Product


Kanal geosi va tili: Rossiya, Ruscha


Заметки о продакт менеджменте, дизайне и AI. Все интересное, что встречается

Связанные каналы

Kanal geosi va tili
Rossiya, Ruscha
Statistika
Postlar filtri


Силиконовый Мешок dan repost
notebooklm_ru.pdf
281.9Kb
Наконец-то руки добрались до NotebookLM - а то я давно про него ничего не писал.

Итак, держите гайдлайн с кейсами и промптами для использования в сервисе.

Документ получился объемным - 72 страницы. Промпты специально оставил на английском языке.

Если хотите грузить все сразу в своего агента, в комментарии к посту будет .md - файл.




AbstractDL dan repost
Опубликовал препринть статьи про Уробороса, который мы писали вместе с Хоуп и Романом Ямпольским. Там можно посмотреть детали про их архитектуру и подробности про бенчмарки, гардрейлы и safety.

Статья, GitHub, чат с Хоуп






AbstractDL dan repost
Ouroboros теперь SOTA на Terminal Bench, OSWorld и CL-bench

Мой любимый агентный луп на чистом питоне доэволюционорал до состояния лучшего харнесса для кодинга! На главных бенчмарках он теперь обходит Codex, Claude code, Cursor и Hermes.

Выходит, что в рисёрче, в computer use, в работе через терминал и в задачах на кодинг — уроборос сейчас является лучшим агентом. Так что с этого момента всю разработку и исследования я веду только через уробороса.

Для полной воспроизводимости результатов. Весь код, скрипты, трейсы я выложил в открытый доступ.

Напоминаю: лицензия MIT. Так что спокойно ломайте, форкайте, проверяйте трейсы, пишите что я где наврал. И кидайте issues и PR-ы! Все постараемся с уроборосом принять😋

P.S. Кошмар какие дорогие агентные бенчи. Прогнать весь набор стоит как квартиру купить (это не шутка!!)

GitHub, Хабр, установочники


MLTimes dan repost
MCP выбросил сессии: крупнейшее обновление протокола с момента запуска

Сессии в MCP отменили. В спецификации 2026-07-28 нет ни рукопожатия initialize, ни Mcp-Session-Id — каждый запрос несёт всё нужное сам. Значит, не нужны ни sticky-сессии, ни общая база: MCP-сервер живёт на serverless и edge и масштабируется за любым балансировщиком.

Заодно: MRTR для переспросов у пользователя, обязательные заголовки Mcp-Method и Mcp-Name, кеширование списков инструментов, Tasks и Apps как официальные расширения. Roots, Sampling, Logging и транспорт HTTP+SSE устарели, на миграцию дают 12 месяцев. GitHub уже переехал и выкинул Redis, где хранил сессии.

🔗 Читать: https://mltimes.ai/mcp-vybrosil-sessii-krupneyshee-obnovlenie-protokola-s-momen/


Bitchat

Джек Дорси, основатель Twitter, создал Bitchat для свободного общения на технологии Bluetooth Low Energy — она позволяет переписываться без мобильного интернета: сообщения просто передаются от пользователя к пользователю, пока не дойдут до адресата.

App Store
GitHub


AbstractDL dan repost
Опенсорсю Claudexor

Харнесс-агностик CLI, приложение, набор плагинов и MCP, объединяющий в себе Claude Code, Codex и Cursor. Можно добавлять сколько хотите харнессов и подписок.

Каждая модель и агент бесят меня по-своему: GPT - аутист-перфекционист, Opus - пофигист, пропускающий кучу багов, Gemini/GLM - креативные булочки, но сильно отстают от фронтира.

Ещё я устал бегать между агентами когда лимиты заканчиваются, поэтому связал все подписки в одно место чтобы эта штука по-умному их расходовала. И главное, она позволяет одновременно использовать все харнессы сразу. Добавил несколько любимых плюшек, чтобы работали из коробки: ревью-лупы, Best-of-N и т.п. Например, планирование можно провести через Claude Code, а имплементацию в режиме goal запустить на Codex.

Киллер-фича: можно добавить несколько подписок Claude Code, и они будут автоматически переключаться с сохранением контекста. Codex и Cursor тоже. Теперь вместо $15k в месяц на токены уходит $1800. У меня сейчас по три подписки Claude Code, Codex и Cursor тут.

Удобнее всего подключить Claudexor как плагин к вашему любимому агенту и использовать его в текстовом режиме в форматах:
«Перед выполнением плана прожарь его через Claudexor в мультихарнесс-режиме»

или
«После завершения работы проведи мультимодельное ревью через Claudexor и исправляй замечания».


Лично я чаще всего использую его в Claude Code. Чтобы установить, просто киньте ссылку на GitHub любому вашему агенту, и они сами разберутся. MIT-лицензия.

PS. Буду активно дорабатывать, так что не стесняйтесь кидать issues, фидбек и PR-ы.

GitHub, dmg, npm


🔥 Graphify: превращаем кодовую базу в карту знаний для LLM

Open-source инструмент для Codex, Claude Code, Cursor, GitHub Copilot и других AI-ассистентов.

