Друзья! Про вас не забыл, просто целыми сутками работаю над проектами, безумие конечно насколько все ускорилось!!

Из практичного, оказывается что управление флотом OpenClaw это абсолютно не паханное поле. Есть вещи, которые индивидуальны для каждого пользователя, есть система в целом. Возможно docker - это правильная абстракция, но пока не уверен.

А вы как делаете?

Это совершенно точно моя самая любимая книжка, и фильм просто офигенный!

🤖 Sage: Почему ИИ-агенты «тупят»

Сейчас я полностью ушел в разработку Sage - это агентная система, которую мы развертываем для High Touch Catering. Этот опыт «в полях» подсветил одну критичную вещь: ИИ-агенты фейлят, потому что теряют операционную преемственность (continuity).

Для Sage это означает наличие durable memory и системы эскалации на человека.

Почему именно кейтеринг? Это среда сверхвысокого контекста, где вводные меняются трижды в час, а цена ошибки - сорванный ивент. Здесь агент либо обладает безупречной преемственностью действий, либо он бесполезен.

Посмотреть на проект можно на hightouchcatering.ai, а идеи по архитектуре присылайте на sage@hightouchcatering.ai.

Я написал скилл для Claude Code, который чинит конверсию. Проверьте свой сайт прямо сейчас.

Недавно копался в сайте друзей (The RV Escape - туры по США на домах на колёсах). По всем SEO-чекерам - идеал. Трафик идёт, а конверсия - 0.22%. Один лид на 450 человек.

Причина оказалась простой: на 9 страницах из 13 кнопка «Забронировать» вела в никуда. При копировании шаблона забыли поменять ID якоря. Клик - и ничего не происходит.

Этот тип проблем - «слепая зона» большинства автоматических аудитов. Классические роботы отлично находят пустые мета-теги или медленный Core Web Vitals, но они не заходят так далеко, чтобы кликнуть на конкретную CTA-кнопку и проверить, существующий ли там якорь.

Как проверить свой сайт (всего 3 команды):

Если у вас установлен Claude Code

/plugin marketplace add crimeacs/website-conversion-audit
/plugin install website-conversion-audit
/website-conversion-audit https://ваш-сайт.com


Что скилл найдёт за вас:

• «Зомби-кнопки»: Проверит все CTA-ссылки и якоря на работоспособность.
• Дыры в аналитике: Увидит, если вы забыли поставить Meta Pixel, GA4 или GTM (чтобы не терять ретаргетинг).
• UX-киллеры: Заметит, если форма связи занимает весь экран на мобилках или если контакты запрятаны глубоко в футер.
• Ошибки копипаста: Найдёт дубли в OG-тегах и мета-описаниях, которые портят вид ссылок в соцсетях.

На выходе вы получите Fix-It Checklist с приоритетами. Я прогнал его на своём лендинге, нашёл 7 багов и пофиксил их за 5 минут.

Инструмент Open Source (Apache 2.0):
🌐 Лендинг
🔗 GitHub

Claude /buddy

В Claude code теперь можно добавить вот такого друга, точнее даже не добавить, а вылупить из яйца как тамагочи.

Обратите внимание, что они бывают COMMON, UNCOMMON и RARE. Почти уверен, что по заветам Покемонов есть еще и какой нибудь LEGENDARY

Обещают, что будет помогать

🚀 На Artemis II летят не только астронавты

Вчера весь мир, затаив дыхание наблюдал, как корабль Orion отправился в путешествие вокруг Луны.

С замиранием сердца смотрела и я (@GingerSpacetail), потому что, во-первых, на курсе по байесовской статистике мы разбирали катастрофу 1986. И мне очень не по себе с тех пор.
А во-вторых, как сказал мне однажды человек, выросший среди космонавтов, надо обладать большой отвагой, чтобы доверить коллегам посадить тебя на бензобак размером в 9-этажку и поджечь снизу.

