит за минуту. Таких пока мало.

Что имеет смысл сделать на этой неделе: записать в редполитику, где вы используете генерацию и что сообщаете об этом клиенту. Одна страница, до того как вопрос прилетит снаружи.

#ai #contentops

В календари: комьюнити‑конференция Kuber Conf от АОТ пройдёт 22 октября. Будем говорить про экономику платформ и облачные технологии для AI.

АОТ — это VK Cloud, Yandex Cloud и Флант.

Подробности на Хабре.

Пятница, дамы и господа.

Не забывайте классику! Только надо еще про «сделай нейросетью» добавить.

Прочитал у Базы, что в Москве разработчика заподозрили в прохождении собеседования с помощью ИИ. И теперь СБ, как там написано "крупной ИТ-компании", на полном серьёзе присылает список вопросов, среди которых есть "знакомы ли Вам программы Codex и ShadowHint".

Интересно, как можно в августе 2026 года разработчику не знать, что такое Codex? И что это за ИТ-компания такая, что не пользуется тем, о чём спрашивает.
При этом логику безопасников я понимаю. Собеседование — проверка человека, а не его подписок. Если кандидат сидит с суфлёром в оверлее, вы нанимаете не инженера, а чужой инференс с задержкой в полсекунды. Это честная проблема, и она реально выросла за последний год. А если он ещё и использует ИИ вне контура и без разрешения, сливая туда код, то это уже прямая дыра в ИБ.

Но кажется, что разработка без ИИ в 2026 — это не безопасность, это утопия. Причём утопия задним числом: она описывает мир, которого уже нет, и предлагает нанимать людей, как будто он ещё есть.

То есть при найме должны быть другие вопросы уже. Не ответь на базовые вопросы, а объясни, что вот эта штука делает, и почему ты оставил её именно так. Тридцать минут разговора по чужому коду закроют вопрос понимания профпригодности человека. В собеседованиях на контентные позиции такая же проблема, кстати. Просить написать текст уже кажется очень глупой задачей на тестовое.

А при работе запрещать ИИ, потому что ИБ. Ну удачи... Это как запрещать пользоваться смартфоном уже.

Короче, любопытный кейс. Интересно, напишут ли чем закончилась проверка.

Проверка, которую агент не может пропустить

Готовил доклад про контроль качества в своей фабрике агентов и поймал себя на мысли: самый недооценённый слой в ней — хуки. Про промпты пишут все, про хуки почти никто.

Проблема, из которой они выросли. Долго все мои проверки жили в промптах: правила в контексте, субагент-фактчекер, редакторская вычитка. Они работают, но у этого доверия есть слепое пятно: проверка случается, если агент про неё «вспомнил», если правило доехало до контекста. А когда не сработало, узнаёшь уже на вычитке.

Хук устроен иначе. Это скрипт, который среда запускает сама на событие. Агент его не вызывает, а значит не может забыть, пропустить или уговорить себя, что в этот раз можно без проверки.

Что у меня стоит на хуках:

→ Записал файл — запустился линтер. Невидимые Unicode-символы, самоидентификация модели в тексте: запись возвращается агенту с текстом ошибки, и он сам переписывает файл. Человека в этом цикле нет вообще.
→ Завершение хода: анонсировал — приложи. Модель любит написать «запускаю фактчекера» и не запустить: слова есть, работы нет. Хук проверяет, что за словами стоит реальный вызов.
→ Перед веб-поиском хук сверяется с кэшем исследований. Если то же самое уже искали, агент в сеть не идёт. Это уже не про качество, а про деньги, но механика та же.

И одно правило, без которого всё это умирает: при собственном сбое хук обязан пропустить работу дальше и ничего не блокировать.

Главное отличие от проверок в промптах сформулирую так: промпт — это просьба, хук — это физика. Раньше на вопрос «а точно ли всё проверилось» отвечала моя вера в процесс. Теперь отвечает сам процесс.

#ai_agents #contentops

Давно хотел ввести новую более менее постоянную рубрику про полезные плагины — #ai_plugin

Начнём с максимально полезного — diagram-design — это новое дополнение к Claude Code, Codex и Pi. Уже 3,3 тысячи звёзд на GitHub, раздаётся бесплатно, лицензия MIT.

Что оно умеет

38 видов схем. Есть таймлайн, воронка, пирамида, квадрант «важность / трудозатраты», оргструктура, диаграмма Венна, столбики, линии, Гант. Всё, что обычно нужно в статье, лендинге или презентации.

Каждая схема — в трёх версиях: светлая, тёмная и «журнальная» с подписями-карточками. Файл открывается в браузере без установки чего-либо ещё и выгружается в PNG или SVG. Можно унести в статью, в слайды или отдать дизайнеру.

Главное — подстройка под ваш стиль

Пишете: «возьми фирменный стиль с такого-то сайта». Инструмент открывает главную страницу, находит цвета и шрифты, показывает, что предлагает применить, и ждёт вашего «да». Фон сайта становится фоном схемы, цвет кнопки — цветом акцента, ваш основной шрифт — шрифтом подписей.