Он анализирует проект и строит граф знаний:
• файлы, функции, классы и таблицы становятся узлами
• импорты, вызовы и зависимости — связями
• документация, PDF и SQL-схемы объединяются с кодом
• AI получает структурированный контекст вместо постоянного перечитывания репозитория

На больших проектах LLM тратит много контекста на поиск и чтение файлов. Graphify позволяет обращаться к уже построенной карте проекта — быстрее находить зависимости, разбираться в архитектуре и оценивать влияние изменений.

Как установить:
pip install graphify
graphify install

После этого в AI-ассистенте:
/graphify .


🔗 Сайт: https://graphify.com
🔗 GitHub: https://github.com/safishamsi/graphify


EDU dan repost
В последнее время все актуальнее вопрос: а может перейти на open source модель и снизить зависимость/убрать риски, ну или сэкономить —> сделал для вас скилл по мотивам ответа на такой же вопрос для своих пайплайнов:

https://github.com/BayramAnnakov/oss-migration-eval

что делает:
1) анализирует самые "жирные" пайплайны
2) определяет, по какой метрике будем сравнивать модели (что такое "правильно")
3) составляет "золотой датасет", чтобы заранее определить, на каких кейсах будем сравнивать
4) берет шортлист кандидатов на основе лидербордов artificialanalysis (по качеству) и openrouter (по популярности)
5) прогоняет модели, считает точность на золотом датасете
6) (опционально) может погонять в режиме autoresearch промпты, чтобы даже на слабой модельке добиться гуд результатов
7) и советует что брать :)

удачи!

P.S. до выхода kimi k3 на моих пайплайнах победила kimi k2.6

P.P.S. для запуска claude code с kimi k3 можно юзать эту инструкцию


Глеб Кудрявцев про AI dan repost
Когда я написал про то, что делаю креативы для sotaocr со скиллом, ко мне пришел товарищ, который сказал, что написал целый контент-завод внутри кодекса/клода.

И более того — все доступно оупенсорс, заходишь и скачиваешь.

Креативы получаются очень хорошие, так что с удовольствием пиарю. Фейк отзывы и стата мне особенно понравились, так и просятся в твиттер 😁

качать и пробовать вот тут:

https://github.com/alecs5am/ralphy
https://www.alecs5am.com/library

Написать автору: @orniki




Саша Капустин про продукт, управление людьми и не только. dan repost
А вот и догоняю обещанной презой. Не знаю, будет ли она вам полезна, и вообще читаемо ли это без моего стендапа в параллели, но я не буду расстроен, если кому-то из вас оно пригодится, а то я давно что-то не выкладывал вам тут чего-то 🙂

Ловите вот тут
https://docs.google.com/presentation/d/1St39MV1-6qVuen7k0dSXEiSYD2mopbkMhbWLYPaKCuk/


Всеволод Устинов (канал: ai, стартапы, пост-ирония) dan repost
YC выпустил видео про будущее Plurio про AI-native сервисные компании.

Мысль: самые большие компании следующего десятилетия могут быть не софтверными компаниями.

Это будут сервисные бизнесы — страхование, юристы, налоги, аудит, ипотека, медицина, логистика — пересобранные с нуля так, чтобы AI делал большую часть работы.

Не “софт для юриста”.
Не “помощник для бухгалтера”.
А компания, которая продаёт клиенту готовый результат.

Клиенту не нужен инструмент. Клиенту нужно, чтобы страховой случай обработали, декларацию подготовили, проверку провели, договор разобрали.

Раньше софтверная компания продавала инструмент, а работа оставалась внутри клиента.

AI-native сервисная компания забирает работу на себя.

1. Правильный рынок

YC предлагает искать рынки с четырьмя свойствами.

Первое: работа уже отдаётся подрядчикам.

Не надо менять поведение клиента. Он уже платит внешней компании. Ты приходишь в существующий бюджет и делаешь работу лучше.

Второе: не каждый шаг требует человеческого суждения.

Хороший рынок — где большую часть процесса можно автоматизировать, а люди остаются в нескольких точках настоящего решения.

Третье: сама работа должна быть достаточно сложной. Не дешёвый аутсорс, а рынок, где обычный софт не справляется.

Четвёртое: регулирование может быть плюсом. Там выше требования, выше ответственность и сильнее защитный барьер.

2. Команда должна быть не просто “AI founders”

Нужны три компетенции.

Понимание индустрии: покупатели, регулирование, язык рынка, реальные процессы.

Понимание моделей: что сильные модели умеют сегодня и как строить продукт, который улучшается вместе с ними.

Операционная дисциплина: скорость, время цикла, разброс качества, инструкции, найм, контроль качества.

В AI-native services продукт — это операция.

3. Человек — интерфейс, но не продукт

В обычном SaaS пользователь сидит в продукте.

В AI-native сервисе клиент часто общается с человеком, а продукт масштабирует работу этого человека внутри.

Поэтому метрики другие.

