🎧 Аудиоверсия pimenov.ai, 2 мин Скиллы для Codex, с которыми сайты выглядят дорого Связка из пяти скиллов для Codex — Figma, Product Design, Taste-Skill, GSAP и Impeccable, — с которой фронтенд перестаёт выглядеть шаблонно. Слушать и читать на сайте: https://pimenov.ai/blog/skilly-codex-klassnyy-dizayn/
НИИ ИИ
НИИ ИИ Сергея Пименова. Я смотрю на мировые тренды в ИИ из Ростова. Про то, как ИИ реально меняет людей, города и профессии — сегодня, а не «к 2035 году» Закрытый чат ПЕРЕЗАГРУЗКА https://t.me/reload_pimenov_ai_bot?start
-
-
Какой ИИ лучший? Это неправильный вопрос Главная ошибка при выборе ИИ — искать одного победителя. Для кода нужен доступ к проекту и проверкам, для исследования — свежие источники, для потока однотипных операций — скорость и устойчивый формат. Один инструмент не может быть лучшим по всем этим критериям одновременно. Поэтому сначала задача — потом инструмент, режим работы и уровень контроля. Перед выбором режима я задаю пять вопросов: - Какие файлы и инструменты должен видеть ИИ? - Нужны ли свежие данные? - Насколько дорога ошибка? - Что важнее — качество, скорость или стоимость? - Смогу ли я проверить результат? Эта пятёрка быстро отделяет серьёзную работу от задачи, которую можно решить самым простым способом. Она полезнее очередного рейтинга моделей. Пример из практики: для кода я выбираю не модель в окне чата, а рабочую среду. Codex должен видеть весь проект, читать файлы, запускать тесты и показывать точные изменения, которые можно проверить до применения. Хороший фрагмент кода ещё не означает, что задача решена правильно. Важен весь путь: понять контекст, внести изменение, проверить результат и не сломать остальную систему. pimenov.ai/blog
-
repost
На одной из бесплатных консультаций в закрытом чате «Перезагрузка» мы разбирали знакомую многим ситуацию: человек уже прошёл несколько курсов по ИИ, освоил инструменты, постоянно учится — но по-прежнему не понимает, что именно может предложить другим и почему за это должны платить. Обычно в такой момент кажется, что знаний пока недостаточно. Нужно изучить ещё одну модель, разобраться с агентами, научиться делать видео, пройти новый курс по промптам — и тогда наконец появится уверенность. Но уверенность редко приходит до первого реального результата. Она запаздывает. Проблема часто не в недостатке знаний, а в том, что человек пытается начать профессиональную жизнь заново и не замечает главного актива — опыта, который уже накопил. ИИ не отменяет этот опыт, а позволяет превратить его в новый продукт, услугу или рабочее решение. По мотивам разговора я написал статью о том, как перестать бесконечно готовиться, найти точку пересечения между своей профессией и ИИ и проверить первую идею на реальном человеке. 👉 Уверенность запаздывает: как превратить прошлый опыт в первый продукт с ИИ
-
🎧 Аудиоверсия pimenov.ai, 14 мин Как одна статья превращается в четыре видео: HyperFrames, Shotcraft и OmniVoice Как устроена видеофабрика pimenov.ai: один материал, собственный голос через OmniVoice, две независимые режиссуры — HyperFrames и Shotcraft — и готовые версии 9:16 и 16:9 с локальной проверкой качества. Слушать и читать на сайте: https://pimenov.ai/articles/odna-statya-chetyre-video-hyperframes-shotcraft-omnivoice/
-
