🚀 Андрей Артищев

Нашёл совершенно невероятную штуку — личный супер AI агент, который реально делает всё что хочешь. И искренне не понимаю, почему про неё пока мало кто говорит. С обычным ChatGPT как: километровые чатики по темам, добавлять инфу в него нужно вручную, достать что-то - только если вручную копировать. Ощущение как будто в 2024 году живём. Теперь представьте, что можно просто сказать: «Скачай транскрипт моего последнего звонка по проекту и обнови Definition of Done и задачи на критическом пути». И это просто происходит. Без копирования, мучений и десятков открытых вкладок. Этот супер-агент называется Cursor. Тот самый, который AI агент для разработчиков. Но фишка в том, что его можно использовать и для не-программистских задач. Cursor идеально подходит для ведения личных баз знаний, проект-менеджмента, отслеживания финансов, здоровья, обучения и вообще всего, что только можно представить. Вот три вещи, которые отличают Cursor от обычных чатиков: 1. Контекст в файлах: Больше не нужно копировать текст туда-сюда. Просто скажите агенту, какой файл посмотреть (ссылкой, именем или "ну там где-то такой файл был, сам поищи"), и всё найдёт, создаст, отредактирует. 2. Разговор голосом: Благодаря Cursor + WhisperFlow можно буквально разговаривать с агентом и диктовать ему задачи голосом. 3. Автоматизации и интеграции: Cursor пишет код, автоматизирует задачи и подключается к любым сервисам. Что-то проще, что-то сложнее, но результат ощущается как настоящая магия. Какие непрограммистские задачи я уже пробовал: — Проджект-менеджмент — Ведение и анализ личных финансов — Трекинг и анализ здоровья — Управление контентом и заметками — Обучение и структурирование информации — Анализ рынка и конкурентов Короткое видео, как это выглядит — приложил прямо к посту. Живой лум, где я шаг за шагом показываю, как использую Cursor в качестве личного суперагента: https://www.loom.com/share/3dd001adc6b94dccb1370facc0d1bf3d?sid=db765aeb-3cd4-469f-bf5c-0c89408b2a3e — рекомендую посмотреть, чтобы прочувствовать как это работает, и дальше уже самостоятельно экспериментировать. Там про установку, первые шаги, голосовой ввод, агента, работу с файлами, поиск в интернете, создание скриптов, подключение к внешним сервисам, cursor rules. Можно смотреть на скорости 1.5. Чтобы было проще начать, вот готовая папка с примерами файлов и структурой: https://github.com/VsevolodUstinov/Personal-Super-Agent Cursor и WhisperFlow скачать можно тут: — https://cursor.com — https://whisperflow.ai Я показывал это нескольким друзьям, и каждый раз люди сначала осторожно удивляются, а потом говорят: «This is a real next gen shit». Очень советую попробовать. Посмотрите, потестируйте и напишите в комментариях, какие именно ваши ежедневные задачи получилось решить с помощью Cursor.

