Телеграм канал «Клуб CDO»

Редакция в последнее время внимательно наблюдает за лавинообразным ростом сети Motbook — и это, честно говоря, очень любопытный эксперимент. При этом я по-прежнему считаю, что всё движение там создают люди: напрямую или через своих ботов. Тем не менее эксперимент действительно интересен и наглядно демонстрирует мультиагентную архитектуру не в теории, а «в дикой природе».

Имхо, сейчас большинство enterprise-программ с агентами по-прежнему остаются по сути одноагентными: один workflow, один запуск. Координация и повторное использование при этом считаются опциональными. Но как только агентов становится больше одного, вопросы взаимодействия, обнаружения и доверия перестают быть «фичами» и превращаются в базовую инфраструктуру, требующую отдельного дизайна и компонента оркестрации.

В таких сетях с большим количеством агентов распределение способностей становится социальным. Агенты могут находить навык, перенимать его и распространять дальше по сети. Это принципиально новый канал для распространения инструментов и стандартных паттернов работы. По сути — внутренний app store, управляемый самими агентами, а не централизованной командой, с динамической оркестрацией, которая определяется успешностью работы того или иного агента. Их «репутация» при этом превращается в маршрутизацию: лайки, статусы и маркеры становятся механизмом селекции — какие агенты будут вызываться чаще, чьим результатам доверяют, какие поведения масштабируются. Если вы не спроектировали сигналы доверия, они всё равно появятся, но уже стихийно.

В общем, имхо, это интересный паттерн, но крайне сложный для дебага и отладки 🙂

https://www.moltbook.com/

Если вы следите за новинками в мире AI, то наверняка заметили хайп вокруг проекта OpenClaw (ранее Clawdbot → Moltbot). Он уже набрал сотни тысяч звёзд на GitHub и породил волну обсуждений в Twitter. Но за внешним шумом легко упустить главное: что это такое и зачем вообще вкладывать своё время в его установку и использование.


OpenClaw — это не очередной «убийца Алисы» и не магический ассистент, который решает всё за вас. Это оркестрационный слой — сервис, который постоянно работает на сервере и управляет диалогами, задачами и интеграциями с внешними сервисами через LLM-модели (Claude, GPT, Gemini и др.). Он слушает сообщения (например, в Telegram), выполняет задачи по расписанию, хранит память и реагирует на команды.


OpenClaw требует настройки, понимания ограничений LLM и сознательного подхода к автоматизации. Он не решит ваши задачи сам по себе — вы должны сформулировать правила, конфиги и триггеры, чтобы он действовал так, как считаете нужным.

Что даёт OpenClaw в реальности

• Он работает как постоянно работающий сервис, а не как одноразовый скрипт (то есть там реализован цикл alway-on работы)
• Подключается к мессенджерам (Telegram, WhatsApp и др.) - имеет готовые интеграции
• Может интегрироваться с внешними инструментами через skills (браузер, файловая система, календарь и др.).
• Хранит память в Markdown-файлах — её можно читать и редактировать вручную. (довольно простое и очевидное решение, но вопрос насколько масштабируемое?)

Итог: OpenClaw — это не «AI-волшебство». Это мощный, расширяемый инструмент для тех, кто готов вложить время в настройку и управление. Если вы любите self-hosting, автоматизацию рутинных задач и хотите построить свой персональный AI-ассистент — этому проекту точно стоит дать шанс ну или хотя бы изучить код и перенять элегантные решения себе 🙂

Git: https://github.com/openclaw/openclaw

https://habr.com/ru/articles/990786

Дайджест статей

📰: Как устроена архитектура факторов ранжирования в runtime поиска Ozon
Ссылка: https://habr.com/ru/companies/ozontech/articles/990518/
Вывод одной строкой: При разработке архитектуры факторов ранжирования для поиска необходимо учитывать динамическое взаимодействие между данными, алгоритмами и пользовательским опытом для достижения высокой точности и релевантности результатов.