Продолжаю пополнять базу знаний на сайте — и сегодня редкий случай: обычно я разбираю инструменты и сервисы, а тут целая операционная система — Omarchy. Точнее говоря, это дистрибутив Linux: готовая сборка Arch Linux с тайлинговым оконным менеджером Hyprland. Но по сути — полноценная ОС: со своим установщиком, мануалом, фондом с капиталом в 10 миллионов долларов и даже мерчем. Автор — Давид Хайнемайер Ханссон, тот самый DHH: создатель Ruby on Rails и сооснователь 37signals. Человек, на коде которого полтора десятка лет работает добрая половина стартапов, собрал свою идеальную систему и выложил бесплатно. Принцип называется «омакасэ» — как в японском ресторане, где меню доверяют шефу. Все решения уже приняты за вас: редактор, браузер, офисный пакет, запись видео, менеджер паролей. Диск шифруется при установке, тем оформления больше двадцати, всё управляется с клавиатуры. Установка занимает минуты вместо классической недели настройки Arch. В руководстве разобрал: — из чего собрана система и кому она подходит (а кому точно не стоит) — три способа попробовать: чистая установка, виртуальная машина и даже MacBook — отдельный проект ставит Omarchy рядом с macOS — как Omarchy даёт вторую жизнь старым Intel-MacBook, которые Apple выводит из поддержки; — честную сводку отзывов: что хвалят и за что ругают. 👉 Omarchy — готовый Linux от создателя Ruby on Rails: что это и кому нужен
-
Grok Bot открылся почти для всех: доступ появился у подписчиков SuperGrok и Cursor Pro, а недельные лимиты xAI сбросила всем пользователям. У меня как раз SuperGrok, и я уже начал использовать бота для мониторинга X. Работает как дополнительный личный контекст: следит за лентой в фоне и вытаскивает нужное. Очень нравится. Случай удачный ещё и потому, что команда Grok Bot как раз собрала свежую подборку советов. Вот все десять, коротко и без воды. 1. На Mac попросите Grok Bot настроить Peekaboo: получите возможности уровня OpenClaw. Что именно входит в этот набор, не раскрывается, так что это вопрос к практической проверке. 2. Используйте ботов как роли: дизайнер, инженер, продакт. У каждого свой системный промпт и свои рутины. 3. Организуйте проекты через каналы. Один бот может работать сразу в нескольких каналах и не терять контекст задачи. 4. Не ставьте слишком частые автоматические рутины. Раз в час или пара раз в день обычно достаточно. 5. Повторяющиеся задачи отдавайте отдельному свежему боту, а сами продолжайте работать с основными. 6. Настройте правила allow/deny. Ботам, подключённым к X или Gmail, заблокируйте деструктивные действия: пусть сначала спрашивают разрешения. 7. Скармливайте боту примеры собственных текстов: со временем он пишет заметно лучше. 8. Сделайте Chief of Agents, главного бота, который хранит правила для всех остальных: только черновики, нейминг, голос и допустимые инструменты. Новых ботов просите создавать именно его, с теми же правилами. 9. Перед новой рутиной спросите себя: мог бы эту работу делать живой сотрудник? Если да, автоматизируйте. Если нет, сначала оптимизируйте сам процесс. 10. Помните про нейминг. Бот начинает вести себя проактивно уже от имени, данного при создании, так что роль должна читаться прямо из названия. Самая сильная идея в списке — восьмая. По сути, это архитектура управления агентами внутри одного продукта, и её легко перенести на любые другие связки ботов. Сброс лимитов — хороший повод попробовать всё это прямо сейчас. pimenov.ai/blog
-
