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
Subscribers4.4K +40 24h
Reach per post (ERR)23.0%1K avg views
Posting10.6/daylast 6 hours ago
Reactions per 1K views3.1⭐
repost
Продолжаю разрабатывать идею ИИ-компании и выпустил новый материал: «Как подготовить компанию к ИИ-агентам за 30 дней».
В нём собрал практический план первого внедрения: как выбрать подходящий процесс, подготовить данные и доступы, назначить владельца результата, настроить проверки и постепенно давать агенту больше самостоятельности.
Для меня это уже не теория. Многие из этих принципов я применяю в работе над pimenov.ai: агенты участвуют в исследовании, подготовке материалов, работе с визуалами и техническом развитии сайта. При этом черновик, согласование, публикация и проверка результата остаются отдельными этапами.
Я решил собрать весь этот опыт в отдельный цикл материалов об ИИ-компании. Уже вышли статьи об ответственности агентов и организации как графе задач. Теперь перехожу к практическому внедрению. Дальше продолжу разбирать структуру, экономику и границы агентной компании.
👉 Как подготовить компанию к ИИ-агентам за 30 дней
Браузер в ChatGPT Desktop становится рабочим столом
OpenAI продолжает наполнять встроенный браузер десктопного ChatGPT. На этой неделе в нём появились две функции, о которых рассказал в X Джеймс Сан из команды OpenAI.
Первая — медиа-вкладки (Media Tabs). Все вкладки, где сейчас играет аудио или видео, собираются в одно меню на боковой панели. Если среди десятков чатов и страниц потерялась вкладка с музыкой или созвоном, она теперь находится в один клик.
Вторая — автоподсказки в пустой адресной строке. Кликните по ней, и браузер покажет страницы, которые вы посещали недавно. Вернуться к прерванной работе можно без поиска по истории.
По отдельности это аккуратные мелочи. Любопытнее, как сама команда использует браузер: Джеймс пишет, что многие в OpenAI закрепляют чат с одной вкладкой (Gmail, Google Calendar, Slack, Salesforce) и начинают с неё рабочий день.
pimenov.ai/blog
В X начались обсуждения новой IDE с открытым кодом — bb. Агентных сред разработки сейчас появляется всё больше, но у этой есть фишка, которая цепляет: её называют «IDE, которая строит сама себя». Почти любую часть интерфейса можно изменить одним промптом, а штатные функции — интеграция с GitHub, память агента, удалённый доступ — сделаны плагинами, собранными теми же инструментами, что доступны пользователю.
Идея рабочая: bb запускает Claude Code, Codex, Cursor и других coding-агентов в одной локальной среде. Работа идёт в тредах, за выполнением можно следить в реальном времени и вмешаться в любой момент. Плюс есть десктопное приложение, веб-интерфейс, CLI и HTTP API — задачи агентам можно ставить хоть из скрипта, хоть из собственного бота.
Cделал очередное руководство для базы знаний:
— установка на macOS, Linux и Windows через WSL2
— подключение провайдеров (отдельные ключи не нужны — bb работает на ваших текущих подписках)
— первый запуск и проверка результата
— три практических сценария: разбор инцидента в фоне, достройка среды под себя одним промптом, задачи агентам из внешних систем.
Проект молодой, интерфейсы меняются между версиями, Windows — только через WSL2.
Сам bb бесплатный, лицензия MIT.
Руководство здесь: 👉 bb — агентная IDE, которая строит сама себя: установка и быстрый старт
Продолжаю пополнять базу знаний максимально практическими материалами — в первую очередь под российские реалии. Сегодня добавил большой гид:
«ИИ-агенты в России в 2026 году: сервисы, API и реальные ограничения».
Большинство текстов про агентов написаны под американский рынок: другие сервисы, другая оплата, другое право. У нас выбор начинается с других вопросов: что вообще доступно, как платить, куда уедут данные и что будет, когда поставщик поменяет API или цену.
Поэтому гид построен не как рейтинг моделей, а как карта решений. Внутри:
— агентный стек из пяти независимых слоёв: что можно заменить, не переписывая весь процесс
— четыре класса решений, от готового SaaS до локального контура на Ollama или vLLM, и короткий чек-лист выбора
— что проверить в API до интеграции: ключи, лимиты, поведение ошибок
— как считать стоимость всего маршрута, а не только токенов, с примером расчёта одного кейса
— приватность и 152-ФЗ простым языком: локализация, трансграничная передача и оборотные штрафы — до 3% годовой выручки за повторную утечку
— пилот за десять шагов с таблицей приёмки: качество, безопасность, экономика, переносимость.
