ML Baldini • Nikita Boyandin

Есть традиция-раз в год в футбол играть💗

Почему тебе не нужен свой канал Почти 2 с половиной года я веду этот канал и в последнее время все чаще замечаю, что писать все сложнее и сложнее. В этом после посте я напишу свои топ-5 причин, почему тебе не нужен свой тг-канал. Нужно постоянно писать посты 😣 Мало кто говорит об этом из авторов, но чтобы написать софтовый пост нужно где-то около часа, а для технического это в районе 2-3 часов потраченного времени, причем четкой уверенности в том, что он зайдет нет вообще, поэтому требует кучи дисциплины, чтобы продолжать постить Конкуренция и вторичность материала 🗣 Когда ты заходишь в тг и видишь сотни каналов на одну и ту же тему, становится не очень понятно, а зачем миру еще один такой же. Особенно в сферах вроде аналитики, разработки, продакт-менеджмента. Кажется, что каждый новый автор проходит один и тот же маршрут: сначала - пост про "как я вошел в айти" потом - "какие курсы пройти новичку" потом - "10 советов, которые я бы дал себе год назад" и т.д. Канал достаточно сильно выжигает ресурс 🃏 Контент, ответы в личку, реакция на критику, сравнение себя с другими авторами - всё это съедает внимание. И если канал не приносит ощутимого результата, это выгорание того вообще не стоит. Старые методы развития каналов больше не работают 🍴 Есть несколько методов, которые работают все хуже и хуже. Папки вроде и приносят подписчиков, но твоя целевая аудитория становится меньше. А комментирование постов требует уж слишко много времени. Проблемы с рекламой 😐 Все новые правила рекламы а) маркировка требует очень большого внимания б) какие-то невероятные штрафы. Да и к тому же, если ты не рекламируешь всех подряд, то рекламы получается не так и много. И что в итоге❤️ Этот пост не про то, что канал - это плохо. Он про то, что свой тг-канал - это не «обязательный этап развития», не must-have и не волшебный инструмент заработка. Это такой же отдельный проект, как пет-проект или фриланс, со своими рисками и ценой входа. Если у тебя нет четкой цели, зачем он тебе, готовности стабильно выделять время и выдерживать периоды низких охватов - возможно, сейчас тебе канал правда не нужен. И гораздо разумнее вложить те же ресурсы в навыки, работу, нетворк или отдых, чем потом собирать себя по кускам из-за выгорания «ради галочки». 💗 - за выгоревшего автора

Зачем нам A2A и причем тут ACP #Протоколы_в_агентах Второй по важности протокол в агентах - A2A. Он решает важную проблему взаимодействия агентов между собой. Давай разберемся, что к чему? Что такое A2A 🤨 По своей сути A2A - это протокол связи для агентов. Сегодня существуют куча фреймворков для создания агентов - LangGraph, CrewAI, Google ADK, Microsoft Autogen, что угодно. Без A2A, если бы вы попытались заставить агента LangGraph напрямую общаться с агентом CrewAI, вас бы ждал мир головной боли от пользовательской интеграции. Как работает A2A изнутри 🤔 Давайтезаглянем под капот. Протокол A2A построен на знакомых веб-технологиях: он использует JSON-RPC 2.0 по HTTP(S) в качестве основного метода коммуникации. На неинженерном языке это означает, что агенты отправляют друг другу сообщения в формате JSON посредством стандартных веб-вызовов. Он также поддерживает полезные дополнения, такие как Server-Sent Events (SSE) для потоковых обновлений и асинхронных обратных вызовов для уведомлений. Так, если агент A задаёт агенту B вопрос, который займёт некоторое время (например, B должен обработать данные за 2 минуты), B может передать частичные результаты или обновления статуса A, вместо того чтобы оставлять A в тишине. Но что же нужно для того, чтобы эти взаимодействия работали: 1️⃣Карточка агента (обнаружение возможностей): каждый агент, использующий A2A, представляет карточку агента - по сути, JSON, описывающую его сущность и возможности. В карточке указано имя агента, его описание, версия и, что немаловажно, список доступных навыков. 2️⃣Навыки агента: это индивидуальные возможности агента, перечисленные в его карточке агента. 3️⃣Задачи и артефакты (управление задачами): когда агент A хочет, чтобы агент B что-то сделал, он отправляет запрос на задачу . Задача - это структурированный JSON-объект (определяемый протоколом A2A), описывающий задачу, которую необходимо выполнить. 4️⃣Сообщения (совместная работа агентов): фактическая информация, которой обмениваются агенты - контекст, вопросы, частичные результаты и т. д. - отправляется в виде сообщений . По сути, это разговор, происходящий для выполнения задачи. Протокол позволяет агентам отправлять в сообщениях различные типы контента, а не только простой текст. A2A и MCP 🤑 По сути, MCP — это то, как агенты вызывают инструменты, A2A — то, как агенты вызывают друг друга . Один подход похож на вызов функции или использование приложения; другой — на разговор с коллегой. Оба подхода часто работают рука об руку : агент может использовать MCP для получения данных, а затем использовать A2A, чтобы попросить другого агента проанализировать эти данные, и всё это в рамках одного сложного рабочего процесса. Причем тут ACP 🔨 После поста про MCP я писал, что хочу расписать все про ACP, но так вышло, что фактически A2A его поглотил. Причина очень проста: ACP и A2A решают почти одну и ту же задачу — протокол “агент ↔ агент”, поэтому сейчас про этот протокол особо не вспоминают. Фух, надеюсь стало понятнее. Пробовали ли вы протокол A2A, и если да, то в каких проектах?) Буду рад ваших историях 😎 💗 - настройка сервера A2A+MCP