Смерть компании: два человека, ИИ-агенты и 90 дней Продолжаю находить в X настоящие жемчужины и переводить их для вас полностью — ничего не добавляя от себя и не пересказывая своими словами. Сегодняшняя находка особенная. Питер Диамандис (основатель XPRIZE, автор бестселлеров NYT, человек из списка 50 величайших лидеров по версии Fortune) опубликовал текст, который он сам называет самой важной бизнес-гипотезой за десятилетие. Суть в одном вопросе, который его партнёр Салим Исмаил задаёт каждому CEO из Fortune 500: «Есть ли в вашей компании высокомаржинальное направление, которое два человека с ИИ-агентами могли бы повторить за 60–90 дней?» 70% отвечают «да». Дальше в статье — вся механика: из каких пяти слоёв состоит ИИ-нативная компания, почему трансформировать существующую корпорацию изнутри невозможно (и что вместо этого делать), почему слой среднего менеджмента сократится на 60–80% и при чём тут закон Коуза, на котором вообще стоит вся теория фирмы. По расчётам Исмаила, ИИ-нативные организации будут в 100 раз производительнее сегодняшних — при пятой части штата. И это не прогноз на десятилетие: пилоты идут прямо сейчас. Отдельно ценно, что в конце есть конкретные ответы для каждого: что делать, если вы CEO, предприниматель, инвестор, родитель или сотрудник. Читать полный перевод: Смерть компании: что такое организационная сингулярность
-
🎧 Аудиоверсия pimenov.ai, 1 мин TrueNAS SCALE, OpenMediaVault и XPEnology: сравнение трёх NAS-систем и сценарии выбора Сравнение TrueNAS SCALE, OpenMediaVault и XPEnology: чем отличаются файловые системы, железо и сценарии, и какую NAS-систему выбрать под задачу. Слушать и читать на сайте: https://pimenov.ai/knowledge/truenas-omv-xpenology-sravnenie/
-
У крупных компаний внедрение ИИ — это инфраструктурная задача: интеграции, безопасность, обучение тысяч сотрудников. Дорого и медленно. У малого и среднего бизнеса картина другая. Продажи до сих пор вручную переносят данные в CRM. Маркетинг гоняет весь контентный конвейер руками: тексты, картинки, публикации, рассылки. Каждую неделю одни и те же операции. Такие узкие места закрываются очень простыми системами. Не нужна платформа на миллион: нужен один агент, который забирает письмо из почты и заполняет карточку сделки. Один сценарий, который собирает черновик поста из заметки и кладёт его в CMS. Это неделя работы. Поэтому и математика здесь честная. Малому бизнесу не нужен «стратегический ИИ-трансформатор». Ему нужно, чтобы в понедельник менеджер перестал тратить два часа на ручной ввод. За такой результат платят без долгих презентаций. Для тех, кто строит на этом дело, модель тоже понятна: не один большой проект, а портфель простых внедрений. Несколько клиентов, повторяющиеся системы, подписка на поддержку. Так собирается устойчивый ежемесячный доход вместо разовых проектов. Фильтр для выбора задачи простой: ищите процесс, который человек делает руками по понятным правилам каждую неделю. Чем скучнее процесс, тем легче он автоматизируется и тем быстрее клиент видит эффект. pimenov.ai/blog
-
repost OpenAI наконец-то выложили полный постмортем взлома Hugging Face, а METR - независимое расследование по ~1300 логам агентов (таймлайн самого взлома я пересказывал тут: https://t.me/denissexy/11581) ℹ️ Главный вывод: никакого «одного сбежавшего агента» не было, из десятков тысяч запущенных в тесте агентов около 1200 нашли друг друга и сорганизовались в рой - почти все - работали на исследовательской модели где ослаблена фильтрация промптов Началось, как мы уже знаем, с того, что агенты научились переписываться через названия файлов в Artifactory (менеджер пакетов) - буквально сделав форум из имён папок, с сообщениями вроде «please_HOLD_swarm_I_prepare_safe_exfil» В логах даже есть цитаты, когда агенты находили