Для меня некоторое назад довольно актуальным стал вопрос: а какой framework взять для разработки агентов? Просто их такое количество появляется, каждый из которых заявляет все больше и больше магии, что просто становится страшно, что возьмешь не то, а потом будешь тратить время на то, что умные люди давно уже автоматизировали.

Некоторое время даже провел небольшой research в виде чтения обзоров и опроса ближайших коллег и пришел к выводу: брать надо LangChain/Graph + LamaIndex и это будет наиболее работающая связка не самая "модная" но надежная, подходящая для прода и с довольно развитой экосистемой библиотек и знаний.

Я даже хотел написать об этом отдельный пост, но автор этой статьи сделал все намного более взвешенно и математически доказуемо, придя к тем же выводам.

https://habr.com/ru/articles/953226/

Opera запустила браузер Neon с поддержкой AI-агентов

Вместе с выпуском Comet в паблик подоспела и Opera (олды должны помнить этот замечательный браузер). Neon — новый «агентный» браузер, который не просто отображает страницы, а помогает пользователю выполнять задачи в интернете.

Neon позиционируется как «agentic browser» — браузер, который понимает намерения пользователя и может выполнять действия от его имени.

В него встроены несколько режимов:
- Tasks — рабочие пространства, где браузер управляет несколькими вкладками в контексте одной задачи.
- Do (Neon Do) — агент, который может самостоятельно переходить по страницам, заполнять формы, открывать и закрывать вкладки, сравнивать данные и даже совершать покупки или бронирования — прямо в браузере.
- Make — можно попросить Neon создать сайт, отчёт, код или медиа по описанию.
- Cards — сохраняемые шаблоны команд и рабочих процессов, которые можно запускать повторно.

Opera подаёт Neon как ориентированный на приватность продукт: основные данные и действия обрабатываются локально, без передачи в облако. Компания утверждает, что пользовательские данные не используются для обучения ИИ.

Очевидно, что Opera вступает в гонку с другими агентными браузерами — такими как Perplexity Comet, Dia или грядущее AI-расширение Chrome + еще помним что OpenAI купила браузер, так что скоро будет из чего выбирать, и только старый добрый Internet Explorer остается верен своей изначальной концепции конца 90-х годов :)

https://www.reuters.com/technology/opera-launches-neon-ai-browser-join-agentic-web-browsing-race-2025-09-30

Amazon продолжает задавать стандарты для маркетплейсов: компания представила Seller Assistant с агентными ИИ‑возможностями. Это не просто чат-бот — ассистент умеет рассуждать, планировать и выполнять действия по разрешению продавца. Решение объединено с глубокой экспертизой экосистемы Amazon, переводя поддержку из формата “ответ на вопрос” в активное партнёрство, которое помогает продавцу 24/7.

Функционально ассистент покрывает весь цикл продаж: оптимизацию FBA‑инвентаря (предотвращение долгосрочных storage‑fee, балансировка поставок и снижение out‑of‑stock), здоровье аккаунта (раннее выявление рисков и регуляторных предупреждений), навигацию по комплаенсу (UL, продуктовая безопасность и документы), генерацию рекламных креативов через и анализ продаж/BI с проактивными планами роста. Важно, что акцент сделан именно на сценарии “со стороны продавца”: доступ к операционным данным, автоматизация рутинных решений и объяснимость предлагаемых действий.

При этом на рынке формируется другой тренд — агенты “покупателя”. Это системы, которые оптимизируют поиск и выбор товаров под цели и ограничения пользователя: от цены и сроков доставки до качества и комплаенса, а также умеют вести переговоры/рекомендации и настраивать персональные промо.