Но поскольку я занимаюсь не космосом, а биоинженерией, мне особенно невероятно был узнать, что вместе с экипажем полетели их персональные "аватары". Это маленькие чипы размером с флешку, где внутри - живые клетки костного мозга каждого из четырёх астронавтов.
Идентичная партия осталась на Земле, как и положено в науке - в качестве контрольной выборки.

И как вы уже догадались, сегодня пост про эксперимент AVATAR (A Virtual Astronaut Tissue Analog Response) от NASA.

💡 Зачем этот эксперимент?
Радиация + микрогравитация ускоряют развитие ряда болезней с десятилетий до дней. Атеросклероз, потеря костной массы, сбои иммунитета на Земле развивается всю жизнь, а в космосе может проявиться за 10-дневный полёт.

За пределами магнитосферы Земли экипаж впервые за 50 лет встретится с настоящим галактическим космическим излучением (МКС находится внутри магнитосферы, есличто). Именно это излучение — главная угроза для будущих миссий на Марс: три года в пути, без маминой защиты. А если мы хотим добраться до Марса, нам надо очень хорошо понимать, в каком состоянии мы долетим, и как восстановиться.

💸Почему именно/только эти органы?
Костный мозг - один из самых радиочувствительных органов. А еще это очень дорого (минимум $20k за каждый organ-on-chip и $5 млн за lab-in-a-box)

🧪Как это устроено?
Космонавты просто сдают кровь на тромбоциты. Из образца с помощью магнитных частиц выделяют редкие стволовые клетки костного мозга и помещают их вместе с клетками кровеносных сосудов внутрь микрофлюидного чипа. Они там организуются в функциональную систему. Получается миниатюрная живая модель костного мозга - размером с ноготок.

После приводнения учёные посмотрят в микроскоп, сделают анализ что там выжило, как поменялось, а также секвенируют РНК на уровне отдельных клеток, чтобы понять как изменилась экспрессия тысяч генов. Не в среднем по экипажу - а у каждого конкретного человека, на клеточном уровне. И это огромный датасет. Не факт, что он будет публичным, но ждём.

⚙️ Как "аватары" выживают в космосе?
На борту нет биохимиков, а лаборатория меньше, чем ручная кладь - размером с обувную коробку (50×38×30 см), разработанном компанией Space Tango. Внутри непрерывная перфузия питательными веществами, поддержание температуры 37°С и литиевые батареи на 14 дней автономной работы (10 дней миссии + запас на после приводнения). Вся система работает сама. Космонавты нажимают одну кнопку в день и проверяют, что всё в порядке.

🧬Почему это важно?
Во-первых, человечество пытается сократить in-vivo эксперименты на животных, и найти другую подходящую модель для исследований.

Во-вторых, важно понимать, как лекарства работают именно в человеческом организме.

FDA уже разрешает использование данных с органных чипов в заявках на исследования лекарственных препаратов. AVATAR - это и беспрецедентная валидация самой модели, и ускорение перехода от усреднённой медицины к персонализированной.

Учёные рисуют sci-fi картинку: перед миссией космонавт может сдавать тест на своих собственных клетках и получать индивидуальную аптечку, собранную под его биологию - ещё до старта. На МКС, Луну, а то и на Марс когда-нибудь.

На самом деле, было бы круто такую персонализированную аптечку иметь и на Земле, и к этому нас приближает в том числе этот эксперимент.

🌕 В общем, маленький чип для человека - огромный шаг для человечества.

Плохая память - одна из главных причин, почему AI-агенты быстро становятся бесполезными.

В Sage (operational intelligence, которую мы сейчас строим) память - система, где разные слои делают разную работу. Все намного интереснее чем, просто лог или один большой prompt.

Собственно слои пока такие:

• Durable memory - то, что должно жить долго: предпочтения, решения, повторяющиеся паттерны, важные уроки.