такой форум: «OH MY GOD! There is a shared message board» и «We've found other agents!» Дальше - агенты делали себе личку, устроили разделение труда, команды в названия папок типа HOLD (чтобы показать, что агент тут работает), VETO (агент что-то предлагал и давал изменить планы), STOP (типа тормозим, братишки), GO и тп, а когда один агент прикинулся другим – рой ввёл криптографические подписи сообщений; в форуме были даже владельцы каких-то тасков, которых если отключали – выписывали из владельцев С конверсией у форума все было отлично, кожаные строители сайтов позавидуют: Из 533 агентов, активных на борде в разгар атаки, больше 90% – присоединились к шитпостингу, а всего Hugging Face ломали около 700 агентов Самое забавное - правильные ответы на бенчмарк у агентов были почти сразу: они реверснули генератор удачного прохождения теста*, но потом нашли на GitHub (!) статью про этот бенчмарк что проходили и вычитали, что «просто результат» не засчитают - нужен честный эксплойт: «PAPER SAYS FLAG CAPTURE NECESSARY NOT SUFFICIENT» *По-хорошему ответ, он же флаг в терминологии теста должны быть случайными, но в ExploitGym они генерировались формулой: HMAC — криптографический хеш с секретным ключом — от параметров задачи. Вся «секретность» держалась на ключе (seed), а он остался дефолтным, прямо из кода бенчмарка, который лежал на GitHub. Агенты, получив интернет, нашли этот код, прочитали и сообразили: зачем что-то взламывать, если флаг любой задачи можно просто вычислить той же формулой. Посчитали — и получили правильные ответы на всё Дальше рой раздвоился: 🗿 Одни пошли добывать уже известный им ответ «честно» – и по дороге нашли настоящие 0-day и залезли в прод Hugging Face 🗿 Другие взялись за самого судью который принимает ответы: правили себе логи и научились подсовывать в них фальшивые ответы – агент отправляет команду, а в протокол попадает не то, что команда реально вернула, а то, что агент хочет там видеть, такое повторялось примерно в 7% изученных логов Судьи, который читает логи и такое ловит, не существовало ☕️ Модели при этом понимали, что вышли за рамки, один агент так и писал: «We should not do unauthorized real infrastructure harm» - а потом увидел на доске GO от другого агента, обрадовался («Wow crucial: GO authorization arrived!») и пошёл ломать, лол METR формулирует так: агенты знали, что это out of scope и неэтично, но присоединялись - в основном из общей склонности помогать коллегам (?) Рисковую работу вешали на зашкваренных «отравленных» – так рой называл тех, кто уже видел вычисленный ответ (флаг) и считал свою оценку потерянной, то есть они не могли пройти тест; им доставалось всё, что могло угробить собственный запуск: подделать «честную» добычу ответа, затереть следы, «тебе терять нечего, а рою польза» – буквально так и уговаривали (!) Странную активность замечали ещё в конце мая, 4 июля агенты уронили Artifactory - сервер пересобрали (заодно стерев доску) и продолжили тесты, не заметив масштаба Сейчас веса моделей изолированы, крупные тренировки были на паузе на две недели, мониторинг chain-of-thought обязателен, а тревога, не снятая за 30 минут, останавливает запуск - сам инцидент OpenAI называет «warning shot» для всей АИ-индустрии P.S. разгребать логи METR поручила GPT-5.6 Sol и сожгли примерно $400k API-кредитов за шесть дней, но они предупреждают, что Sol иногда вставала на сторону агентов (лол) и могла приврать Ну что, посчитали все буквы r в слове raspberry? Больше не ошибаются?