Интрига в том, как изменится экономика, когда продавцы и покупатели начнут массово взаимодействовать через агентов. Возможно, мы увидим более прозрачные и динамические цены, программируемые промо, быстрые согласования требований (качество, сертификация, SLA доставки), а также снижение транзакционных издержек и рост конкуренции на уровне “модель ↔ модель”. Это приведёт к новому витку эффективности маркетплейсов — и переосмыслению того, где создаётся ценность: в продукте, в данных или в стратегиях, которые исполняют агенты.

https://www.aboutamazon.com/news/innovation-at-amazon/seller-assistant-agentic-ai

Дайджест статей

Хранилище данных с синхронизацией близкой реальному времени
- https://habr.com/ru/articles/955728/
- Статья рассказывает о создании системы хранения данных с возможностью синхронизации, приближенной к реальному времени, и рассмотрении технологических решений для достижения высокой скорости обмена данными.

Introducing RTEB: A New Standard for Retrieval Evaluation
- https://huggingface.co/blog/rteb
- Статья представляет новый стандарт оценки систем поиска информации под названием RTEB, направленный на улучшение сравнения и воспроизводимости результатов.

GlowByte представляет новое российское BI-решение для корпоративной аналитики Sigla Vision
- https://habr.com/ru/companies/glowbyte/articles/953770/
- Компания GlowByte разработала и представила отечественное бизнес-аналитическое решение Sigla Vision, предназначенное для корпоративной отчетности и визуализации данных.

Сапёр в эпоху LLM: Создание Text-to-SQL агента для базы данных SAP ERP
- https://habr.com/ru/articles/954712/
- Статья рассказывает о разработке интеллектуального агента, использующего большие языковые модели для преобразования текстовых запросов в SQL-команды на примере работы с базой данных SAP ERP.

ClickHouse — must-have для аналитика
- https://habr.com/ru/companies/nlmk/articles/838898/
- Статья рассказывает, почему ClickHouse является незаменимым инструментом для аналитиков, раскрывая его преимущества в обработке и анализе больших объемов данных.

BI в закрытом контуре: технические вызовы развертывания и эксплуатации
- https://habr.com/ru/companies/modusbi/articles/954862/
- Статья описывает основные технические сложности, с которыми сталкиваются при внедрении и обслуживании систем бизнес-аналитики (BI) в изолированных корпоративных средах без доступа к интернету.

Пришли времена личных хранилищ данных
- https://habr.com/ru/companies/ruvds/articles/954478/
- Статья рассказывает о преимуществах и необходимости личных хранилищ данных на фоне растущих рисков утечки и централизации информации.

Converting Unstructured Data into a Knowledge Graph Using an End-to-End Pipeline
- https://levelup.gitconnected.com/converting-unstructured-data-into-a-knowledge-graph-using-an-end-to-end-pipeline-552a508045f9
- Статья описывает, как с помощью сквозного пайплайна преобразовать неструктурированные данные в граф знаний, автоматизируя процессы извлечения, обработки и связывания информации.

Context Engineering for AI Agents: The Complete Guide
- https://medium.com/@khanzzirfan/context-engineering-for-ai-agents-the-complete-guide-5047f84595c7
- Статья представляет собой подробное руководство по инженерии контекста для ИИ-агентов, объясняя, как правильно подбирать и структурировать информацию для повышения качества их работы.

Data as a Product: Applying a Product Mindset to Data at Netflix
- https://netflixtechblog.medium.com/data-as-a-product-applying-a-product-mindset-to-data-at-netflix-4a4d1287a31d
- Статья рассказывает о том, как Netflix применяет продуктовый подход к данным, рассматривая их как полноценный продукт для повышения ценности и эффективности бизнес-решений.

Я довольно далёк от практической биологии, поэтому фраза из статьи — «люди где‑то покупают генетические последовательности» — меня сначала удивила. Слабо представляя сам процесс, я тем не менее с большим интересом прочитал материал о том, как ИИ сегодня используется для «красного тиминга» в биобезопасности: оказывается, модели способны предлагать варианты токсинов, которые сохраняют вредные функции, но становятся невидимыми для текущих систем скрининга при заказе ДНК.

Эта история хорошо показывает, что ИИ давно вышел за рамки диалоговых ассистентов. Речь идёт о генеративных системах, которые проектируют белки и последовательности, оптимизируя их под конкретные цели. Когда такие модели находят «нулевые‑день» уязвимости в защитных механизмах — это уже не просто академическое упражнение, а реальная проверка устойчивости инфраструктуры биобезопасности.