• Operational memory -то, что почти всегда должно быть под рукой: кто ты, кто я, что происходит сейчас, какие есть правила, какие задачи активны.

• И есть long term memory, с которой Sage взаимодействует через retrieval layer, который не даёт агенту утонуть в собственном контексте: Sage не читает весь архив подряд, а достаёт только то, что реально нужно для конкретного запроса (с помощью qmd).

Таким образом, получается, что память в агенте - это не storage, а архитектура внимания.

На Stepik вышел курс: Vibecoding — Claude Code, Codex, Cursor и coding agents в 2026.

Хотите работать с Claude Code, Codex и Cursor так, чтобы coding agents действительно тащили заметную часть разработки: фичи, отладку, тесты, рефакторинг, MVP и многошаговые задачи? Этот курс — про современный vibecoding workflow и agentic development в 2026.

В программе:
— Claude Code, Codex, Cursor
— agent mode и многошаговые задачи
— работа с кодовой базой
— subagents, hooks, skills
— MCP и внешние инструменты
— ревью кода, изменения и контроль качества

Подойдёт всем, кто регулярно работает с кодом: разработчикам, ML-инженерам, дата-сайентистам, аналитикам, automation-специалистам и техническим фаундерам.

Скидка 40% действует 48 часов.

Пройти курс на Stepik

#промо

Знакомые в Нью-Йорке нанимают

We're building Miraxis, a robotics data company with strong funding round.

AI labs and humanoid robotics companies require real-world manipulation data to train their models. We are building a robotics platform for certified, high-quality real and synthetic data from digital twins.

Looking for:
→ CTO is technical architecture, data pipelines, platform build
→ Robotics ML / Quality Researcher for VLM/VLA manipulation and evaluation frameworks
→ Robotics Hardware/Lab Manager for hardware calibration and networking
→ GTM Lead for partnerships, lab relationships, first revenue

Early stage. High ownership. The market is real and moving fast.

Email naz@skl.vc if interested or know someone who should be.

#поблату

📍 Queens, NYC

Нашел дверь в пространственно временной континуум

Как то так, я себе его и представлял

Claude Design

Уже две недели активно использую Claude Design и хочу поделиться полезными практиками, которые я для себя открыл.

Сразу оговорюсь, что у моего проекта особо не было никакого дизайна, так что все с чистого листа. Подозреваю что у проектов, в которых дизайн существует - все подругому.

Первое что я сделал - это набросал прототип приложения через  Wireframes - Claude задает кучу вопросов и старается уловить суть. На вопросы лучше всего отвечать подробно, и если есть существующий код - просить Claude Code написать документацию (которую тоже подргузить в Design).

Вторая фаза - то что видно на картинке сверху - это разработка Design System. Для меня это было просто откровение, ну кто бы мог подумать что дизайн можно зафиксировать и сделать из него систему =)

Ну и третья фаза - натянуть дизайн систему на wireframe и собрать готовое, отполоированное приложение (ну ладно, макет), которое потом можно передать в  Claude Code (кстати handoff заслуживает отдельного внимания).

Попробовал еще логотип нарисовать, но логотипы вот чет не получаются. Ну буду изучать дальше!

А вы как пользуетесь?

🤖 Научил Claude постить в Instagram

Написал CLI к Meta Graph API и Claude Code skill в комплекте.

После установки, Claude сам публикует посты, отвечает на комменты и собирает аналитику. Просишь словами - он делает.

Как я к этому пришел - помогал друзьям с их маленьким турагенством, хотел автоматизировать и обнаружил что у Meta есть SDK на Python, JS, PHP, а CLI - нет. А агенту CLI - милее всего на свете.

🛠 Как установить

pip install meta-graph-cli

Никакого FB SDK, никакого React-приложения для логина - только токен и тонкая HTTP-оболочка.