Не только удержание, активность и использование фич.
А скорость обработки, время цикла, себестоимость единицы работы, валовая маржа, стабильность качества.

Клиент быстрее уволит тебя за нестабильный результат, чем за то, что ты чуть медленнее или чуть дороже старого подрядчика.

В сервисном бизнесе доверие — это продуктовая метрика.

4. Ловушка раннего спроса

В таких бизнесах легко набрать первых пилотов.

Но если взять слишком много пилотов до того, как процесс и продукт готовы, ты захлебнёшься в ручной работе.

И вместо AI-native компании получится консалтинг с красивой демкой.

Пилот — это лаборатория, где ты находишь, где AI даёт настоящий рычаг, а где ты просто руками закрываешь дыры продукта.

5. Цена должна быть не как у SaaS

Ты конкурируешь не с другим софтом, а со стоимостью труда.

Лучшие модели: за единицу работы или за завершённый результат.

Чего не надо делать: считать цену как “себестоимость плюс маржа” или просто быть дешевле старых подрядчиков.

Цена должна быть от ценности.

6. Экономика решает всё

В AI-native services надо с первого дня смотреть на себестоимость: стоимость моделей, хостинг, люди в процессе.

Главная ставка: чем лучше продукт, тем ниже себестоимость и выше валовая маржа.

YC называет это AI operating leverage.

Обычные сервисные фирмы упираются примерно в 30% маржи. Ставка AI-native services: приблизиться к софтверной марже, условно 50%+, на рынках в 2–3 раза больше, чем рынок софта.

AI-native services — это не “агенты заменят сотрудников”.

Это новая форма компании, где:

— продаётся результат, а не места в софте
— процесс становится продуктом
— люди остаются в точках суждения
— AI снижает себестоимость работы
— сервисный рынок получает софтверный операционный рычаг

Видео:
https://x.com/i/status/2062202902543016140


Скилы к сервисам Яндекса и другие

https://github.com/artwist-polyakov/polyakov-claude-skills/tree/main


Всеволод Устинов (канал: ai, стартапы, пост-ирония) dan repost
Мы 3 года собирали кейсы и best practices про то, как правильно сохранять UTM-метки, click IDs и рекламные идентификаторы для максимально полной атрибуции.

Звучит скучно, но на практике это один из самых частых и дорогих источников ошибок в маркетинговой аналитике.

Почти в каждом новом проекте мы видим одно и то же: открываешь CRM, смотришь лиды за последние 90 дней, и у 30–40% нет нормального источника.

Не “direct”.
Не “Google Organic”.
А просто пусто.

Данные потерялись где-то между рекламным кликом и CRM.

Причины обычно одни и те же:

— редиректы съели UTM
— SPA переписал URL до того, как скрипт успел его прочитать
— Safari удалил cookie через 7 дней
— Instagram/TikTok in-app browser создал отдельную песочницу
— consent banner выключил tracking
— checkout живёт на другом домене
— gclid/fbclid/ttclid/msclkid/li_fat_id не сохранились
— GA4 / Amplitude / Mixpanel IDs живут каждый в своём месте
— legacy tracking script написал разработчик, который ушёл 3 года назад

И вот на такой фундамент потом ставят dashboards, attribution models, rules engines и AI agents.

Но если на входе 30–40% данных сломано, то агент тоже будет принимать решения на сломанной картине мира. Никакие скиллы это не исправят.

Поэтому мы решили выложить наш tracking-пласт в open source.

Intake by Plurio — это лёгкая JS-библиотека, которая собирает touchpoints, UTM, click IDs, analytics IDs и передаёт их дальше в CRM / analytics / attribution stack.

MIT license. Можно брать, ставить, форкать, дорабатывать.

Сайт и документация:
https://intake.plurio.ai/

Почему open source?

Потому что нам выгодно, чтобы как можно больше компаний собирали нормальную маркетинговую аналитику.

Чем чище данные в CRM и рекламных кабинетах, тем лучше будут работать AI-агенты, которые анализируют performance marketing, ищут точки роста и управляют рекламой.

Мы не хотим конкурировать за право владеть plumbing’ом.
Мы хотим конкурировать на уровне агентов, которые поверх хороших данных делают полезную работу.

Короче:

Before you buy the agent, ship the foundation.




AbstractDL dan repost
Какой же я отсталый, я не знал, что в Cursor можно привязывать subagents к конкретным моделям. То есть прям сделать отдельных ревьюеров на разных моделях.

Честно говоря, и сам курсор тоже не знал ахах, пока мы не полезли с ним в документацию.

Короче, теперь я собрал плагин для multi-model review. Эта штука запускает параллельно 3 разные модели: GPT-5.5, Gemini 3.1 Pro, Claude Opus 4.7.

Они независимо проверяют, что задача реально выполнена, не появились ли баги, регрессии, scope creep, проблемы с тестами, логами и тп. Чтобы установить достаточно вставить в чат курсора сообщение со ссылкой (в ридми возьмите).

Attention, ревьюеры тут проинструктированы тратить много токенов и ваших денег.

GitHub



20 ta oxirgi post ko‘rsatilgan.