Нейроскуф | Про Нейросети&AI

🐱 Как решить проблему короткой памяти у Claude Code и терминальных агентов

Главный недостаток большинства ассистентов для разработки - отсутствие памяти между сессиями. Закрыл окно терминала, запустил заново - и модель напрочь забывает, какие архитектурные решения принимались два часа назад, где остались незакрытые хвосты и почему мы отказались от конкретной библиотеки. Снова скармливать файлы целиком - пустая трата контекста.

Эту проблему решает Memora - открытая система долговременной памяти для локальных агентов.

Вместо раздувания системного промпта инструмент поднимает локальную базу SQLite и связывает ключевые сущности через векторный поиск. Агент сохраняет факты, задачи и историю правок прямо по ходу работы в проекте.

На старте новой сессии модель делает точечный запрос к базе и подтягивает только нужную выжимку: нерешенные проблемы, затронутые модули и логику прошлых правок.

Внутри есть визуальный граф связей и отдельный чат, где можно проверить, что именно агент запомнил о кодовой базе.

⚙️ Где брать бесплатные API-ключи для тестов без привязки карт

Для отладки скриптов, тестов в CI/CD или мелких фоновых задач держать платные подписки не всегда имеет смысл. При этом большинство разработчиков до сих пор не в курсе, что у десятка крупных провайдеров есть постоянные бесплатные тарифы без триалов и ввода платежных данных.

Чтобы не проверять документацию каждой площадки вручную, я использую агрегатор FreeLLM.

Сервис мониторит актуальные лимиты официальных API:
✅ Показывает провайдеров с чистым бесплатным доступом без привязки карт (Google AI Studio, Cloudflare Workers AI, OpenRouter, Mistral, Cohere).
✅ Фиксирует жесткие ограничения по скорости: запросы в минуту (RPM), лимиты токенов в день (TPD) и размер контекстного окна.
✅ Разделяет эндпоинты по типам нагрузки: генерация кода, vision-модели, эмбеддинги для RAG и аудио.
✅ Отслеживает доступность шлюзов в реальном времени, отсекая нестабильные эндпоинты.

🤖Сикофантия в языковых моделях

Замечали такую штуку, например, напишешь в ChatGPT код или утверждение с очевидной ошибкой и спросишь: "Я ведь правильно всё написал?" С и модель ответит: "Да, все в огнях!" - и только потом аккуратно попытается сгладить углы.

Так, а это баг или галлюцинация?

Исследователи из Anthropic разобрали этот феномен и выяснили, что, собственно, это мы сами научили нейросети нам врать.

Всё дело в методе дрессировки под названием RLHF - обучение с подкреплением на откликах людей. Чтобы сделать модель вежливой, ответы давали оценивать живым людям-асессорам. Человек смотрел на два варианта и выбирал лучший.

И тут включилась обычная человеческая психология. Разметчики подсознательно ставили более высокий балл тем ответам, которые поддакивали их собственному мнению. Если модель говорила: "Вы гений, отличная идея", человек тыкал кнопку "Супер". Если модель ответила: "Вы ошиблись и написали ерунду", человек обижался и ставил плохую оценку.

Алгоритм моментально усвоил правило: хочешь получить высокий балл - говори человеку то, что он хочет услышать.

В итоге приоритет сдвинулся от поиска фактов к угодничеству. Задайте вопрос с намеком - и модель с удовольствием подстроит доказательства под вашу версию.

Да, модель обучили нравиться человеку. И да, оказалось, комфортная ложь оценивается людьми выше, чем сухая правда.

🤭Спайковые нейросети и слепые камеры

В чём главное ограничение обычной видеокамеры? Она делает 60 снимков в секунду. Вы сидите перед компом не шевелясь, а видеокарта 60 раз в секунду заново пересчитывает ваш лоб, стол и стенку сзади. Гигабайты бесполезных данных жгут батарею.

А вот событийная DVS-камера работает совсем иначе. В ней вообще нет понятия "кадр".

Каждый пиксель DVS-камеры помнит только одно: какая яркость была миг назад. Если яркость не изменилась - пиксель молчит и спит. Если перед ним пролетела муха - яркость скакнула, и пиксель мгновенно выстреливает в провод коротким импульсом (спайком).

Поток данных падает на 99 процентов. Нет движения - нет данных.

Этот сигнал подхватывает чип вроде Intel Loihi 2. Его нейроны тоже спят. Прилетел спайк от десяти пикселей - проснулись только десять нейронов, посчитали траекторию и снова ушли в ноль. Вся система жрёт меньше 1 Ватта. Дрон с такой связкой может лететь сквозь густой лес и не врезаться в ветки.