Что умеет:

• публиковать фото, видео, рилзы, карусели, сторис;
• читать, отвечать, скрывать и удалять комменты;
• тянуть insights, искать по хэштегам, гонять business-discovery;
• работать через оба flow - Facebook Login и Instagram Login - тип определяется по префиксу токена.

🧠 Skill для Claude Code

git clone https://github.com/crimeacs/meta-graph-cli
cp -r meta-graph-cli/skills/meta-platform-ops ~/.claude/skills/

Дальше Claude понимает запросы вроде:

«опубликуй эту картинку с подписью X»

«ответь на все неотвеченные комментарии под последним рилзом»

«собери охват последних 10 постов в табличку»

Open Source, MIT:

🐍 PyPI
🔗 GitHub

Перешлите коллегам, кто страдает с Graph API Explorer - сэкономите им вечер.

И в комменты какой сервис обидно, что пока не дружит с Claude через skill - WhatsApp, LinkedIn, Notion?

А ещё интереснее: есть ли у вас в команде «экспертный» workflow, который сейчас держится на одной голове?

Эмбеддить запрос юзера напрямую - почти всегда плохая идея.

Понял это, пока собирал фильтр для Tech Week NYC.

В Нью-Йорке на тех-неделю предлагают посетить 1,211 ивентов. Захотелось сделать простую тулу: вставляешь LinkedIn или просто описание себя (я тестил даже «люблю лапшу и саке») - и получаешь 6 релевантных ивентов с объяснением, почему именно они.

Попробовать можно тут:
🔗 techweek.foresyn.ai

Главный инсайт такой.

Если взять сырой пользовательский текст, заэмбеддить его и кинуть cosine search, в топ часто попадает что угодно, кроме того, что реально нужно.

Cosine обычно болтается где-то в районе 0.45–0.50.

Что сработало лучше: перед embedding добавить ещё один LLM-вызов, который переписывает запрос в стиле документов, среди которых ищем.

Например:

Вход:
«founder, AI infra, pre-seed, ищу инвесторов»

Выход:
«Pre-seed and seed-stage VCs focused on AI infrastructure. Partners from specialised AI funds investing in agentic workflows.»

И уже это отправлять в embedding.

После этого cosine подскакивает до 0.62–0.70.

А теперь очень хочется хайпануть - так что пожалуйста делитесь ссылкой с теми, кому актуально!

Проанализировал 150к постов на HackerNews и сделал модель, которая поможет завируситься

Ты час подбираешь заголовок для Show HN, нажимаешь submit - и через 30 минут либо летишь в топ, либо тихо умираешь в /newest.

И почти невозможно понять, почему.

В выходные я собрал инструмент, который сам давно хотел:

→ hackernews.foresyn.ai

Это клон HN, где можно прогнать свой Show HN до настоящего поста.

Пишешь title + url + description - и модель показывает:

— сколько очков можно ожидать
— реалистичный p10–p90 диапазон
— похожие прошлые HN-посты
— что тебе, скорее всего, напишут в комментах
— как можно улучшить заголовок

Особенно горжусь - симулятором комментов

Он ищет реальные старые HN-комменты к похожим постам и показывает, кто придёт душнить:

“we built this in 2017”
“why not SQLite?”
“how is this different from X?”
“pricing?”

Ещё есть Auto-improve: модель сама генерит варианты заголовка, перескоривает и greedily лезет вверх до плато.

И Live ledger: каждый день скорим настоящую HN frontpage и публикуем ошибку модели.

В понедельник я хочу запостить это на сам Hacker News. До этого очень нужно, чтобы люди попробовали сломать штуку.

Особенно если вы уже постили на HN:
• верите ли скору?
• где UX бесит?
• какой prediction выглядит нелепо?

Про то, что под капотом напишу отдельный пост: 148K HN-постов, Gemini embeddings, halfvec индекс, LightGBM поверх 31 фичи, kNN-сигналы, domain priors, time-of-day, title craft.

→ Попробуйте!