Давно хотел написать небольшой пост (пока блин работаем над релизом активно, добить одну фичу осталось). Про "we hit 10M ARR within 1 month". Цифры подставить внутрь предложения можно любые. Речь в основном про consumer/prosumer и все такое b2c. Много много лет все говорят, что важно мол найти CAC/LTV и давай наливать. Но вот что обычно происходит так это медленная смерть, особенно если проект венчурный. Краткая схема действий сегодня: 1/ берем AI, всталвяем модель (обычно готовую, дай бог тюнингованную или сверху папйлайн if'ов) или чат сбоку любого продукта (literally любого, чат же такой классный UX) 2/ набираем команду челов с парой тройкой лет неудачных или удачных экспериментов 3/ идем поднимать раунд, или подаемся раза 3-4 в YC (часто берут за упортсво и людей, потому что люди важнее, а вставить вашу идею в текущий тренд достаточно легко) 4/ делаем продукт, залетаем желательно на минивиралке и потом в окончании цикла виралки наинем нещадно поливать все paid marketing (money spent/revenue это то как мыслят команды, просто делят деньги на выручки и получают такой омега blended показатель CAC), куда так же входит ферма тиктоков и так далее (в пример приводят 1-2 outliers/исключений из рынка, где на самом деле просто повезло) Дальше происходит все тоже самое, что происходило в конце 2000х и в середине 10х и так далее, но почему-то "это другое". А именно. 1/ и так запуск прошел, полетело на косарь пользователей и даже заплатили, но проблема нет органики быстрой такой же и красивой 2/ агаааа, у нас есть бабки, давайте покупать (тут не важно тиктоки, facebook, google etc) 3/ ВАУ! смотрите сходится ого ого, скейлим нещадно - тут тот самый момент Х M USD ARR WITHIN X WEEKS 4/ деньги продолжаем жечь и идем поднимать еще и желательно быстрее потому что - тот самый момент 5/ дальше скейлим и вдруг бах, потолок топ лайна, как так наш payback period не 9 месяцев, а 12, ой и вовсе 18 6/ дальше начинаются оптимизации (может даже сразу были), игры с конверсиями, лендосами и так далее, но проблема не в этом 7/ опции подписок, что угодно, но только не думать головой В чем причина. Ну чаще всего банально: 1/ Paid UA копируется всеми конкурентами на раз два если они видят что вы закупаете успешно, и если у вас нет продуктовых фичей которые делают стоимость отказа огромной то гг (может быть граф друзей, может быть рабочие документы или чтото еще, желательно мультиплеер или связь с прошлыми данными - social capital) 2/ команде фаундеров в моменты такого скейлинга очень тяжело - чисто морально атмосфера ад и давление огромное - все эту причину недооценивают а именно в такие моменты происходят чудовищные ошибки (залить на все или забить на всех и делать пивоты) 3/ считать все как blended CAC это ошибка, надо очень четко разделять все каналы и смотреть на рыночные тренды и технологии, плюс постоянно оценивать потенциальную емкость доступной аудитории 4/ недооценка novelty factor - весь AI это оно, нужно внимательно изучит NRR (net dollar retention на вашем рынке) и найти способ его держать, ибо большая часть людей просто пришли попробовать 5/ эффекты масштабирования работают против вас в paid, ибо креативы уже все видели и тех кто не видел мало или они менее заинтересованы в продукте (а значит дороже) Вот тут много кто отмечал что все эти уроки есть (надо vpn) P.S. это все не значит, что фаундеры не заработают, легко заработают разогнав оценку до ярда и продав свои акции (ну часть), бизнеса просто нет в этом всем и компании на дистанции тоже

