Протестировал ИИ-скиллы для финмоделей. Вот что работает Финмодель — это не «Excel ради Excel». Обычно нужно быстро ответить на пять вопросов: сколько заработаем, сколько потратим, когда закончатся деньги, какая экономика одного клиента и что будет при другом сценарии. Я протестировал набор скиллов для ИИ-агентов из открытой подборки alirezarezvani. Это не готовые «кнопки», а набор инструкций и скриптов, которые помогают агенту собрать модель структурно, а не с нуля каждый раз. Сразу скажу: это не реклама и не рекомендация, а разбор инструмента, который я проверил на своем проекте модели. Что в подборке полезно для финансов: CFO-советник — runway, burn rate, unit-экономика, фондирование, dilution, управление деньгами. Финансовый аналитик — P&L, прогноз, бюджет, отклонения, DCF, финансовая отчётность. SaaS-метрики — ARR/MRR, churn, LTV, CAC, payback, NRR, quick ratio. Ценообразование — модель цены, тарифы, готовность платить, упаковка. Сценарии — base / upside / downside и чувствительность к ключевым допущениям. Исследование рынка — TAM / SAM / SOM, сегменты и допущения по рынку. В подборке есть и продуктовые, и дизайнерские, и маркетинговые скиллы, но здесь я смотрел только финансовую часть. Как это работает на практике Можно загрузить только нужные скиллы (в подборке 400+ скиллов и если установить все, это сильно нагрузит контекст). Далее агент читает нужный скилл, задаёт вопросы по исходным данным, использует скрипты для расчётов и собирает Excel или Google Sheets с листом допущений, формулами, P&L, cash flow, unit-экономикой и сценариями. Дальше вы меняете цифры — модель пересчитывается. Скиллы подходят для любых агентных тулов (Claude Code, OpenCode, Cursor, Hermes Agent и тд.) Полагаю, скиллы по другим направлениям так же не плохи, надо будет проверить на других задачах ) Но в обязательном порядке рекомендую при установке скиллов проверять их на безопасность для ваших устройств/ключей/и тд. Что понравилось • появляется структура, а не хаос из таблиц; • видно, какие допущения заложены; • сценарии и чувствительность считаются быстрее; • меньше ручной работы при подготовке модели для инвестора или бюджета. Что важно помнить • скиллы не заменяют финансовую экспертизу (надо понимать что спрашивает агент, и что вообще такое фин.модель); • налоги, юридические допущения и отраслевую специфику нужно проверять отдельно; • «мусор на входе — мусор на выходе»: без нормальных данных модель будет красивой, но бесполезной; • итоговые решения всё равно принимает человек. Мой вывод Как каркас для финмодели — очень полезно. Особенно когда нужно быстро собрать 36-месячную модель, посмотреть сценарии и не забыть про cash flow. 😊 InnovaiteNews

Локальный протокол встречи: как собрать ИИ-ассистента, который не отправляет разговоры в облако Ещё недавно, чтобы расшифровать часовой созвон, нужен был платный сервис или длинная цепочка скриптов. Сейчас модели для распознавания речи, диаризации и генерации текста стали настолько компактными, что весь конвейер запускается на обычном ноутбуке. Мне понравилась NVIDIA Nemotron 3 Diarization — небольшая модель (~100 МБ), которая уверенно разделяет разговор на спикеров на обычном ноутбуке. Добавляем faster-whisper для расшифровки и локальную LLM через Ollama — получается полноценный сервис без облака. Из этих компонентов я собрал проект «Подготовка протокола встречи». Что он умеет: • загружаете аудио и получаете расшифровку с разметкой по спикерам; • видите, кто и когда говорил, с таймкодами и плеером; • имена спикеров можно заменить на реальные; • локальная LLM формирует протокол: участники, обсуждение, решения, поручения; • текст расшифровки и протокол можно править прямо в интерфейсе; • экспорт в Word: отдельно расшифровка, отдельно