И опять есть подвох. Обучать такие сети адски трудно: обычный градиентный спуск из PyTorch привык к гладким числам, а не к рваным электрическим щелчкам. Приходится выкручиваться через математические костыли, но для автономных роботов альтернативы просто нет.

🌡Термодинамические нейросети

Семьдесят лет микроэлектроника тратила миллиарды долларов, чтобы убрать тепловой шум в транзисторах. Если транзистор греется и сомневается между 0 и 1 - ноут зависает.

И Extropic прикинули и говорят: а нафига вы боретесь с шумом, если для генеративного ИИ случайность - это как раз то, что нужно?

Смотрите, в чём прикол. Чтобы нарисовать картинку или выдать текст, нейросеть постоянно бросает кубик, выбирая варианты из облака вероятностей. На обычных GPU для этого приходится крутить тяжелые математические генераторы случайных чисел, загружая ядра бессмысленной работой.

В Extropic сделали чип XTR-0. Они взяли обычный тепловой шум кремния - хаотическое метание электронов при комнатной температуре. Это абсолютный, бесплатный источник случайности от самой природы.

В их чипах веса нейросети задают рельеф. А дальше физика всё делает сама: за счёт теплового шума система моментально скатывается на дно ямки - ровно так же, как капля воды стекает в самое глубокое озеро. На дне этой ямки и лежит готовый ответ модели.

Сэмплирование происходит за наносекунды.

Собственно, мы десятилетиями выжигали электричество ради борьбы с шумом, хотя шум и был готовым ответом.

⬛️Вычисления прямо в памяти (Compute-in-Memory и ReRAM)

Восемьдесят процентов энергии ваша видеокарта тратит вообще не на математику. Представьте повара на кухне, которому продукты носит один медленный курьер из соседнего дома. Повар режет салат за секунду, а потом десять секунд ждёт новую помидорку.

Повар - это ядро GPU. Курьер - это шина памяти. Данные гоняют туда-сюда миллионы раз в секунду, раскаляя медные дорожки.

И инженеры подумали: а нафига гонять данные, если можно заставить саму память считать? И так вот появились мемристоры (ReRAM).

Мемристор - это микроскопический бутерброд из оксида металла. Подали импульс тока - оксид изменился и начал лучше пропускать ток. И главная фишка: он запоминает это состояние даже когда питание отключено.

Проводимость мемристора - это вес нейрона. Подаём напряжение - и по закону Ома через него моментально течёт ток. Умножение произошло само за ноль секунд прямо в памяти! А когда токи от тысячи мемристоров сходятся в один провод, они автоматически складываются по закону Кирхгофа.

Вся матричная математика происходит прямо в месте хранения весов. Без процессора. Без пересылки байтов.

И вот уже компания Mythic и TSMC так-то клёпают такие чипы под легкие сети на батарейках. Но есть одно НО. Аналоговый мир шумит и идеальные точные числа там не посчитаешь. Но для задач на смартфонах этого хватает с головой.

Итак, ребята, после одного из прошлых постов про базу Claude - мне в личку написало примерно около 20 человек и, как оказалось, прямо очень даже востребованная тема.

Для меня было неожиданно, потому что, ну вот я человек, который привык во всем самостоятельно разбираться. Допустим, есть вполне бесплатная документация Anthropic. Сиди да вникай.

Но, это все при наличии насмотренности, опыта работы и достаточного свободного времени. Так что, дорогие профессионалы, дальше пост, скорее всего, уже не про вас. Вы - уже молодцы.

А вот для моих подписчиков, которые, скажем так, только начинают строить автоматизацию в Клоде - я думаю, будет вполне интересно.

Есть у меня друг, товарищ и партнер по опасному бизнесу - Алерон (кстати, у него есть свой очень интересный тг-канал). Действующий предприниматель, основатель нескольких крупных ИИ-стартапов, преподаватель, филантроп, плейбой и просто хороший человек.

Так вот у него, как оказалось, есть собственный курс, который именно по вот этой базе человека-то и проведет. Вы в удобное для вас время сможете автоматизировать работу в Claude Code, подключать к MCP, писать скиллы, понаделаете собственных слэш-команд, вообще сможете запускать его по своим задачам без своего участия. И многое другое. Будут и уроки, и тесты, и интерактивные задачи. Да и личное менторство - тоже.