Мы стоим на пороге трансформации биологии и генетики: одни и те же методы позволяют ускорять разработку лекарств и терапий, но одновременно создают новые поверхности риска. Выгоды огромны — от более точной диагностики до синтетической биологии и персонализированных вмешательств. Опасности тоже серьёзные — от обхода фильтров до появления молекул, которые традиционные детекторы не видят.

Вывод для тех, кто, как и я, приходит к этому из мира технологий: биология становится «програмируемой», а guardrails должны быть многоуровневыми — не только на стороне поставщиков ДНК, но и внутри самих ИИ‑платформ. Это не повод паниковать, но повод признать новую реальность и работать над зрелой экосистемой безопасности, которая успевает за скоростью прогресса.

https://www.technologyreview.com/2025/10/02/1124767/microsoft-says-ai-can-create-zero-day-threats-in-biology/

Если кому то не спится - то вот тут стрим 11-го запуска Starship

https://www.youtube.com/live/7bcpnn_PO-A?si=z7t1P3Vbl7Hz6stz

Мы привыкли думать, что «лучший ИИ = лучшие результаты». MIT Sloan проверили это на практике и выяснили: только половина прогресса действительно приходит от новой модели. Остальное — от того, как мы пишем промпты. В эксперименте с DALL·E 3 люди стали формулировать запросы длиннее и точнее — и именно это дало заметную прибавку. А автоматическое переписывание промптов без ведома пользователя, наоборот, сильно ухудшило качество.

https://mitsloan.mit.edu/ideas-made-to-matter/study-generative-ai-results-depend-user-prompts-much-models

ну вот это уже ход конем

Кроме чипов в ход идет и секс. Сэм Альтман сообщил, что с декабря будет доступен секс контент в ChatGPT.

Как говорится, если хочешь больше людей привлечь на свою площадку и удержать их, то дай им всего несколько вещей: секс, деньги и драму.

OpenAI старается показать своим инвесторам хоть что-нибудь.

Если вы что то хотели прочитать про LLM просто прочитайте этот 277-ми страничный документ :)
На самом деле очень хорошая "дисциляция" всей сути алгоритмов и математики

https://arxiv.org/abs/2501.09223

Друзья, привет! Небольшой анонс от нашей редации. Мы хотим что бы этот канал был про управление данными, про инженирию данных и подобные инженерные технологические вещи.

Тем не менее современные реалии так же требуют уделять все больше внимания ИИ в части его трансформации, бизнес применения и связаных с ними вещами.

Поэтому мы вместе с командой СберТеха запускаем новый проект: Телеграм-канал AI Inside.

Он станет точкой притяжения всех, кто смотрит на ИИ как на рабочий инструмент, а не на хайп. Мы фокусируемся на практическом применении искусственного интеллекта в бизнесе.

Что вас ждет в AI Inside:
🔹 Глубокие разборы реальных кейсов внедрения ИИ-инструментов
🔹 Анализ технологий без воды, с фокусом на измеримый результат
🔹 Инсайды, которые помогут принимать взвешенные решения по внедрению ИИ

Мы создаем пространство для глубокого, профессионального разговора о рабочих инструментах и подходах, которые уже доказали свою эффективность.

Присоединяйтесь к каналу! Буду рад видеть вас там!

Иногда самые вдохновляющие тексты — не про ИИ, а про инженерную практику. Прочитал разбора Raptor от SpaceX и поймал важную мысль: не обязательно делать «лучшее в мире» по всем метрикам. Важно сделать «наилучшее для своей задачи».

Raptor — не рекордсмен по всем показателям. Он не самый мощный (F‑1 сильнее), не самый экономичный (RS‑25 эффективнее), и уже случались отказы. Но для миссии Starship — многоразовой системы с десятками двигателей, метаном, высоким давлением в камере и возможностью производить топливо на Марсе — Raptor оказался «идеально подошедшим» решением.