Рекомендую https://vkvideo.ru/video-79614896_456242017

Интересный обзор, интересной машины https://www.youtube.com/watch?v=lgM7ztFPBv4

📚Как Anthropic купила и уничтожила миллионы книг, чтобы обучить свой AI В решении суда по делу Anthropic о том, могла ли компания использовать книги для обучения AI или нет, есть интересный момент. Там описывается процесс, как именно компания собирала книги для своей библиотеки и что с ними стало дальше. И это прям целая спецоперация. Читая этот пост, подключите свое воображение, чтобы представить масштаб действия. Если хотите почитать полное решение суда, то есть вот здесь. Сначала чуваки из Anthropic просто скопировали несколько пиратских библиотек — около 7 млн книг. А потом, похоже, решили, что надо бы пойти более легальным путем. И наняли Тома Терви, он до этого руководил отделом партнерских отношений в проекте Google по сканированию книг. Задача Терви была найти новые способы получения книг. А точнее — получить «все книги в мире» и при этом избежать «юридической/практической/деловой суеты». Терви отправил пару писем крупным издательствам с просьбой выдать лицензии на книги для обучения AI. Но на этот путь как-то сразу забили, не пошло. Терви и его команда переключились на дистрибьюторов книг, книжные магазины и так далее. Они стали скупать бумажные книги. За «много миллионов долларов» Anthropic купил миллионы бумажных книг. Миллионы! Часто эти книги были в подержанном состоянии. А потом началось самое интересное. Нужно было эти книги перевести в электронных вид, чтобы с ними можно было работать и обучать AI. Согласно решению суда, этим занимались подрядные организации. Процесс выглядел так. С каждой книги снимали обложку и разделяли на отдельные страницы. А потом эти страницы сканировались — получалась PDF-версия с машиночитаемым текстом. А бумажную версию уничтожали. Издание ArsTechnica пишет, что такое деструктивное сканирование, в принципе, является обычной практикой при оцифровке книг. То есть Anthropic не первая. Вот только масштаб впечатляет. При этом Google при оцифровке книг использует специальные камеры, чтобы не уничтожать книги. Но тут вопрос скорости и цены. Вариант с разрезанием книг на страницы, похоже, оказался быстрее и дешевле. Теперь у Anthropic гигантская электронная библиотека из миллионов книг. Но доступ к ней есть только у компании, в паблик ничего не выложено. С одной стороны, они честно купили эти книги и, наверное, могут с ними делать что хотят. С другой стороны, читать про то, как уничтожили миллионы книг, довольно дико, если честно. А еще очень хочется почитать про техническую составляющую процесса. Ведь для начала нужно было купить и собрать в одной локации миллионы книг. Потом нужно все разобрать на отдельные листы и отсканировать. Это ж сколько людей нужно, чтобы это все вручную сделать? Наверняка же как-то был автоматизирован процесс. Ну, и утилизировать миллионы книг та еще задача. Хотя, в теории, они могли подзаработать на сдаче макулатуры. В решении суда про это нет, но может быть всплывет когда-нибудь. @TheEdinorogBlog — тот самый канал про стартапы🦄

Майкл Калви рекомендует эту книгу, как лучшая книга по бизнесу. Кто-то ЧИТАЛ? ЧТО СКАЖЕТЕ? https://www.litres.ru/book/ben-horovic/slozhnye-resheniya-kak-upravlyat-biznesom-kogda-net-prostyh-ot-66353850/

Еще несколько мыслей, навеянными интервью с Тиньковым и Калви. Неделю назад ужинал c иммигрантами из России, которые переехали достаточно давно и себя называли "русскоязычными британцами". Обсуждали статью в FT о том, что Сторонский (Revolut) получит очень большую долю в компании, если достигнут $150 млрд капитализации (что невероятно много и очень редко). Позиция моих собеседников была в том, Сторонский злодей, в Revolut очень агрессивная культура, людей мучают. В комментариях к оригинальной статье было очень много мнений в стиле "замучали олигархи простых людей, надо раздать и поделить". При этом то, что люди туда идут работать по своей воле, в процессе строительства компании тысячи людей станут мульти-миллионерами, такая компания для Европы большое достижении на фоне стагнации и то, что такие результаты не делаются без усилий - не нашли отклик. В США топ JP Morgan открыто говорят, что "первые 5 лет будете работать "много" - и это не делает компанию менее привлекательной. В Европе есть интересный микс - людей явно расслабили тем, что "жизнь и так хороша, государство позаботится", при этом зарабатывать много не очень поощряется (начиная с налогов и заканчивая логикой, что «нувориш» - не престижно). При этом остается крайняя зависть к тем окружающим, у кого больше денег, в британии самая яркой проявление - это истерика вокруг частных школ. На этом фоне обнаружил интересный феномен в Европе - десятки млн людей просто ждут наследства (читай - пока родители умрут), т.к. не хотят напрягаться, чтобы заработать/не могут что-то изменить в своей жизни в медленной экономике. Их бабушки и дедушки очень много работали, чтобы восстанавливать Европу после войны, но в итоге "что-то пошло не туда" в устройстве экономики/общества. У меня нет ответа, какая экономическая модель для общества лучше (для экономики – проще оценивать): - китайская - всех государство заставит работать много и в семьях приоритет много учиться и работать; -российская - много работаем, много отдыхаем; -Европейская - работаем до 17, затягиваем пояса т.к. нет денег; -американская - индивидуально работаем с утра до ночи, но без денег пропадешь, но видно, что привычная нам модель является универсальной для построения бизнесов в других странах, что не может не радовать.