Материал справочный: можно читать целиком, а можно открыть через полгода и сразу найти нужный раздел. Сохраняйте себе.
👉 ИИ-агенты в России в 2026 году: сервисы, API и реальные ограничения
🎧 Аудиоверсия pimenov.ai, 1 мин
Shutter Encoder: практическое руководство по конвертации видео и аудио
Практическое руководство по Shutter Encoder: установка, конвертация, сжатие, работа без перекодирования, звук, субтитры и пакетные сценарии.
Слушать и читать на сайте: https://pimenov.ai/knowledge/shutter-encoder-rukovodstvo/
Собрать настоящий софт, не понимая ни строчки кода, уже возможно, если подойти к этому как к инженерной дисциплине. Понадобятся ясное видение результата, внимательный разбор похожих инструментов и большая коллекция интерфейсных референсов. Дальше всё это превращается в план и именно от качества плана зависит — выигрываете вы или проигрываете.
Рабочая последовательность выглядит так:
- Соберите план с помощью плагина вроде Compound Engineering или приёма обратного промптинга Мэтта Покока: модель сама вытянет из вас требования вопросами.
- Покажите готовый план двум моделям и переписывайте его, пока он не станет цельным.
- Привяжите сборку к результату через функцию /goal.
- Дальше пусть работает фронтирная (самая сильная из доступных) модель-оркестратор: она режет работу на тикеты и ведёт их по одному, а слишком крупный тикет получает собственный маленький план. Так ни одна задача не стартует из расплывчатой формулировки.
- Разные части субагенты собирают параллельно в изолированных копиях репозитория и не мешают друг другу.
- Ваша роль во всём этом — оставаться в цикле: открывать приложение по ходу сборки, отправлять скриншоты и показывать, что именно не так.
Код из этой схемы никуда не делся: его по-прежнему кто-то пишет, просто теперь это агенты. Человек отвечает за другую часть работы: за качество плана и за глаза, которые смотрят на результат. Начните с этих двух вещей — их как раз нельзя делегировать.
pimenov.ai/blog
repost
Я продолжаю собирать серию материалов об ИИ-компании — организации, в которой агенты становятся не просто инструментами, а реальными участниками рабочих процессов.
Первый большой вопрос этой серии был об ответственности: кто отвечает за результат, если значительную часть работы выполнил ИИ-агент? Теперь я решил посмотреть на саму структуру компании.
Мы привыкли представлять организацию как схему из отделов, должностей и линий подчинения. Но реальная работа уже всё чаще движется иначе. Задача проходит через сотрудника, ИИ-агента, базу данных, внешний сервис, проверку и решение руководителя. Она может пересекать несколько отделов, собирать временную команду и менять маршрут в зависимости от риска, доступов и контекста.
Поэтому рядом с привычной оргструктурой возникает второй слой — граф задач. На нём видны не должности, а реальный путь результата: кто запускает работу, какие действия от чего зависят, кому можно передать следующий шаг, где нужен контроль и в какой момент агент обязан остановиться и вернуть решение человеку.
И здесь начинается самое интересное. Возможно, ИИ изменит компании не потому, что заменит отдельных сотрудников, а потому, что заставит нас иначе собирать саму работу.
Новый материал называется «Организация как граф задач: что приходит на смену отделам». В нём я разбираю эту модель без обещаний «компании без людей» и другой футурологической мишуры: с ограничениями, точками ответственности и простым способом проверить идею на одном реальном процессе.
Это часть большой серии. Дальше я хочу последовательно разобрать, как в мире агентов меняются роли, управление, экономика компании и цена координации — и где человек всё равно остаётся незаменимым.
👉 Организация как граф задач: что приходит на смену отделам
repost
Не, ну это очень жёстко.
Надеюсь у вас не так :)
#юмор
———
@tsingular
edited
Вышел OpenClaw 2.0 — в нумерации проекта это релиз v2026.8.1, крупнейший за всю историю. Над ним работали 933 участника, больше половины из них впервые, и в него вошло свыше 16 000 pull request. Это примерно половина всех изменений, принятых в OpenClaw с момента появления.