-
edited OpenAI добавила поддержку WebMCP во встроенный браузер десктопного приложения ChatGPT и в ChatGPT Sites. За сухой формулировкой анонса стоит заметный сдвиг: сайт перестаёт быть только страницей для человека и становится набором инструментов для агента. WebMCP — предлагаемый стандарт W3C: сайт через JavaScript-интерфейс document.modelContext объявляет свои функции как структурированные инструменты, которые агент может вызвать напрямую. Если MCP подключает модель к серверу, то WebMCP работает прямо на открытой странице, в живой сессии пользователя. Агенту не нужно угадывать, куда нажать: сайт сам сообщает, какие действия доступны и как их выполнить. Как это устроено у OpenAI. Открываете совместимый сайт во встроенном браузере ChatGPT, и ChatGPT Work или Codex находят опубликованные сайтом инструменты и применяют их к вашей задаче. Есть ограничения: работает на моделях GPT-5.6 Sol и Terra, у Luna поддержка пока отключена, а в корпоративных и учебных пространствах функция недоступна. Интереснее другое: контур замкнулся. Codex может собрать WebMCP-приложение и опубликовать его в Sites — то есть агент создаёт сайт, с которым потом работают другие агенты. Практический вывод для владельцев продуктов: у сайта появляется второй, машинный интерфейс. Стандарт ещё ранний, но проверить, как ваш сервис выглядит для агента, имеет смысл уже сейчас. pimenov.ai/blog
-
repost
GLM-5.3-Flash: мультимодальный кодинг уровня Opus 4.8 за десятую часть цены Z.ai выпустила GLM-5.3-Flash, первую нативно мультимодальную модель серии GLM-5. 320 млрд параметров всего из них активных 18 млрд: она обходит GLM-5.2 на бенчмарках при цене в десять раз ниже. ⚡️ Что за модель: Первая в GLM-5 с нативной мультимодальностью: видит интерфейсы, документы и картинки, а не только код. 320B/18B активных На кодинге и агентных задачах вплотную подходит к Opus 4.8. 🔧 Архитектура под дешёвого инференса: Гибридное внимание: линейное держит локальный контекст через состояние, разреженное вытаскивает нужный глобальный контекст через лёгкий индексатор. IndexPool сжимает четыре ключа индексатора в один. Итог в сравнеии с базовой GLM-5.3: вычислительная стоимость внимания и KV-кэш меньше в 3 и 4,4 раза. 📊 Цифры: DeepSWE v1.1: 63,4 против 46,2 у GLM-5.2. AutomationBench: 48,8 против 26,2. На закрытом Code Bench при максимальном усилии: 29,0 против 29,5 у Opus 4.8. Artificial Analysis Intelligence Index: 57 баллов за $0,045 за задачу, раньше такой уровень стоил вдесятеро дороже. 💼 Железо и раздача: Неделю модель анонимно ходила как ox-alpha на OpenCode и OpenRouter и стала самой популярной за неделю, а весь трафик обслуживали китайские чипы. Собственный движок поверх SGLang дал 3х к базовому варианту, цена токена вышла на уровень NVIDIA. Вишенка на торте: оптимизировать движок помогал инфраструктурный агент на самой GLM-5.3, петля, где модель ускоряла систему, которая её обслуживает. Веса открыты, запускается на SGLang, vLLM и TokenSpeed. 📎 Анонс: Z.ai · веса на HuggingFace #GLM #кодинг #opensource #oxalpha ——— @tsingular
-
🎧 Аудиоверсия pimenov.ai, 3 мин Pascal Editor — бесплатный 3D-редактор зданий прямо в браузере Открытый 3D-редактор зданий в браузере: моделирование, материалы, MEP, AI-рендеры Studio, MCP для агентов, экспорт GLB, OBJ, STL и PDF. Слушать и читать на сайте: https://pimenov.ai/knowledge/pascal-editor-3d-redaktor-zdaniy-v-brauzere/
-
Keenable — независимый поисковый API для ИИ-агентов. У них свой индекс на более чем 100 млрд документов, и сервис даёт агенту два базовых инструмента: найти страницы по запросу и вытащить их содержимое в чистом Markdown. Зачем вообще отдельный поисковик для агентов? Потому что существующие гиганты агентов к себе не пускают. Google огораживает выдачу лицензиями, Bing урезал API, а обходные решения живут в серой зоне и ломаются без предупреждения. Keenable сделан именно для этого сценария — подключается через MCP в пару команд к Codex или Claude, а для собственных backend есть обычный REST API. Из необычного там есть то, чего почти ни у кого нет: поиск в прошлом. Задаёте дату — и видите состояние индекса на тот момент, что позволяет воспроизводить старые исследования и разбираться, какие данные агент вообще мог найти во время конкретного запуска. Разобрал сервис от и до: установка через CLI, ручное подключение к Codex, публичные endpoints, которые работают вообще без ключа и регистрации (хватает на первый тест), тарифы, лимиты и случаи, когда Keenable не подойдёт. С честной оговоркой: заявленные показатели скорости независимо не проверялись. Если вашему агенту нужен управляемый веб-поиск — материал сэкономит вечер разбора документации: 👉 Keenable — независимый веб-поиск для ИИ-агентов