Как перезапустить проект технически? Прямо сейчас мы решаем эту задачу для стартапа. Ребята делают платформу для ученых, чтобы проводить исследования на больших группах респондентов. Куча интеграций, огромный зоопарк форматов данных. Они пользуются уже третьей версией своей платформы. Фронтенд на low-code платформе Bubble, бэкенд частично на flask и частично n8n. Всё работает, приносит пользу, проект поднял больше миллиона долларов инвестиций. Как навести порядок, радикально увеличить скорость доставки фич и гарантировать масштабируемость? Первый порыв любого программиста — переписать всё с нуля. Благо, проект ещё не очень большой, за месяца 3–4 парой программистов, наверное, можно управиться. Составить список фичей, написать их заново, потушить сервис на пару часов, импортировать данные из старой системы в новую и запуститься. Но это — ошибка. Во-первых, мы не понимаем истинного объема бизнес-логики, который успел накопиться в коде. Скорее всего, сам клиент её недооценивает. Во-вторых, пока будем переписывать — проект продолжит развиваться. Придется догонять. В-третьих, любой, кто делал импорт данных, скажет вам, что это задача из ада, и чем старее данные — тем сложнее их вытащить. Настроить тестирование этого нового проекта будет сложно, да и полноценным оно не может быть по определению. В результате, в момент включения новой платформы в продакшен, точно возникнут проблемы, которые придется героически исправлять «прямо сейчас», в стрессе. Мало предсказуемости, о реальном объеме работы мы узнаем только в самом конце проекта, при попытке переключения. Мы такое не любим. Правильный ход — это strangler fig pattern. Пишем небольшую обертку для старого бэкенда. Этот новый бэкенд действует как прокси — передает запросы к старому бэкенду, запоминая сами запросы и ответы. Дальше выделяем первые эндпоинты бэкенда, которые мы можем запрограммировать заново, красиво. Дублируем эти запросы пользователей в старый и новые движки. Сравниваем ответы нового движка с ответами старого, исправляем ошибки. Накапливаем информацию в новую, аккуратно составленную базу данных. И только после продолжительного тестирования на живых данных начинаем отдавать пользователю ответы нового бэкенда. Берем следующую пачку эндпоинтов и повторяем процесс. Получается, у нас нет момента «большого рубильника», который переключит весь трафик со старого движка на новый, мы «едим этого слона по частям». Переход со старого бэкенда на новый происходит плавно, незаметно для бизнеса. Ошибки в новой системе видны только программистам и не затрагивают клиентов. Не менее важна предсказуемость. В первом подходе мы весь проект живем под дамокловым мечом — какие сюрпризы нас ждут при запуске? Во втором подходе мы размазываем эту неопределенность по всей продолжительности проекта, так что уже через пару недель можно увидеть реальную скорость разработки, включая исправление ошибок, и оценить общий объем работы и сроки. Наконец, этот подход позволяет выкатывать новые фичи в продукте внутри нового бэкенда до окончания переезда, параллельно с рефакторингом. К сожалению, кажется, что каждый молодой программист обречен пытаться всё переписать правильно с нуля. Технарь, предлагающий strangler fig pattern, не лучше, просто за его обучение уже заплатил другой заказчик. На фотографии тот самый фикус-душитель опутывает дерево, как новый бэкенд опутывает старый.