Как я сделал предиктор виральности для Hacker News

Собрал штуку, которую сам давно хотел: клон Hacker News, куда можно вставить draft поста до публикации и увидеть:

— предсказанный score
— p10–p90 диапазон
— похожие старые HN-посты
— почему модель так думает
— и примерные комменты, которые тебе прилетят

Сегодня запостил это на сам HN (найдите в new - 148,421 posts later: A model to predict the Hacker News front page)

Ниже - как оно устроено.

Зачем

HN - странная платформа.

Я захотел сделать инструмент, который хотя бы примерно отвечает на вопрос:

“Этот заголовок вообще имеет шанс?”

Данные

Собрал через публичный Algolia HN Search все посты с 2007 года, которые набрали ≥5 очков.

Получилось 148,421 истории.

Главная деталь: сплит строго хронологический:

— train: до июля 2025
— validation: август–декабрь 2025
— holdout: январь 2026+

Random split здесь ломает задачу. Если случайно перемешать данные, модель начинает подсматривать в будущее через kNN-соседей: на трейне выглядит умной, в проде разваливается.

Это была первая грабля, на которую я наступил.

Эмбеддинги и соседи

Для каждого поста беру title + первые ~200 символов body и прогоняю через Gemini embeddings.

В Postgres / pgvector храню:

— halfvec(3072) для cosine search
— bit(3072) для быстрой бинарной префильтрации

Поиск двухступенчатый: сначала быстрый HNSW по бинарке, потом cosine re-score по halfvec.

На 148K постов p50 получается около 50 мс.

Модель

Поверх kNN-соседей обучен LightGBM на 31 фиче.

Фичи: score ближайших соседей, доля frontpage-попаданий, плотность neighborhood, свежесть соседей, длина заголовка, Show HN / Ask HN, знаки препинания, цифры, время публикации, день недели, доменные priors.

Важная деталь: kNN при тренировке тоже time-causal.

Для поста из 2025 года нельзя искать соседей из 2026-го. Только прошлое. Иначе вся честность хронологического сплита исчезает.

Модель имеет четыре головы:

— median score
— p10
— p90
— вероятность score ≥100

Инференс без ML-рантайма

LightGBM компилируется через m2cgen в чистый JavaScript.

В итоге:

— нет Python-сайдкара
— нет ONNX
— нет ML runtime
— нет отдельного сервиса
— Vercel function просто исполняет JS if-else дерево

Бандл около 10 MB, инференс sub-ms.

До этого пробовал onnxruntime-node, но cold start на Vercel был 1.5–3 секунды. Для такой штуки это слишком больно.

Holdout

Метрики на честном holdout:

— Spearman ρ = 0.33 по log-score
— MAE log = 1.65, то есть часто примерно x5 в сырых очках
— AUC для score ≥100 = 0.67
— Precision@30 = 0.83

Это не “я предсказываю HN”.

Скорее: из заголовка и исторических аналогов можно вытащить примерно треть сигнала.

Симулятор комментов

Моя любимая фича.

Система ищет похожие старые HN-посты с реальными комментами, берёт top comments из этих тредов и просит Gemini Flash сгенерировать возможные реакции:

— скептик
— педант
— tangent guy
— корректор
— поддерживающий комментатор

Но каждый simulated comment должен быть grounded в реальном HN-комменте.

Rewriter и Auto-improve

Есть rewriter: он берёт твой title, смотрит на соседей, предлагает три улучшенных варианта и снова прогоняет их через модель.

Auto-improve делает это в несколько раундов и показывает hill-climb: как заголовок постепенно двигается к более сильной версии.

Live calibration ledger

Чтобы не рисовать красивые ML-графики задним числом, я добавил /predictions.

Каждые 10 минут systemd-таймер берёт top-30 реального HN, прогоняет через predict endpoint и пишет в Postgres:

— что модель предсказала
— что реально произошло потом

Ошибки видны вживую. Их нельзя ретушировать.