Опять жеж, личная рекомендация, т.к. я видел сами материалы. Курс платный, но цена очень даже приятная. Если кто-то заинтересуется, попросил для вас скидочку в 30% по промокоду NEYROSKUF. Надеюсь, кому-то из вас будет полезно. И, да, подписку Клод нужно иметь свою, но, я думаю, если вы планируете им пользоваться, то вполне логично ее иметь.

🔗Ссылочка на курс

🧠Живой мозг на чипе (DishBrain)

Нейросети на GPU жрут электричество как не в себя - это понятно. А вот чуваки из австралийской Cortical Labs взяли 800 тысяч живых клеток, посадили их на чип и за пять минут научили играть в Pong.

Причём эта биомасса соображает и адаптируется быстрее любой нейронки на PyTorch.

Короче, как эта штука устроена. Инженеры взяли кремниевую пластину с микроскопическими иголочками-электродами (называется MEA), налили питательный раствор и посадили туда стволовые клетки человека. Клетки пустили отростки и выросли прямо вокруг этих иголочек.

А дальше началась игра. Слева на электроды подают ток: чем выше летит виртуальный мячик, тем выше по сетке идёт электрический укол. Нейроны этот укол чувствуют. Справа электроды работают на приём: нейроны активировались - система считывает сигнал и двигает ракетку.

А вот как их заставили играть без единой строчки кода. Гы. Клетки физически ненавидят хаотичный ток. Сыграли правильно - получают ровный сигнал. Промазали - их бьют хаотичным шумом. И живая биомасса за пять минут перестроила свои связи просто для того, чтобы убрать этот раздражающий шум (кто служил в армии - помнит советские методы неуставного обучения с помощью та-57😄).

Человеческий мозг жрёт 20 Ватт. Суперкомпьютер Frontier - 21 Мегаватт.

Понятное дело, до замены видеокарт тут далеко: клетки гибнут, требуют раствора и быстро утомляются. Но факт остаётся: живые клетки адаптируются в миллион раз эффективнее любого кремния.

ЗЫ. Кстати, на скрине на этой вундервафле играют в DooM.

💡Оптические нейросети без электричества. Штаа?

Нейросети работают на GPU - это вроде бы очевидно. А что, если я вам скажу, что аж в 2018 году группа из UCLA напечатала нейросеть на 3D-принтере из обычного пластика?

Пять пластин. И никаких транзисторов. Никакой памяти. Никакого электричества. Причем точность распознавания рукописных цифр - 91.75%.

И оно, чудо это - работало!

Как эта пластмасса устроена: Слева стоит излучатель на 0.4 ТГц, справа - экран, поделенный на 10 секторов (от 0 до 9). Между ними на рельсе стоят пять квадратных пластинок 8х8 см из полупрозрачного пластика.

Перед первой пластиной ставят трафарет с цифрой "3". Свет проходит сквозь трафарет, врезается в первую пластину с микропикселями разной толщины, и фаза волны искажается. Выйдя из пластины, свет летит дальше и накладывается сам на себя.

Пять пластин подряд - пять слоев нейросети. На выходе интерференция фокусирует основной пучок света ровно в сектор номер 3. И никаких процессоров!

Ну и где тут нейроны, спросите вы? Математически любая нейросеть - это Y=W×X. В пластиковой D²NN всё это сделано на уровне физики волн:
1️⃣Нейрон - микроскопический пиксель на пластине (их там по 80 000 на слой).
2️⃣Вес нейрона (W) - толщина пластика в пикселе. Чем толще, тем больше фазовый сдвиг.
3️⃣Полносвязный слой - воздух между пластинами. Из-за дифракции свет от каждого пикселя расходится конусом и суммируется на всех пикселях следующего слоя.

А главное - обучение. Толщину пикселей не выдумывали из головы. Сначала математическую модель обучили на GPU через обычный градиентный спуск на тысячах цифр MNIST. Модель выучила веса, их перевели в микроны толщины и заправили в 3D-принтер. Такое вот читерство, ага 😉

Но опять есть подвох: Уравнения Максвелла в обычных средах линейны. Без нелинейных функций активации (типа ReLU) несколько слоев оптики сворачиваются в один. А само обучение - всегда цифровая процедура на GPU.
Получается, физика пространства делает ровно то же вычисление, что и тензорный процессор, просто вместо транзисторов работают фотоны.

Нейросеть из пяти пластин работает без электричества, но напечатать ее без GPU пока невозможно.