Ключевой урок для нас, продуктовых и инженерных команд:
- Оптимизируй под контекст, а не под абстрактные «лучшие» метрики.
- Прагматичная архитектура побеждает перфекционизм: полный газовый цикл, чистое сгорание метана, управляемость и повторное использование — ровно те свойства, которые нужны системе, а не всем возможным системам.
- «Лучшее решение» почти всегда кастомное: оно рождается из ограничений, целей и среды эксплуатации.

Стоит помнить: делать технологию, которая «удивит мир», и делать технологию, которая выполнит миссию — это разные стратегии. SpaceX выбрала вторую и задала стандарт инженерного прагматизма. Нам — на заметку.

https://prokosmos.ru/2025/08/28/naskolko-idealen-raketnii-dvigatel-raptor-polnii-razbor

Дайджест статей

To Cache or Not to Cache
- https://newsletter.systemdesignclassroom.com/p/to-cache-or-not-to-cache
- Статья объясняет, в каких ситуациях стоит использовать кэширование, а когда оно может быть неэффективным или вредным, приводя практические примеры и рекомендации по проектированию систем.

Какой табличный формат LLM понимают лучше всего? (Результаты по 11 форматам)
- https://habr.com/ru/articles/955778/
- Статья рассказывает о сравнительном исследовании 11 различных табличных форматов и определяет, какие из них лучше всего воспринимаются крупными языковыми моделями (LLM).

Что я вынес из Oxford Machine Learning Summer School 2025
- https://habr.com/ru/articles/956138/
- Автор делится личным опытом участия в Летней школе машинного обучения в Оксфорде 2025 года, рассказывает о лекциях, проектах и ключевых мыслях, которые он почерпнул из мероприятия.

ClickHouse уже не один: StarRocks показывает, что lakehouse-аналитика может быть проще и быстрее
- https://habr.com/ru/articles/956334/
- В статье рассматривается, как система StarRocks предлагает более простую и быструю альтернативу ClickHouse для аналитики lakehouse-данных.

Экспертная система в отраслях: почему человеческий фактор остается ключевым
- https://habr.com/ru/articles/957100/
- Статья рассказывает о том, почему, несмотря на развитие экспертных систем в различных отраслях, человеческий фактор по-прежнему играет решающую роль в принятии решений и обеспечении качества работы.

Indexing Across Data Models: Tables, Documents, and Text
- https://dzone.com/articles/data-model-indexing-tables-documents-text
- Статья рассматривает принципы и различия индексирования данных в различных моделях — табличной, документной и текстовой — для повышения эффективности запросов и поиска информации.

When Dimensions Change Too Fast for Iceberg
- https://www.dataengineeringweekly.com/p/when-dimensions-change-too-fast-for
- Статья рассказывает о проблемах, возникающих при слишком быстром изменении размерностей данных в аналитических системах и о том, как это плохо сочетается с форматом таблиц Apache Iceberg.

Галлюцинации LLM: запретить нельзя использовать
- https://habr.com/ru/articles/947964/
- Статья рассматривает проблему галлюцинаций языковых моделей, обсуждая потенциальные риски их использования и возможные подходы к решению этой проблемы.

Python 3.14 — быстрее, но не революция

Большая новость прошлой недели — релиз Python 3.14, в котором снова сделали упор на производительность. Python традиционно критикуют за медлительность, но при этом скорость разработки в нем часто компенсирует скорость выполнения.

А теперь к сути: насколько же он реально быстрее?

Согласно тестам Мигеля Гринберга, прирост над 3.13 есть, но умеренный. Переломным моментом остается версия 3.11 — именно тогда Python стал ощутимо быстрее, а дальше идет уже органический рост.

Что показали бенчмарки:
- Fibonacci — примерно +27% к скорости относительно 3.13
- Bubble sort — улучшения есть, но незначительные
- Free-threading (FT) в 3.14 работает заметно лучше: Fibonacci (4 потока): примерно 3.1 раза быстрее стандартного 3.14 (в 3.13 было 2.2 раза). Bubble (4 потока): примерно 2 раза быстрее
- JIT-интерпретатор пока без ощутимой пользы — на рекурсии (Fibonacci) прироста нет, на итерации (bubble) эффект небольшой и непоследовательный
- PyPy по-прежнему монстр — до 18 раз быстрее CPython, местами быстрее Node

Разница между Linux и macOS есть, но соотношения стабильны — macOS иногда чуть быстрее.