Заодно проверяет читаемость: если фирменный цвет на мелком тексте плохо виден, предлагает подправить и объясняет, почему.

И приятная мелочь: при первом запуске в новом проекте он останавливается и спрашивает — настроить стиль или рисовать в дефолтном. Молча выдать безликую картинку не даст.

Автор зашила свой редстандарт: один акцентный цвет, один-два элемента, на которые читатель должен посмотреть первыми, тонкие линии, никаких теней. Целевая плотность — 4 из 10. Принцип: каждый блок должен заслужить своё место.

DeepSeek открыл свой харнесс. За неделю вокруг него собрался каталог из 97 плагинов

Сначала база, потому что «харнесс» стало жаргоном, а объясняют его редко.

Модель — это функция «текст → текст». Она не умеет читать ваш репозиторий, запускать тесты, разбирать чужой стектрейс, откатываться после падения и продолжать работу на сороковом шаге. Всё это делает обвязка: агентный цикл, набор инструментов, системные промпты, права доступа, компакция контекста, песочница, логирование. Это и есть харнесс. Claude Code — харнесс. Модель — мозг, харнесс — руки, глаза и правила игры.

Отсюда следствие: цифра на агентном бенчмарке — это результат связки модель+харнесс, а не только свойство модели.

13 августа DeepSeek выложил Harness v0.1 в developer preview. MIT, пакет @deepseek-ai/dsh в npm, запуск одной строкой, веб-морда на 127.0.0.1:3080. За двое суток — больше 95 тысяч звёзд.

Как устроено

Главный принцип — «всё есть плагин». В обычном агенте ядро зашито: разработчики решили, какая модель, какие инструменты, как выглядит интерфейс, — а вы дописываете что-то по краям. Здесь сменное всё: модель, инструменты, скиллы, сессии, песочница, работа с файлами, сам цикл агента и интерфейс. Меняется конфигом, лезть в исходники не надо. Ставите и снимаете плагины на ходу, без перезапуска и без мусора после них — за это отвечает Cordis, микроядро под капотом.

Работать можно в четырёх режимах. Standard — обычный полноценный агент. Minimal — всего два инструмента, режим для замеров на бенчмарках. Creator — чтобы собрать свою сборку. И Code — самый любопытный.

Про Code стоит объяснить отдельно. Обычно агент дёргает инструменты по одному, и результат каждого целиком уезжает в контекст. Поиск нашёл сорок файлов — все сорок путей в контексте. Прочитали эти сорок файлов — ещё сорок портянок текста, которые модель перечитывает на каждом шаге. В Code-режиме модель вместо этого пишет маленькую программу, харнесс запускает её целиком, и назад приходит только итог — три строки вместо восьмидесяти простыней. Экономия контекста огромная. Минус — программу надо написать без ошибок с первого раза: если ошибётся, упадёт вся, а не один шаг.

И третье — всё пишется. Правило простое: что увидела модель, то и записано. В лог попадают промпты, рассуждения, вызовы инструментов и их результаты, каждая подгрузка контекста. Из этой записи можно продолжить сессию, ответвиться от любой точки, найти нужный момент и проиграть заново. Кто хоть раз пытался понять, почему агент на тридцатом шаге снёс тесты, оценит.

Что произошло за неделю

Появился каталог того, что успели написать под dsh. 97 плагинов, CC0, семь категорий, свой сайт и бейдж. У самого каталога 54 звезды — это ещё заявка на роль справочника, не справочник. И читать «97 плагинов» как «97 независимых авторов» не стоит: больше трети позиций — репозитории одной организации, omdsh-dev.
Показательно, за что взялись в первую очередь. Три плагина решают одну проблему — контекст:

→ dsh-context-doctor — аудит инъекций, токен-стоимость цепочек инструкций, каталогов скиллов и схем инструментов, детект дублей и конфликтов
→ dsh-tool-search — выдача схем инструментов по требованию вместо загрузки всех сразу
→ dsh-agent-budget — бюджет токенов на дерево агентов

И самый интересный плагин в списке: dsh-chat-import — тянет истории из Claude Code, Codex, ChatGPT и Cursor и превращает их в возобновляемые сессии dsh. Экосистема прекрасно понимает, откуда приходят люди.

Прежде чем идти ставить
Отбора в каталоге нет: пул-реквест — это одна строка в двух README, английском и китайском. Ни ревью качества, ни аудита безопасности. При том что часть плагинов лезет в файловую систему, в базы и в управление компьютером. Кстати, искать плагины можно и мимо каталога — по тегу dsh-plugin.
Сам харнесс — v0.1, и в README капслоком обещаны ломающие изменения. Писать плагин под dsh сегодня — не «поставил и забыл», а подписка на чужой рефакторинг.

Подробный разбор архитектуры и таблица по всем лабам, у которых уже есть свой харнесс, — есть на Хабре.

#ai #ai_plugin