протокол; • история сессий сохраняется на диск: можно вернуться, послушать аудио и продолжить правки. Этот функционал можно встроить и в harness-инструменты вроде Hermes или Open Claw. Но там текст не привязан к записи по таймкодам — а именно в этом удобство: слушаешь запись на той же странице, видишь нужный момент и сразу правишь расшифровку. Распознавание не 100%, ошибки будут, но с таймкодами вычитка идёт очень быстро. Почему локально — принципиально: • конфиденциальные разговоры не уходят в сторонние сервисы; • нет подписок и лимитов на минуты; • можно работать без интернета; • данные и история остаются на вашем компьютере. По ресурсам это посильно современному ноутбуку: часовая запись — примерно 10 минут транскрибации и 2–3 минуты диаризации на Apple Silicon. Понятно, что скорость и качество зависят от модели и железа, но отдельная серверная для встреч длиной в час уже не нужна ) Самое интересное: такие проекты собираются из готовых небольших компонентов. Не нужно быть ML-инженером — нужно аккуратно соединить распознавание, диаризацию и LLM, а потом сделать нормальный интерфейс для проверки и правок. Подробный разбор и скриншоты — в моей статье. Если хотите запустить такое решение у себя — для личных созвонов или в компании — напишите мне @sergiovalor, помогу подобрать конфигурацию, установить и настроить под ваши задачи. 😊 InnovaiteNews

Локальный протокол встречи: как собрать ИИ-ассистента, который не отправляет разговоры в облако Ещё недавно, чтобы расшифровать часовой созвон, нужен был платный сервис или длинная цепочка скриптов. Сейчас модели для распознавания речи, диаризации и генерации текста стали настолько компактными, что весь конвейер запускается на обычном ноутбуке. Меня вдохновила NVIDIA Nemotron 3 Diarization — небольшая модель (~100 МБ), которая уверенно разделяет разговор на спикеров на обычном ноутбуке. Добавляем faster-whisper для расшифровки и локальную LLM через Ollama — получается полноценный сервис без облака. Из этих компонентов я собрал проект «Подготовка протокола встречи». Что он умеет: • загружаете аудио и получаете расшифровку с разметкой по спикерам; • видите, кто и когда говорил, с таймкодами и плеером; • имена спикеров можно заменить на реальные; • локальная LLM формирует протокол: участники, обсуждение, решения, поручения; • текст расшифровки и протокол можно править прямо в интерфейсе; • экспорт в Word: отдельно расшифровка, отдельно протокол; • история сессий сохраняется на диск: можно вернуться, послушать аудио и продолжить правки. Почему локально — принципиально: • конфиденциальные разговоры не уходят в сторонние сервисы; • нет подписок и лимитов на минуты; • можно работать без интернета;данные и история остаются на вашем компьютере. По ресурсам это посильно современному ноутбуку: часовая запись — примерно 20 минут транскрибации и 2–3 минуты диаризации на Apple Silicon. Понятно, что скорость и качество зависят от модели и железа, но отдельная серверная для встреч длиной в час уже не нужна. Самое интересное: такие проекты собираются из готовых небольших компонентов. Не нужно быть ML-инженером — нужно аккуратно соединить распознавание, диаризацию и LLM, а потом сделать нормальный интерфейс для проверки и правок. 📌 Главный вывод: локальный протокол встречи — это не про «заменить людей», а про быстрый черновик и контроль над данными. Основная работа — в сборке конвейера и удобной проверке, а не в обучении моделей. Подробный разбор, стек и скриншоты — в статье: https://chervyakoff.ru/articles/lokalnyy-protokol-vstrechi Если хотите запустить такое решение у себя — для личных созвонов или в компании — напишите мне в Telegram: https://t.me/sergiovalor. Помогу подобрать конфигурацию, установить и настроить под ваши задачи. 😊 InnovaiteNews