Tesla наконец-то запустила роботакси в Остине, но первые поездки прошли не слишком гладко. Машины сразу начали чудить: одна поехала против движения, другая резко затормозила при виде полиции, а третья вообще пыталась высадить пассажиров прямо посреди оживлённого перекрёстка. Американское управление по безопасности на дорогах (NHTSA) даже начало расследование инцидентов. Казалось бы, теперь Tesla грозит серьёзный разговор с регуляторами, но на деле ситуация другая: после сокращений, инициированных администрацией Трампа и лично Илоном Маском, у NHTSA почти нет ресурсов эффективно контролировать беспилотные машины. Tesla, по сути, сейчас действует в условиях полной регуляторной свободы, и Маск активно этим пользуется, обещая вывести на дороги до миллиона роботакси к концу 2026 года. И хотя отдельные штаты пытаются самостоятельно ужесточить правила, без федерального контроля это непросто. Пока власти разбираются, Маск уже назвал запуск роботакси успешным и обещает ещё тысячи новых машин на дорогах в ближайшее время.

Вы наверное еще не все знаете, но за месяц с выхода Veo 3 – вселенная брейнрота с ASMR-видео пополнилась, теперь там режут стекло или трогают лаву В общем, еще одна индустрия пострадала от АИ 🌝

Только что опубликовали новое мобильное приложение в AppStore. Сделали его на кросс-платформенной технологии CapacitorJS силами наших веб-разработчиков, так что не потребовалась отдельная команда мобильной разработки, сэкономили миллионы рублей. Два месяца переписывались с Apple по поводу in-app purchases и прочих коммерческих моментов. В результате всё решилось одним коротким звонком с Купертино. По телефону нам на хорошем русском объяснили, что «правила AppStore — это направляющие принципы, каждую ситуацию не распишешь формально, конкретно вам нужно сделать 1 2 3». Не стесняйтесь пользоваться опцией заказа звонка! Интересно, что ни единого вопроса про Capacitor у Apple не было, хотя некоторые люди нас очень пугали, что любые веб-технологии — это сразу бан. Правда, наши фронтендеры собрали полноценное мобильное приложение — с оффлайном, входом через Apple ID и прочим, чего у сайтов обычно нет. Раньше я был скептически настроен к кросс-платформенной мобильной разработке, но для не супер сложных приложений веб, кажется, победил. Такой кайф, когда единая команда отвечает за продукт на всех платформах! Нет этого: «веб уже запрогал, андроид сделал не совсем как нужно, но сойдёт, а iOS-команда пока занята, ждём...» Ура! Если вы думаете о выпуске мобильного приложения — рекомендую присмотреться к Capacitor — классная технология. Подробный технический рассказ — примерно через месяц: клиент хочет сделать анонс, когда приложение немного обкатается.

✔️OpenAI выложили в открытый доступ Customer Service Agent Demo Теперь у всех есть пример, как сделать продакшн-агентов с маршрутизацией, безопасностью и интерфейсом — от запроса до ответа. Что это такое: • Многоагентная система для поддержки клиентов (например: бронирование мест, отмена рейса, статус рейса, FAQ) • Демка написана на Python + Next.js • Использует OpenAI Agents SDK • Встроены guardrails: защита от неуместных запросов и попыток обхода правил • UI: внутри готовый интерфейс чат-бота Как работает: 1. Пользователь пишет запрос 2. Система выбирает подходящего агента (например, `SeatBooking`) 3. Агент отвечает или передаёт диалог другому 4. Есть fallback на человека, если нужно Как запустить: # Backend cd python-backend python -m venv .venv && source .venv/bin/activate pip install -r requirements.txt uvicorn api:app --reload --port 8000 # Frontend cd ui npm install npm run dev Далее открываем: http://localhost:3000 Особенности • MIT-лицензия — можно адаптировать под свои задачи • Удобно расширять: добавлять новых агентов, инструменты, правила • Простой код, всё задокументировано • Рабочий кейс от OpenAI 🔗GitHub: github.com/openai/openai-cs-agents-demo Если вы хотите собрать систему из агентов — это отличная точка старта. @ai_machinelearning_big_data #chatgpt#openai#aiagents#ai