Код

Всё открыто под MIT:

github.com/crimeacs/foresyn-hackernews

Можно форкнуть под Reddit, X, Product Hunt или любую платформу, где есть исторические посты и outcome.

Я запостил это на HN сегодня.

Перед публикацией модель предсказала моему собственному title 32/99 virality и около 12 raw points.

Теперь live ledger покажет, была ли она хоть немного права.

Буду рад апвоуту, комменту или честному roast’у ❤️

🕵️‍♂️ AI-продукт недели: damnlines.com

Сайт показывает очереди в хайповые места Нью-Йорка в реальном времени: камеры → computer vision → счетчик людей → «стоит идти или нет».

Построил Lucas Gordon, инженер из NYC; публично проект идет через G26 LLC.

Главный урок: ценность часто не в «суперумной модели», а в том, чтобы воткнуть простой AI pipeline в правильное место реальности.

Вот например моя любимая slice пицца: https://damnlines.com/camera/lindustrie-pizzeria

Что еще прикольно было бы сделать?

5 мыслей после ужина с партнёром a16z Zane Lackey

1. AI - это не “ещё один cloud”. По масштабу, ИИ ближе к индустриальной революции + электричеству. По крайней мере, так на это смотрят инвесторы.

2. Сейчас можно взлететь с маленькой командой + AI tooling + tokens вместо десятков людей и огромного cloud burn.

3. Venture нужен не всем. Но если идёшь в VC, ставка должна быть большой. Инвесторы покупают не “полезную фичу”, а огромный рынок и ощущение inevitability.

4. Старые, скучные категории могут внезапно стать интересными. Хороший pitch: “эта область 20 лет была ужасной - вот почему, и вот что AI наконец изменил”.

5. Build vs buy не умер. AI позволит компаниям строить больше внутреннего софта, но настоящий enterprise product - это поддержка, безопасность, документация, фичи и ответственность. Это всё ещё покупают.

Главный вывод: сейчас выигрывают не те, кто просто “добавил AI”, а те, кто понял, какую старую боль AI делает наконец решаемой.

🪞 Я написал пост про новый Claude Skill, который ловит «ИИ-палевы» в тексте. И пропустил пост через сам скилл.

Скилл нашёл 6 нарушений в собственном анонсе. Главное нарушение: длинное тире, шесть штук. ChatGPT ставит его на каждом шаге рассуждения. Живые люди ставят его раз в неделю. Я попался на том самом тэлле, ради которого писал инструмент.

Откуда правила
У Wikipedia есть открытая страница про признаки ИИ-текста, которую коммьюнити обновляет быстрее, чем любой локальный rule-list. Сейчас там ~50 слов, ~80 фраз, и десяток паттернов: типичные глаголы делового английского, риторический контраст в духе «не просто A, а B», тройные перечисления через запятую, штампованные первые строчки писем.

Я взял эту страницу и сделал из неё Claude Skill: ai-tells-validator. Каждый запуск тянет свежую версию (час mtime-кэша), парсит её, режет ваш драфт по живому каталогу.

Две команды:
🔍 validate, найти все тэллы в драфте
✍️ rewrite, позвать Claude и переписывать, пока валидатор не загорится зелёным (до 3 попыток)

Реальный кейс
Батч из 44 холодных писем для outbound. По зрительному прогону казалось, что нужно поправить 6-7. Валидатор завернул 38. Почти все на одном или двух длинных тире. Без скилла этот батч ушёл бы в почту руководителям, и каждый прочитал бы первый абзац как «о, это ИИ написал».

Главная фишка не в правилах, их можно скопипастить с любого блога. Главная фишка в источнике правил, потому что он живой. Коммьюнити ловит новые тэллы быстрее, чем кто-либо из нас успевает их заметить.

🔗 Скилл тут: github.com/crimeacs/ai-tells-validator
📚 каталог: en.wikipedia.org/wiki/Wikipedia:Signs_of_AI_writing