19 лет назад начал работать поисковик, в котором на запросы отвечали живые люди. Запросы отправляли по СМС, а на пике активности на сервис ChaCha работало 20 тысяч человек. Вот его история.

СМС-сервис ChaCha был запущен в США в 2006 году. Пользователь отправлял сообщение с запросом на короткий номер и через несколько минут получал ответ. Ответы составляли люди, которых в компании называли гидами: они гуглили, выбирали в выдаче самое релевантное и отправляли ответ в СМС. Гиды работали удалённо, получая в разные годы от 2 до 20 центов за каждый ответ. Слоган сервиса звучал как “People Powered Search” — «Поиск силами людей».

К 2010 году гиды ChaCha отвечали на 3 миллиона вопросов ежедневно. Популярность сервиса объяснялась тем, что мобильный интернет был медленным и дорогим, смартфоны только начали появляться, а многие пользователи предпочитали человеческие ответы машинным.

ChaCha не выдержал конкуренции с новыми технологиями. Как только появились более удобные альтернативы — смартфоны и дешёвый мобильный интернет, — количество СМС-запросов стало падать. Создатели ChaCha пытались адаптироваться к новым реалиям и даже выпустили собственное приложение, но в 2016 году сервис закрылся.

Подписывайтесь 👉 @techno_yandex

🖼 Авторское право в эпоху нейросетей — настоящие дебри

В новом видео пытаемся пробраться через них и понять: так кого же считать автором сгенерированного контента?

Подписывайтесь 👉 @techno_yandex

С каждым вашим промтом нейросеть получает скрытую инструкцию, как на него отвечать. Это системный промт — одна из важнейших составляющих каждого чат-бота. Разбираемся, что происходит там, за кулисами.

Что такое системный промт

Есть два основных вида промтов: пользовательский (его вводите вы) и системный (его разработчик задаёт для нейросети). Также модель видит, что сама писала в ходе диалога с пользователем, и это формально можно считать внутренним промтом. Системный — самый важный, потому что модель обучена считать указания в нём более приоритетными, чем в промте пользователя.

Пользователь обычно не может никак изменить системный промт, хотя часто в настройках чат-ботов есть опция персонализации, в которой можно описать, какими хотелось бы видеть ответы нейросети. Но если LLM работает по API, то разработчик может на своей стороне задать любые инструкции.

Из чего состоит системный промт

🔸 Базовая информация: текущая дата, название модели, данные о том, кем она была разработана.

🔸 Стилистика и стандарты: правила оформления ответов.

🔸 Границы: инструкции, чего нужно избегать.

🔸 Инструменты: доступные функции — поиск, генерация изображений и т. д.

Как посмотреть системный промт

Большинство IT-компании не любят делиться системными промтами: ОpenAI, Google и xAI пытаются хранить их в тайне. Anthropic наоборот открыто публикует системные промты для каждой версии нейросети. Третий подход: в чат-боте от DeepSeek вообще не используется системный промт.

Несмотря на секретность, на GitHub можно найти системные промты почти всех популярных LLM. Их оперативно сливают с помощью промт-инжиниринга, вводя модели в заблуждение хитрыми запросами и заставляя выдать скрытые инструкции.

Как выглядят системные промты

Инструкции для модели пишут обычным языком — так же, как и пользовательские промты. Большую часть объёма обычно занимают инструменты, но самое интересное кроется в стилистических рекомендациях и ограничениях. Вот, например, фрагмент из системного промта Claude Sonnet 4.5, в котором Anthropic задаёт тон общения модели:

Для более непринуждённых, эмоциональных, эмпатичных или консультативных разговоров Claude сохраняет естественный, тёплый и эмпатичный тон. Claude отвечает предложениями или абзацами и не должен использовать списки в лёгкой беседе, если только пользователь специально не попросит список.

Ещё интересный фрагмент, в котором Anthropic пытается пресечь потенциально опасное поведение модели:

Claude заботится о благополучии людей и избегает поощрения либо содействия саморазрушительному поведению, такому как зависимости, расстройства или нездоровые подходы к питанию и физическим упражнениям или крайне негативный внутренний диалог и самокритика.

Подписывайтесь 👉 @techno_yandex

Если верить отчёту State of AI 2025, в ближайшие 12 месяцев сбудутся эти 10 прогнозов.

В какие из них верите вы? Пишите номера в комментариях! И оставляйте свои прогнозы, если следите за индустрией и понимаете, куда она движется.

Подписывайтесь 👉 @techno_yandex

⚒️ Да кто такие эти ваши агенты?

Стив Джобс называл их «маленькими друзьями в компьютере», но понятнее от этого не становится. Объясняем, что делает агента агентом, в коротком ролике.

Подписывайтесь 👉 @techno_yandex

Один из первых сервисов музыкальных рекомендаций позволял пользователям связываться по электронной почте с «искусственным интеллектом», который подбирал музыку на основе предпочтений. Рассказываем про американский сервис Ringo (и пытаемся понять, действительно ли там был ИИ).

Как это работало

Ringo запустился в 1994 году и работал через электронную почту: сначала пользователю нужно было оценить 125 музыкантов из списка по шкале от 1 до 7. Алгоритм анализировал вкусы клиента и затем отправлял регулярные письма с предложениями, что послушать.

Ringo создавал профили музыкальных вкусов по первичному опроснику, сопоставлял их с общей базой пользователей и искал «соседей» по вкусам. И если кому-то нравился новый трек, система отправляла его схожим по предпочтениям людям.

Чат-бот в электронной почте

Ringo вырос из стэнфордского сервиса SIFT для рассылки интересных статей по электронной почте, который работал по тому же принципу. Управлять им можно было текстовыми командами в письмах: пользователь мог подписаться на тему, запросить полную статью или изменить свои предпочтения. Это был почти чат-бот — только он не генерировал текст, а отправлял заранее сформулированные письма.

Работа Ringo также напоминала современных чат-ботов, и со временем многие пользователи начали видеть в нём друга. Создателям сервиса даже пришлось переписать текст, с которым Ringo отправлял рекомендации, чтобы было понятно: вы общаетесь с машиной, а не с человеком.

ИИ или не ИИ

Ringo и SIFT — ранние версии рекомендательных алгоритмов, на современных версиях которых сейчас работают Яндекс Музыка, Netflix и другие сервисы с контентом. Только тогда алгоритм работа на простом принципе коллаборативной фильтрации: «похожим пользователям нравятся похожие объекты».

С каждым новым запросом пользователя Ringo и SIFT начинали лучше его понимать и подбирать для него рекомендации. Также со временем алгоритм обучался и становился лучше — механика сильно напоминает машинное обучение. Главное отличие: в основе не собранные из интернета массивы данных, а специализированные профили людей. Чем больше пользователей — тем лучше алгоритм и тем проще ему найти обладателей аналогичных музыкальных вкусов.

Кстати, сейчас Ringo уже нет: в 1998 году Microsoft купил компанию за $40 млн. В конечном счёте от неё осталась лишь система логина через почту, которая позже стала Microsoft Passport.

Подписывайтесь 👉 @techno_yandex

📼 Sora 2 появилась совсем недавно, но видео с её вотермаркой уже заполонили интернет

В новом ролике тестируем модель на прочность и рассказываем, как OpenAI собирается утопить всех в ИИ-слопе.

Подписывайтесь 👉 @techno_yandex