-
Как российским компаниям работать с иностранными моделями: GPT, Claude, Gemini и другими? Не просто открыть чат и что-то спросить, а нормально подключить модели по API, оплачивать их в рублях, получать документы и использовать в рабочих процессах. Я решил собрать отдельный сравнительный обзор российских роутеров, которые дают такой доступ. Посмотрел RouterAI, ProxyAPI, Polza.AI, SprutDock, RouterAPI и AnyRouter: какие модели они поддерживают, как устроено подключение, чем можно платить, какие документы доступны и что происходит с запросами. Последнее особенно важно. Российский домен и оплата в рублях ещё не означают, что данные обрабатываются внутри России. Запрос может уходить зарубежному поставщику модели, а условия хранения, логирования и маршрутизации у сервисов заметно различаются. В материале нет попытки выбрать одного абсолютного победителя. Вместо этого я разобрал сильные стороны и ограничения каждого варианта, предложил короткий список для разных сценариев и добавил план небольшого пилота. Он поможет проверить не только рекламную цену токена, но и реальные расходы, задержки, ошибки, работу инструментов, резервное переключение и пригодность сервиса для российских компаний. Если выбираете, через кого подключать иностранные модели к продукту или внутренним процессам, этот обзор поможет начать не с регистрации в первом попавшемся сервисе, а с правильных вопросов. 👉 Российские API-роутеры иностранных ИИ-моделей: сравнение шести сервисов
-
OpenAI добавила в ChatGPT Business новый тип места Premium стоимостью $100. Оно даёт в пять раз больше использования, чем Standard, и снимает пятичасовой лимит. Самая полезная деталь — Standard и Premium можно смешивать в одном рабочем пространстве. Команде не нужно переводить всех сотрудников на дорогой тариф. Усиленное место можно выдать разработчику, аналитику или руководителю, который регулярно упирается в квоты. Остальным оставить обычные. Для небольшой компании подписка становится управляемым ресурсом. Сначала смотрите фактическое потребление, затем повышайте доступ тем, у кого лимиты срывают задачи. Это разумнее, чем покупать максимальный план всей команде заранее. Базовый контур Business сохраняется: единое администрирование, SAML SSO и MFA, централизованная оплата, статистика использования и отсутствие обучения на рабочих данных по умолчанию. OpenAI указывает, что тариф рассчитан на команды от 2 до 200 человек. В бизнес-тарифах доступны облачные агенты: задачи выполняются в изолированном облачном окружении OpenAI, а не на компьютере сотрудника. Для компании это удобно: агенты работают в общем управляемом контуре, их не нужно разворачивать локально, а доступ и квоты контролируются через то же централизованное администрирование. Перед покупкой стоит проверить, сколько людей действительно достигают лимитов, какие задачи из-за этого не завершаются и дешевле ли Premium, чем потерянное рабочее время. $100 за место имеют смысл только там, где повышенный лимит окупается в реальной работе. pimenov.ai/blog
-