Как я делал, абсолютно не подумав... В сентябре прошлого года, я запустил GPT бота в телеграмме, который как мне казалось, принесет мне много подписчиков и сможет отбить вложенные в него средства. Но, к сожалению или как оказывается к счастью, бот не взлетел. Этот пост я пишу для технарей, которые сконцентрированы только на идее, не задавая себе вопросов. 1️⃣Вся ниша GPT-ботов уже была занята 🔫 Я поздно включился: похожих ботов было уже десятки, если не сотни. Пользователю просто не было смысла переходить ко мне — его потребность и так закрывали, так многие еще и делали это бесплатно. 2️⃣Отсутствие конкурентных преимуществ 💻 Мой бот не делал ничего уникального: тот же интерфейс, тот же GPT, те же ответы. Разницы между «моим» ботом и любым другим пользователь не чувствовал. 3️⃣Слабый функционал и плохая работа бота 😡 Я запустил минималку и сам себя убедил, что "потом допилю". В итоге - постоянные баги, медленные ответы и отсутствие продуманных сценариев использования. Пользователь не обязан "терпеть, пока вы допишите" - он просто уйдёт. 4️⃣Отсутствие канала продаж 🍷 Я наивно думал: "Сделаю - и люди сами придут". Только блог, но никакой рекламы, партнёрок, внятного позиционирования или работающей воронки не было. Продукт без канала продаж - это просто хобби, а не бизнес. 5️⃣Слабое понимание проблемы 👎 Я решал абстрактную проблему в своей голове, а не реальную боль конкретных пользователей. Когда делаешь продукт не от боли, а потому что выдумал проблему и наше ее решение - не удивляйся, почему "не взлетело" Итог очень простой: -Nк в разработке, потрепанные нервы из-за слишком больших ожиданий и отход от личных проектов на полгода Я хочу, чтобы каждый решил эти 5 проблем любого продукта перед тем, как браться за разработку. Поэтому жду ваши истории про пет-проекты, в которых была очень сильная идея, но что-то не получилось💗