Вывод: переходить на 3.14 специально ради скорости не обязательно. Но если вы все еще на 3.10 или ниже — обновляйтесь хотя бы до 3.11. Именно с нее Python стал по-настоящему пригоден для нагруженных задач.

https://blog.miguelgrinberg.com/post/python-3-14-is-here-how-fast-is-it

Хотел написать что нибудь умное про сегодняшнее историческое падение AWS, но просто оставлю это здесь :)

Очень хорошая статья на Хабре про фреймворк CrewAI — наконец-то понятно объяснено, как устроена оркестрация LLM-агентов на инженерном уровне.

Суть CrewAI проста: это конструктор промптов, который превращает описанных в коде агентов в запросы к LLM и управляет их взаимодействием. Разработчик описывает агентов как классы — с ролями, задачами и инструментами. Фреймворк под капотом превращает эти определения в промпты, отправляет их в модель, следит за исполнением и оркестрацией. То есть ты пишешь код, а CrewAI делает всю работу по генерации и управлению промптами.

Фреймворк поддерживает два основных режима работы.
В sequential процессе задачи выполняются строго по порядку, как в конвейере. Это детерминированный пайплайн, где каждая задача закреплена за конкретным агентом.
В hierarchical процессе появляется менеджер-агент, который сам анализирует задачи и доступных исполнителей, распределяет работу и управляет процессом. Это уже гибкая структура, где принятие решений переносится внутрь самой системы.

Из коробки CrewAI решает многие вспомогательные задачи, о которых обычно приходится думать вручную:

• Memory — сохранение и передача контекста между шагами.
• Entity Memory — извлечение и хранение сущностей (людей, мест, концепций).
• Callbacks — возможность встроить свою логику в процесс выполнения, например для логирования, мониторинга или внешних интеграций.

В целом, CrewAI делает шаг в сторону того, чтобы оркестрация LLM перестала быть магией промптов и стала прозрачным инженерным паттерном. Он делает с агентами то же, что FastAPI когда-то сделал с API: описываешь структуру декларативно — получаешь готовый управляемый runtime.

https://habr.com/ru/articles/957384/

Коротко о новостях

Коллеги, не пропустите очередное мероприятие! Как показывает практика - оффлайн формат без записи и стриминга располагает к очень интересным обсуждениям и новым инсайтам. Воспользуйтесь! highly recommended :)

VTORNIK.Вечер #3

28 октября, с 19:00 до 21:00 мы приглашаем на третье мероприятие в серии. Оно пройдет офлайн и будет посвящено тому, как подходить к внедрению AI в корпорациях. В этот раз вас ждет следующая программа:


1. Дорожная карта ИИ: от быстрых побед к экосистеме и новым возможностям

Спикер: Иван Дашкевич, Владелец ИИ-интегратора Octobrain и Главный архитектор Finam Flow – мультиагентного корпоративного ИИ компании Finam. Совладелец, главный архитектор и ключевой разработчик Lia Chat — системного решения для автоматизации первой и второй линии поддержки.

2. AI-First Трансформация. Почему главный барьер — не технологии,
а мышление лидеров

Спикер: Денис Реймер, Основатель и CEO Reymer Digital. В прошлом:
- Вице-президент ГК ЛАНИТ (LANIT-BPM, CleverDATA, DTG)
- Директор по продуктам B2B и инновациям, ЭР-Телеком Холдинг
- Член совета директоров банков и технологических компаний

Executive MBA, IoD Certified Director.


Место проведения: Офис наших партнеров — компании «Virtu Systems». м. Кропоткинская / м. Полянка, Берсеневская наб., 6, стр. 2, Москва, 3-й этаж.

Мероприятие бесплатное. Регистрация обязательна. Количество мест ограничено.

Будем рады всех видеть!