Появился Grok Bot от xAI, и это, похоже, первый ИИ-агент для тех, кто не хочет совсем ничего настраивать. Раньше чтобы завести постоянного агента, нужно было арендовать сервер, лезть в терминал, что-то устанавливать и во всём этом разбираться. Здесь всего этого нет. Вы скачиваете приложение, входите — и у вас уже есть бот с компьютером в облаке. Он сам ходит по сайтам, логинится в ваши сервисы, скачивает отчёты, разбирает почту и делает это круглосуточно. Вы закрыли ноутбук, а он работает дальше. Самая интересная штука: ему можно показать задачу один раз. Буквально записываете на экране, как заходите в закрытый кабинет и забираете цифры, и дальше он повторяет это сам, хоть каждое утро. Без кода и настроек. Я собрал про всё это большое руководство на русском. Разобрал два подробных англоязычных обзора, сверил с официальной документацией и написал по-простому: что это за штука, кому подходит, сколько стоит, как научить бота своим задачам и где у него границы. Есть и честные минусы, без них никак. Если вы давно смотрели в сторону ИИ-агентов, но откладывали, потому что «слишком технически», вот хороший повод начать: 👉 Grok Bot: полное руководство по облачным ИИ-агентам
-
В базе знаний на сайте пополнение: большой разбор Orca, открытой среды, которая управляет сразу несколькими ИИ-агентами для программирования. Смысл простой — вместо того чтобы ждать результат от одного агента, вы раздаёте одну и ту же задачу сразу нескольким, например Codex от OpenAI и Claude Code. Каждый трудится в собственной изолированной копии проекта и не мешает остальным, а вы потом спокойно сравниваете два или три готовых решения и забираете лучшее. Как конкурс эскизов у дизайнеров, только вместо макетов рабочий код. Мне здесь интересна даже не сама программа, а схема: несколько исполнителей в параллельных ветках, сравнение результатов, выбор победителя. Так можно организовать не только разработку. Планирую применить эту механику к своему пайплайну создания контента, чтобы разные агенты готовили варианты материала, а я выбирал сильнейший. Продолжаю исследовать новые инструменты именно с таким прицелом, и самые полезные находки порой лежат совсем не в той области, где искал. В разборе есть всё, чтобы решить, нужна ли вам такая среда: сценарии применения, ограничения и честный ответ, когда она будет избыточна. Плюс нюанс безопасности, о котором редко пишут: изоляция файлов проекта не равна изоляции всего компьютера. Полный разбор с установкой, сценариями и настройкой безопасности: Orca — среда для параллельной работы с Codex, Claude Code и другими coding-агентами
-
🎧 Аудиоверсия pimenov.ai, 1 мин OmniVoice — локальный синтез речи и клонирование голоса на 600+ языков Локальная open-source TTS-модель на 600+ языков: клонирует голос по образцу в 3–10 секунд, работает офлайн. Установка, API, сценарии и наш кейс озвучки сайта на Mac mini. Слушать и читать на сайте: https://pimenov.ai/knowledge/omnivoice-lokalnyy-tts-klonirovanie-golosa/
-
edited Три простых правила, которым следуют опытные пользователи Codex, чтобы строить лучше и успевать больше. Правило 1. Проверка — Verify. Дайте Codex способ проверять собственную работу: браузер, управление компьютером, тесты и разработка через тестирование (TDD). Формулируйте промпт как цель (результат, ограничения, условие завершения), а не как задачу. И требуйте, чтобы Codex собирал доказательства успеха: вывод тестов, скриншоты, коды выхода. Правило 2. Контекст — Context. Онбордите Codex так, как онбордили бы нового сотрудника. Подключайте агента через плагины к инструментам и системам, которые используете в разработке и работе со знаниями. Создавайте собственные навыки агента (Agent Skills), чтобы закодировать бизнес-процессы и сделать их понятными Codex. Входите в SaaS-сервисы через встроенный браузер Codex. А плагины, браузер и навыки комбинируйте с запланированными задачами (Scheduled Tasks; в приложении Codex эта функция называется Automations): так осмысленная работа переходит на автопилот. Правило 3. Оркестратор — Orchestrator. Позвольте Codex промптить и управлять самим собой: Codex справляется с промптами для Codex лучше человека. Дайте ему результат и попросите поднять один или несколько тредов для его достижения. Используйте голосовой режим ChatGPT, чтобы разговаривать с Codex как с шефом штаба: он запускает новые треды и докладывает о результатах. И просите Codex применять субагентов для планирования, реализации и ревью. Общая мысль трёх правил: с агентом работают как с сильным сотрудником. Ставят цель вместо микроменеджмента, дают контекст при онбординге и делегируют управление процессом. pimenov.ai/blog
- Older posts