Новая хайповая вещь: SGR Что такое SGR и какую проблему он решает 💃 До сих пор проблема галлюцинирования LLM является самой большой пробемой всех инженеров, которые с ними работают. К тому же модель периодически может отвечать по разному и желание зафиксировать ответ, особенно для локальных моделей, является очень большим вызовом. Для решения этой задачи появился подход Schema-Guided Reasoning (SGR). Идея проста и эффективна: заставить модель мыслить не хаотично, а внутри заданной схемы. Как он работает 🍑 В SGR схема — это структурированное описание того, как модель должна рассуждать. Обычно её задают через Pydantic-модели или JSON-схемы, где для каждого элемента указаны тип данных и описание. from pydantic import BaseModel from typing import List class MathReasoning(BaseModel): problem: str steps: List[str] final_answer: float SGR использует структурированный вывод и ограниченное декодирование. Проще говоря, с помощью такого вывода модель может выдать ответ только в том виде, который заранее определили. Например, если в схеме указано, что final_answer должно быть числом, модель не напишет там «около сорока» или «сложно сказать». Она будет вынуждена предоставить конкретное число в нужном формате. Схема не «зажимает» модель, а даёт ей понятный алгоритм. Это похоже на чек-лист доктора: сначала собрать симптомы и проверить показатели, потом выдвинуть гипотезы и назначить анализы и лишь затем ставит диагноз. Модель может думать как хочет, но в итоге обязана заполнить все поля. Что мы получаем: 1. Предсказуемость ответа 2. Большую интерпретируемость 3. Возможность добавлять экспертные данные внутри схемы, не теряя контекст Паттерны работы 👍 1️⃣Каскад Каскад подходит, когда задачу можно разбить на последовательные этапы, где каждый следующий шаг зависит от предыдущего. Например, при анализе текста: сначала краткое содержание, затем оценка качества и только потом итоговая рекомендация. class TextAnalysis(BaseModel): summary: str quality_rating: int final_recommendation: str 2️⃣Маршрутизация Маршрутизация нужна, когда заранее неизвестен тип входящей задачи. Например, нужно проанализировать юридические, финансовые или технические документы. Каждому типу нужен свой алгоритм разбора. class DocumentAnalysis(BaseModel): document_type: str # "legal", "financial", "technical" analysis_result: dict 3️⃣Цикл Цикл полезен, когда результат нужно постепенно уточнять. Модель выдвигает гипотезу, затем сама её проверяет — ищет противоречия — и при необходимости пересматривает ответ. Это похоже на процесс редактирования: черновик, правки, готовый вариант. class ComplianceAnalysis(BaseModel): hypothesis: str verification_questions: List[str] final_verdict: str Что почитать 🤑 1️⃣Schema-Guided Reasoning: как научить языковые модели последовательно рассуждать 2️⃣Schema-Guided Reasoning (SGR) от создателя этой технологии 3️⃣SGR Agent Core — the first SGR open-source agentic framework for Schema-Guided Reasoning

11 ноября наступает у нас, а конкурс у вас Мы с авторами крутых образовательных каналов стартуем конкурс с большими и полезными осенними призами 6 ПОБЕДИТЕЛЕЙ 6 НАГРАД 6 ДОПОЛНИТЕЛЬНЫХ НАГРАД 🎁Призы 1 место — сертификат в «Читай-город» на 3000 ₽ 2 место — сертификат на 2000 ₽ 3 место — сертификат на 1000 ₽ 4 место — сертификат на 1000 ₽ 5 место — сертификат на 500 ₽ 6 место — сертификат на 500 ₽ 🐳Каждый победитель получит возможность выбрать любой дополнительный приз или передать приз другу 🔝Конкурс продлится с 11.11 по 25.11🔝 Условия конкурса — Подписаться на ПАПКУ — Нажать «УЧАСТВУЮ!» — Дождаться 21:00 25.11.2025 — Подумать, какой нематериальный приз вы хотите и написать в комментариях к посту (можно несколько) Есть ли другие темы консультаций, которые были бы вам интересны? Пишите ниже⬇️