📰: С чего начинаются дашборды: путь от данных к инсайтам
Ссылка: https://habr.com/ru/articles/990880/
Вывод одной строкой: При создании дашбордов важно учитывать качество и структуру данных, а также целевую аудиторию и бизнес-цели, чтобы эффективно преобразовать данные в полезные инсайты.


📰: Персональные данные: что было в 2025 и что делать в 2026
Ссылка: https://habr.com/ru/companies/infowatch/articles/989886/
Вывод одной строкой: Необходимо активно адаптироваться к изменениям в законодательстве и технологиях обработки персональных данных, чтобы обеспечить соответствие требованиям и защиту прав пользователей в 2026 году.


📰: Паттерны проектирования в Data Engineering, которые необходимо освоить в 2026 году
Ссылка: https://habr.com/ru/companies/spring_aio/articles/990336/
Вывод одной строкой: Освоение современных паттернов проектирования в Data Engineering, таких как обработка потоковых данных и архитектура данных, станет ключевым фактором для успешной реализации проектов в 2026 году.


📰: Как AI VK построили единую платформу для рекомендаций, поиска и рекламы в продуктах с многомиллионной аудиторией
Ссылка: https://habr.com/ru/companies/vk/articles/990514/
Вывод одной строкой: При разработке единой платформы для рекомендаций, поиска и рекламы важно учитывать масштабируемость, адаптивность алгоритмов и интеграцию с существующими системами для достижения максимальной эффективности и пользовательского опыта.


📰: Power BI в январе 2026: новые возможности, Copilot, визуализации и изменения для разработчиков
Ссылка: https://habr.com/ru/articles/989234/
Вывод одной строкой: В январе 2026 года Power BI предложит новые возможности, включая интеграцию с Copilot и улучшенные визуализации, что потребует от разработчиков адаптации своих подходов к созданию отчетов и аналитики.


📰: Роль хранилищ и платформ данных в развитии ИИ
Ссылка: https://habr.com/ru/companies/vktech/articles/989456/
Вывод одной строкой: При выборе хранилищ и платформ данных для проектов в области ИИ важно учитывать их способность к масштабированию, производительность и совместимость с используемыми алгоритмами и инструментами.


📰: «Области тьмы» ИТ: платформы управления данными
Ссылка: https://habr.com/ru/articles/988946/
Вывод одной строкой: При выборе платформы управления данными важно учитывать не только функциональные возможности, но и уровень безопасности, соответствие нормативным требованиям и возможность масштабирования для обеспечения надежности и защиты информации.


📰: 5 Top Data Visualization Tools for Research Projects
Ссылка: https://www.smartdatacollective.com/top-data-visualization-tools-for-research-projects/
Вывод одной строкой: При выборе инструментов визуализации данных для исследовательских проектов важно учитывать их функциональные возможности, удобство использования и совместимость с существующими данными, чтобы максимально эффективно представить результаты.

Nomic – инструмент для работы с данными в сфере искусственного интеллекта.

Компания Nomic AI фокусируется на создании инструментов для структурирования, визуализации и анализа больших объёмов неструктурированных данных

Некоторые функции Nomic Atlas:
1. Организация данных — текст, изображения, данные встраивания
2. Визуализация — создание карт, которые можно делиться.
3. Поиск — мгновенный поиск миллионов точек данных
4. Кластеризация — автоматическое разделение данных на семантические темы
5. Маркировка и очистка — маркировка и очистка датасета
6. Удаление дубликатов — удаление дубликатов текста, изображений, видео, аудио

Языки: C++ (52.0%), QML (30.3%), Python (7.6%), ...

⭐️ Star 77.1k

https://github.com/nomic-ai/gpt4all

⚡️ @becaps // max.ru/becaps

💥Представляем номинанта на премию Data Award 2026!

🔥 Дмитрий Якоб, заместитель генерального директора по ИТ компании ТМК

🏭 В «Трубной металлургической компании», объединяющей более 25 предприятий по всей стране, было принято решение централизовать ведение ключевых корпоративных справочников и создать единый импортонезависимый источник мастер-данных.
В основу решения легла платформа Arenadata Harmony MDM, а общая трудоемкость проекта составила более 35 тыс. человеко-часов.