До этого версии выходили каждые день-два: 106 релизов за 230 дней. Семь недель тишины объясняются просто: темп разработки перерос фундамент, и его пересобрали вместе с самим процессом выпуска.
Самое важное из релиз-нотов:
- Новое веб-приложение. Control UI переписан, и знакомство с OpenClaw теперь начинается в браузере. При установке подхватываются уже имеющиеся подписки ChatGPT или Claude, API-ключи и локальные модели, поэтому до первого разговора с агентом меньше шагов.
- Память. Появился поиск по прошлым разговорам. С активной памятью (Active Memory) агент учитывает личные переписки, а фоновое осмысление (grounded dreaming) складывает подтверждённые факты в долговременную память. Удачные приёмы работы могут автоматически становиться скиллами.
- Мультиплеер. Сессии больше не привязаны к вашему шлюзу (Gateway): работу можно запускать на парных устройствах и облачных воркерах, а общие облачные сессии позволяют подключить коллегу к живой задаче вместе с контекстом.
- Контроль. Карточки прогресса переживают перезагрузку, на вопросы агента можно отвечать кнопками, виджеты закрепляются на дашбордах. Пароли запрашиваются маскированным вводом и не попадают в контекст модели, а повторяющиеся автоматизации одобряются один раз.
Два ломающих изменения: встроенный плагин OpenProse и команда /prose удалены, а ссылки на модели codex/* переезжают в openai/*. Обе миграции выполняет openclaw doctor --fix, и при обновлении прогнать её стоит обязательно.
Смысл 2.0 простой: агент перестаёт быть одиночной игрушкой и дорастает от одного полезного сценария до общего инструмента семьи или команды, оставаясь открытым проектом.
Полные релиз-ноты: https://docs.openclaw.ai/releases/2026.8.1
🎧 Аудиоверсия pimenov.ai, 3 мин
codex exec — как выполнять конкретные задачи Codex из терминала и скриптов
Как запускать Codex в неинтерактивном режиме codex exec: подписка вместо API-ключа, песочница, JSON-вывод и готовые рабочие сценарии.
Слушать и читать на сайте: https://pimenov.ai/knowledge/codex-exec-avtomatizatsiya-po-podpiske/
Слежу за Omarchy и, кажется, готов её поставить.
Это сборка Linux от Давида Хайнемайера Ханссона — того самого, кто создал Ruby on Rails. Начиналась она как его личный набор настроек. А за пару недель августа вокруг этого набора появились собственная оболочка, встроенный ИИ-агент, вызываемый сочетанием клавиш, заявленная тысяча плагинов за первую неделю, основная команда и некоммерческий фонд с обязательствами на $10 млн. Среди патронов — основатели Shopify, Stripe и Twitter.
Написал большой материал о том, как всё это развивалось — специально для тех, кто про Omarchy пока ничего не слышал. Борода и знание терминала для чтения не потребуются.
Самое интересное в этой истории — сам сдвиг: ИИ-агент переезжает из вкладки браузера прямо в операционную систему и становится штатной частью компьютера. Компьютер превращается в среду, которую можно постепенно переписывать под себя.
Разбор здесь 👉 Omarchy: как личный Linux DHH превратился в платформу для эпохи агентов
Как я искал лучший поиск для ИИ-агентов — и не нашёл одного победителя
Я хотел понять, какой поиск лучше использовать для сбора материалов. Поэтому взял 24 одинаковых запроса и прогнал их через обычный веб-поиск, Keenable и Firecrawl.
Результат оказался интереснее, чем простой рейтинг инструментов.
Обычный поиск лучше справился с широким обзором темы. Keenable оказался полезен при поиске официальных документов и информации на определённую дату. Firecrawl хорошо извлекал полный текст уже найденных страниц. А один запрос к X неожиданно потратил сразу 30 кредитов — хорошее напоминание о том, что автоматический сбор информации требует контроля расходов.
Главный вывод: универсального поисковика для ИИ-агента нет. Надёжный сбор информации — это последовательность действий:
найти источники → выбрать первичные → извлечь содержимое → проверить утверждения → передать материал человеку для окончательного решения.
Я собрал весь эксперимент в практическое руководство: рассказал, как проводил сравнение, где ошибся, какие ограничения обнаружил и какую схему теперь использую сам.