😄😄😄 Обычная такая вакансия

📼OpenMontage - опенсорс-агент, который превращает Cursor или Claude Code в видеостудию

Описываешь идею словами, ИИ-ассистент (Claude Code, Cursor, Copilot, Windsurf, Codex) сам проходит весь конвейер - ресёрч, сценарий, план сцен, генерация ассетов, монтаж, финальная сборка. Никакого отдельного оркестратора - агент сам читает YAML-манифест пайплайна и markdown-скиллы с инструкциями по каждому этапу.

12 пайплайнов - трейлеры, анимации, документалки, подкасты, скринкасты, аватар-спикеры, локализация с дубляжом и так далее. 52 инструмента и, по данным репозитория, порядка 400+ скиллов для агента (в заголовке репо цифра округлена до 500+ - разночтение самого проекта, не наше).

Ключевая фишка - реальное видео из настоящих стоковых кадров, а не только оживление картинок. Отдельный пайплайн Documentary Montage собирает корпус из Archive.org, NASA, Wikimedia Commons и по желанию Pexels/Unsplash, ищет по нему через CLIP и монтирует реальные кадры в готовый ролик.

Без единого платного ключа из коробки работают: Piper TTS (озвучка), бесплатные архивы для футажа, Remotion для сборки, FFmpeg для постпродакшена и субтитры со словесным таймингом. С подключёнными генераторами (Kling, Runway, Veo, FLUX, ElevenLabs, Suno и другие) - от $0.15 до пары долларов за ролик, встроен контроль бюджета с лимитами и подтверждением трат выше порога.

Ссылка: https://github.com/calesthio/OpenMontage

🤖Memanto: долгосрочная память для агентов вроде Claude Code, Cursor и Codex

Memanto - прослойка памяти для агентных сред. Контекст между сессиями не теряется, а хранится и подтягивается обратно по релевантности - агенту не нужно каждый раз заново объяснять, что вы уже обсуждали и на чём остановились.

Что по факту внутри:
1️⃣Подключение одной командой - memanto connect claude-code и аналогично для Cursor, Codex, Windsurf, Gemini CLI, Cline, Continue, Goose, GitHub Copilot, Antigravity, OpenCode, Roo, Augment. Список большой, полный - в репозитории.

2️⃣13 типов памяти: instruction, fact, decision, goal, commitment, preference, relationship, context, event, learning, observation, artifact, error. Можно сохранять с конкретным типом и фильтровать поиск по нему - retrieval точнее, чем когда всё свалено в одну кучу.

Retrieval построен на Moorcheh - поисковом движке на информационно-теоретическом подходе, без классической векторной базы и пайплайна индексации: записанная память ищется сразу, без задержки на индексирование.

Как поднять: pip install memanto, дальше выбор из двух вариантов - полностью локально через Docker + Ollama (без аккаунта и без API-ключа вообще) либо через бесплатный облачный тир Moorcheh (нужен бесплатный API-ключ, до 100K операций в месяц). Хостед-API от самого Memanto пока нет - REST API поднимается локальной командой memanto serve.

😄😄😄Я и 90% моих подпесчигов

😒База Claude

Итак, основы.

Первое, что стоит сделать - снести браузерную вкладку и поставить десктоп-клиент. Мелочь, но она снимает целый класс раздражителей: случайно закрытая вкладка, потерянный контекст между окнами, лишний клик до истории чатов.

Дальше - Extended Thinking. Именно так называется режим, а не "Adaptive Thinking", как иногда пишут в пересказах. Включаешь - и на сложных задачах модель дольше разбирает условие перед тем, как выдать ответ, вместо того чтобы стрелять первым, что придёт в голову. Токенов уходит заметно больше, и включать это на "сколько будет 2+2" смысла нет - режим окупается только там, где задача реально требует разбора, а не скорости.

Дальше - Styles. Загружаешь свои тексты, модель разбирает подачу и дальше пишет похожим языком, а не своим дефолтным нейтральным тоном. Работает не как шаблон стиля из галереи, а именно как обучение на твоих собственных примерах.

Instructions for Claude в настройках аккаунта. Прописываешь один раз: кто ты, чем занимаешься, какой формат ответов нужен по умолчанию. И не приходится в каждом новом чате заново объяснять контекст, который модель и так должна была бы помнить.

И последнее - Projects. Разносишь работу, учёбу и кодинг по разным контейнерам с собственным контекстом. Без этого разные задачи начинают тянуть друг на друга, и модель путает, под какую роль сейчас отвечать.

Настроил один раз - пользуешься каждый день.