Аналитика Telegram-канала
Подписчики
1 395
Охват за 24 ч
59
ER за 24 ч
4,23%
Публикаций
802

Динамика подписчиков

7 дней 30 дней 6 месяцев Больше
16 ноя18 ноя21 ноя
Показаны последние 7 дней Больше истории →

Охваты публикаций

28.1020.11
22
Средний охват
22
Лучший результат
Показаны 2 публикации — последние в канале Больше статистики →

Упоминания

27
Упоминаний
10
Из них репостов
22
Каналов
Нет примеров за последние 90 дней
Все упоминания

Последние посты

2 из 802 2 из 802
Сделала для вас гайд по первой настройке Claude ❤️ Внутри: где скачать, как настроить под себя, мои любимые скиллы и коннекторы. Даже если уже пользуетесь, загляните) Там есть готовые промпты, которые можно просто скопировать и подставить свои данные. ➡️ В новом видео на YouTube всё подробно показываю
ещё
21 0 20 ноя, 14:46
Фото
🧠 Почему агент ошибается, даже если модель умная Принято думать, что качество ИИ-агента зависит от модели: чем она мощнее, тем лучше результат. Чаще всего агент ломается не из-за модели, а из-за того, что её окружает. Это окружение называют харнесс (от англ. harness, «упряжь»). 🔧 Что такое харнесс Это всё, что превращает «голую» языковую модель в рабочего агента: • цикл, в котором модель думает, действует и проверяет себя; • инструменты: поиск, код, файлы; • память и управление контекстом; • обработка ошибок, ограничения и безопасность. 💻 Удобно сравнить с компьютером. Модель — это процессор, контекстное окно — оперативная память, внешние базы — диск, а харнесс — операционная система. 📊 Почему это важно: цифры • LangChain не трогал модель, а изменил только харнесс. В бенчмарке TerminalBench 2.0 его агент поднялся из-за пределов топ-30 на 5-е место. • Vercel убрал 80% инструментов из v0, и результаты стали лучше. • Manus за полгода пять раз переписывали харнесс и каждый раз упрощали. • По словам создателя Claude Code Бориса Черного, если дать модели проверять свою работу, качество вырастает в 2–3 раза. ⚠️ Где агенты спотыкаются • Ошибки накапливаются. Если каждый из 10 шагов удаётся в 99% случаев, вся задача удаётся только примерно в 90%. • Модель хуже замечает то, что лежит в середине контекста: качество может упасть больше чем на 30%. • Если контекст перегружен, агент «плывёт». Поэтому его сжимают, лишнее скрывают, а нужное подгружают по запросу. 🏗 Главная мысль Харнесс похож на строительные леса. Чем умнее становятся модели, тем тоньше он должен быть. Если харнесс только разрастается, это плохой знак. 💡 Что взять на заметку ✅ Если агент ошибается, сначала проверьте харнесс, а потом уже вините модель. ✅ Меньше инструментов часто означает лучший результат. ✅ Дайте агенту способ проверить себя: тесты, линтеры, скриншоты. ✅ Несколько агентов нужны только для действительно больших задач, например если у вас больше 10 пересекающихся инструментов. 📖 Полный разбор с примерами Claude Code, OpenAI и LangChain: https://habr.com/ru/articles/1023316/ #нейросети #ИИагенты #LLM
ещё
22 2 28 окт, 13:52
Больше постов

Продолжить анализ этого канала

  • История роста подписчиков
  • Просмотры и охваты публикаций
  • Кто упоминает канал и кого упоминает он
  • Похожие каналы и подбор для рекламы
Открыть аналитику
Демо до 14 дней