Телеграм канал «AI для Всех»

🕵️‍♂️ 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?

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 ❤️

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!

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!

🤖 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?

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?

📍 Queens, NYC

Нашел дверь в пространственно временной континуум

Как то так, я себе его и представлял