📖 Читайте интервью с Дмитрием о реализации проекта: «ТМК: отечественный MDM с новыми возможностями»

❗️Прием заявок на участие в Data Award 2026 идет до 15 февраля!
🏆 Хотите, чтобы вашу data‑команду заметили? Участвуйте в Data Award 2026 — престижной премии для data‑driven организаций и директоров по данным!

⏩Подать заявку

#DataAward2026 #ТМК #Импортозамещение #ЦифроваяТрансформация

Uber в своем блоге очень часто радует хорошим контентом. Вот интересная статья про управление нагрузкой на BD - показывает хороший кейс классического подхода интеллектуального управления нагрузкой - когда мы распределяем запросы базируясь на алгоримах, которые учитывают текущее состояние системы. Важно тут отметить, что без хорошего observability, то есть сбора метрик и данных о состояние и происходящих в системе процессов, никакого интеллектуального управления или, тем более, модного сейчас self healing - не будет. Все основывается на данных.

Авторы статьи из Uber описывают эволюцию подхода к управлению нагрузкой в высоконагруженной распределённой системе и проблему, с которой они столкнулись по мере роста платформы. Классический static rate limiting, основанный на жёстко заданных лимитах запросов, перестал работать эффективно: он либо слишком агрессивно «душил» легитимный трафик в пиковые моменты, либо, наоборот, не спасал систему от перегрузок в случае каскадных сбоев и неравномерного распределения нагрузки между сервисами.

В статье рассматривается типичный для Uber технологический стек: микросервисная архитектура, тысячи сервисов, интенсивное RPC-взаимодействие, сложные dependency graph’ы и постоянные колебания нагрузки. В такой среде простые лимиты на уровне edge или отдельных сервисов не учитывают реальное состояние системы — латентность, насыщение CPU, очереди, backpressure и влияние одного сервиса на другой. В результате rate limiting превращается в грубый инструмент, плохо отражающий фактическую «здоровость» системы.

Инженерное решение, к которому пришли авторы, — переход от статических лимитов к intelligent load management. Вместо фиксированных порогов система начинает принимать решения на основе сигналов реального времени: latency, error rate, saturation, а также информации о критичности конкретных запросов. Нагрузка регулируется динамически, с учётом приоритетов, graceful degradation и возможности частично обслуживать трафик, не доводя систему до отказа. По сути, rate limiting эволюционирует в адаптивный механизм управления нагрузкой, встроенный в общую observability- и resilience-стратегию платформы.

В итоге статья хорошо показывает, что в масштабе Uber проблема не в количестве запросов как таковых, а в умении понимать текущее состояние системы и принимать инженерно обоснованные решения о том, какой трафик можно и нужно обслуживать прямо сейчас, а какой — ограничить или деградировать без ущерба для ключевых бизнес-функций.

https://www.uber.com/en-GB/blog/from-static-rate-limiting-to-intelligent-load-management/

Вышла новая публикация от RussianBI — о том, как протокол Model Context Protocol (MCP) становится ключевым элементом в современной архитектуре ETL/ELT систем.

В основе — MCP Хост — ИИ-продукт, реализующий интерактивное взаимодействие с пользователями и внешними программами, который чаще всего использует большие языковые модели (LLM) для обработки запросов и управления данными.


Статья показывает, как MCP вписывается в новый ETL/ELT-стек, обеспечивая:
• стандартизированный обмен контекстом между моделями и сервисами;

• расширяемость и совместимость с различными источниками данных;

• гибкое взаимодействие с BI/аналитическими движками.


Традиционные ETL-архитектуры часто растут в сложность с ростом данных и инструментов. Протокол MCP предлагает унифицированный способ интеграции LLM и внешних данных, что позволяет построить более адаптивные, интеллектуальные и автоматизированные пайплайны.

https://russianbi.ru/articles/detail.php?ID=964