Если вы собираете материалы для статей, исследований, аналитики или работы ИИ-агентов — рекомендую прочитать. Это не обзор ради обзора, а рабочий подход, который можно взять и применить.
👉 Как я тестировал поиск для ИИ-агентов и не нашёл одного победителя
🎧 Аудиоверсия pimenov.ai, 1 мин
Mem0 — слой памяти для ИИ-агентов и приложений
Mem0 (mem-zero) — слой памяти для ИИ-агентов: помнит контекст между сессиями. Есть open-source и облако, бесплатный план на 10 000 добавлений памяти в месяц.
Слушать и читать на сайте: https://pimenov.ai/knowledge/mem0-pamyat-ii-agentov/
Cколько всего умеет ChatGPT Work: режим, который многие до сих пор воспринимают как «ещё один чат».
Из одного окна Work сегодня можно:
- поднять собственный облачный компьютер (сейчас он сообщает о 9 vCPU и примерно 15 ГБ памяти);
- исследовать веб и файлы, которые вы ему даёте;
- подтягивать контекст из Gmail, Drive, Slack и GitHub через штатные плагины;
- создавать и править документы, презентации, таблицы и PDF;
- анализировать данные, запускать код и работать с репозиториями;
- на десктопе управлять браузером и приложениями, доводя многошаговые задачи до конца;
- собирать и публиковать сайты через Sites;
- делить крупные задачи между несколькими агентами;
- запускать повторяющиеся задачи и срабатывать на новые письма, сообщения и события в репозиториях;
- продолжать облачную работу, пока вы отошли, и забирать результат в вебе или на телефоне.
Из последних добавлений отдельно выделяется вход на сайты: логин и пароль остаются в менеджере паролей и не попадают в контекст модели. Как это устроено, на pimenov.ai уже разбирал отдельно.
Ценность Work не в одной отдельной функции, а в контуре: контекст, файлы, плагины, облачное исполнение и фоновые задачи живут в одном месте, и задача перестаёт рассыпаться между десятью вкладками.
Вместо абстрактного «надо освоить Work» переведите на него одну реальную повторяющуюся задачу: утренний мониторинг, сборку отчёта или разбор входящих. Прогоните её неделю и сравните с привычной цепочкой инструментов: разница и есть ответ на вопрос, нужен ли вам этот режим.
pimenov.ai/blog
edited
Длинные треды в Codex стали загружаться более чем на 90% быстрее
Brent Traut — инженер OpenAI, который работает над ChatGPT desktop app.
30 августа он рассказал о выпущенном на прошлой неделе изменении для desktop app. По его измерениям:
- длинные треды теперь загружаются более чем на 90% быстрее;
- их потребление памяти снизилось более чем на 90%.
Для пользователей Codex это прекрасная новость. Codex живёт в том же desktop-приложении, а длинные треды здесь возникают естественно: агент исследует проект, запускает инструменты, проходит проверки и сохраняет историю многочасовой работы. Чем серьёзнее задача, тем тяжелее становилась её локальная история.
За этим ускорением стоят более 300 запросов на включение изменений (pull request, PR), подготовленных за несколько месяцев. Команда уже наметила следующий шаг: в ближайшие недели сократить потребление памяти ещё примерно в десять раз. Пока это объявленный план, а не выпущенное обновление.
18:00 по тихоокеанскому времени 30 августа 2026 года — это 04:00 утра 31 августа по Москве.
Прекрасная история: ИИ против бюрократии.
Рекомендую к прочтению и применению.
🎧 Аудиоверсия pimenov.ai, 1 мин
Правило 3-2-1: рабочая схема резервного копирования
Правило 3-2-1 для резервного копирования: три копии, два носителя, одна вне площадки. Схема, расширения 3-2-1-1-0 и 4-3-2, конфиг restic и чеклист.
Слушать и читать на сайте: https://pimenov.ai/knowledge/pravilo-3-2-1-rezervnoe-kopirovanie/
repost
Человек цифрового Возрождения — мой новый перевод на pimenov.ai, и он особенный.
Продолжаю серию самых интересных визионерских материалов из X. Сегодня — Дэн Ко, писатель и предприниматель, автор книги The Art of Focus. Его эссе о том, почему в эпоху ИИ побеждают универсалы.
Этот текст зацепил меня сильнее обычного. Он очень точно пересекается с моими личными ощущениями и с тем, что я уже писал у себя в статье «Публичный труд и второй Ренессанс». Доказательство работы вместо резюме, аудитория вместо работодателя, вкус вместо регалий.
Что внутри:
— Три типа людей будущего. Пуристы, которые отвергли ИИ и ушли в лес. Автоматоны, которые прогоняют каждую мысль через Claude. И третий тип, к которому стоит стремиться.
— Почему «выбери одну профессию» — совет эпохи фабрик, которому всего 250 лет. Да Винчи зашёл в мастерскую учиться живописи, а вышел со знанием анатомии, инженерии и литья бронзы.
— Как Дарвин написал 19 книг, работая три часа в день. Спойлер: много гулял.
— Стек навыков незаменимого человека из трёх слоёв и почему ставить будущее на владение инструментом — проигрышная стратегия.
— И самое практичное правило: попробуй заменить себя ИИ. Быстро поймёшь, что автоматизируется, а что нет.
Полный перевод без сокращений, читать здесь 👉 Человек цифрового Возрождения: почему в эпоху ИИ побеждают универсалы
Все материалы на моём сайте можно не только читать, но и слушать.
Мы довольно быстро привыкли к мысли, что ИИ-агент может взять на себя часть нашей работы. Он пишет, ищет, проверяет, принимает промежуточные решения и всё чаще действует не как пассивный инструмент, а как полноценный участник процесса.
Но чем самостоятельнее становятся агенты, тем сложнее вопрос, который раньше казался почти очевидным: кто в итоге отвечает за результат?
Пока человек выполнял работу собственными руками, граница ответственности была понятна. Теперь между замыслом и результатом появляется целая цепочка из моделей, инструкций, доступов, автоматических действий и человеческих подтверждений. В такой цепочке очень легко почувствовать, что решение как будто приняла система, а значит, ответственность тоже растворилась где-то внутри неё.
Это одна из главных управленческих иллюзий нового времени. Ответственность определяется не тем, кто выполнил больше операций, а тем, кто задаёт границы допустимого, принимает результат и остаётся рядом с его последствиями.
Я продолжаю разбирать эту тему и в новом материале пытаюсь собрать практическую модель для мира, где агенты всё глубже встраиваются в реальные процессы. Кто должен владеть результатом, кому поручать проверку, зачем сохранять историю действий и в каких точках система обязана остановиться и вернуть решение человеку.
Агенту можно передать значительную часть работы. Но вопрос о том, кто готов сказать «это мой результат» и принять его последствия, по-прежнему остаётся человеческим.
👉 Кто отвечает за результат, если работу сделали ИИ-агенты?
Archify — просто великолепный инструмент. Я уже построил с его помощью диаграммы всех своих проектов и инфраструктуры, и в динамике это выглядит очень круто.
По формату это skill для кодовых агентов: Claude Code, Codex CLI, Cursor и OpenCode. Он превращает кодовую базу или текстовое описание системы в интерактивную карту, которую можно смотреть и обсуждать прямо в браузере.
Агент анализирует репозиторий и собирает типизированное промежуточное описание (JSON IR): компоненты, связи и маршруты. Archify прогоняет описание через формальные проверки и детерминированно компилирует его в самодостаточный HTML-файл, который можно открыть локально, переслать коллегам или приложить к ревью.
Доступны пять типов диаграмм: архитектура, рабочий процесс, последовательность, поток данных и жизненный цикл. Внутри карты работают поиск по узлам, трассировка зависимостей вверх и вниз, тёмная и светлая темы. Результат экспортируется в PNG, SVG и WebM, а для шеринга генерируется карточка 1200×630.
Главное отличие от привычного «нарисуй диаграмму в Mermaid» — верификация. Узлы карты привязываются к конкретному коду, а два снимка архитектуры сравниваются в формате Before / Delta / After: инструмент точно показывает, какие компоненты и связи добавлены, удалены или перенаправлены. Такую карту можно использовать в ревью изменений, а не только в презентациях.
Устанавливается одной командой: npx skills add tt-a1i/archify -g.
Лицензия MIT, на GitHub у проекта уже больше 20 тысяч звёзд.
Практический сценарий напрашивается сам: перед большим рефакторингом или онбордингом нового разработчика попросите агента построить карту репозитория и обсуждайте архитектуру, глядя на неё, а не пересказывая код текстом.
pimenov.ai/blog