MCP: как LLM вообще ходит во внешние сервисы #Протоколы_в_агентах Давно для себя хотел разобраться с агентскими протоколами(на уровне того, чтобы я с легкостью мог обьяснить), наконец-то дошли руки, поэтому работаем 💳 Зачем в целом нужны протоколы? 🔫 Главное, что отличает агентов от вызовов LLM, так это возможности взаимодействия с внешней средой. Вот именно для того, чтобы не писать под каждую интеграцию отдельный код, нужны протокол. MCP решает эту проблему, предоставляя LLM стандартизированный способ подключения к внешним источникам данных и инструментам Как работает MCP 🤨 Когда пользователь взаимодействует с хост-приложением (приложением ИИ), поддерживающим MCP, за кулисами происходит несколько процессов, обеспечивающих быструю и бесперебойную связь между ИИ и внешними системами. Давайте подробнее рассмотрим, что происходит, когда пользователь просит Claude Desktop выполнить задачу, которая вызывает инструменты за пределами окна чата. Основные компоненты MCP 😁 - Приложение с ИИ: Claude Desktop, IDE-плагин, веб-чат — всё это хосты, которые держат LLM и общаются с пользователем. - Встроенный клиент MCP: устанавливает соединения с MCP-серверами, переводит запросы из мира приложения в формат протокола - MCP-сервер: он описывает: какие есть resources, tools, подсказки (prompts). - Транспортный уровень Как именно клиент и сервер общаются: STDIO — локально, когда сервер живёт рядом (CLI, локальные тулзы). HTTP + SSE — удалённо, когда нужен сетевой доступ и стриминг ответов. Протокол рукопожатия 😧 1. Первоначальное подключение: при запуске клиента MCP (например, Claude Desktop) он подключается к настроенным серверам MCP на вашем устройстве. 2. Обнаружение возможностей: клиент спрашивает каждый сервер: «Какие возможности вы предлагаете?» Каждый сервер отвечает доступными ему инструментами, ресурсами и подсказками. 3. Регистрация: Клиент регистрирует эти возможности, делая их доступными для использования ИИ во время разговора. Путь нашего запроса 😮 1. При получении нашего запроса, LLM решает, какие инструменты дернуть и составляет план. 2. Клиент MCP отправляет на сервер: имя инструмента, параметры (например, repo, branch, фильтры), контекст (ID сессии и т.п.) 3. Далее происходит выполнение на стороне сервиса и оборачивает результат в стандартизированный ответ MCP 4. С помощью модели форматируем ответ и получаем нужный нам результат Фух, примерно так) Надеюсь вам понравится данный пост, жду в комментариях ваш опыт использования MCP 💗 - рассказать про ACP

Как проходить AI-собесы 💃 Часто мы слышим в последнее время, что бигтехи начали проводить AI-собесы, где ты можешь использовать все прелести технологий. Еще летом у меня был такой собес и вот пару советов, как их проходить. 1️⃣Не бойся сразу использовать LLM 🍑 В начале своего собеса я первые 10 минут я пытался быть эстетом и не использовал GPT, думал сам, типо крутой, в итоге потерял кучу времени 2️⃣Делай больше 😠 Главное отличие собесов с AI и без - это количество вещей, что ты можешь сделать за час. То есть если раньше ты писал 2 алгоритмические задачи, то теперь ты можешь написать целый сервис, который будет выполнять важную задачу внутри компании. 3️⃣Замысел значимее, чем код 😮 C LLM ты сразу можешь продумать архитектуру, и твои функции по отдельности будут смотреться смешно по сравнению с полноценным сервисом. Так что первый твой запрос в GPT должен звучать так: "У меня есть задача {задача}, давай полностью продумаем архитектуру это проекта". 4️⃣Метрики 😁 Теперь твоим результатом не будет ответ в решении задачи, а будут полноценные метрики работы приложения. Также нужно подумать над входным и выходными форматами и как ты презентуешь свой код. Проходили ли вы AI-собесы?) Если да, то поделитесь опытом в комментах💗

МЛ алгосы: вторая часть или mlleetcode ultrahard 💃 В этом посте я собрал весь код по статье Attention is All You Need, и также накинул картиночек с формулами для большего понимания. Надеюсь, вам понравится💗

Бот-ассистент для канала на n8n 😐 Мне давно хотелось сделать что-то полезное в рамках AI автоматизации и первым, что пришло мне с голову это бот-ассистент для канала. Затея была простая: взять несколько источников для суммаризации постов или статей(я выбрал arhiv и medium) и мемы(сначала была идея взять с reddit, но там стоит блок, поэтому взял https://programmerhumor.io/). Также хотелось, чтобы мне переодически бот накидывал идеи для написания постов. Что сейчас круто сделано и почему этот инструмент имеет право на жизнь: 💃 1. Классный AI-бот для помощи, который разбивает твой запрос на степы, а затем их выполняет, хоть и с косяками(например, неправильно указывает ссылки или определяет инструмент) 2. Для работы в n8n есть бесплатные токены GPT, с которыми можно сразу ворваться в работу 3. Все что можно придумать с ai-агентами уже добавлено сюда, правда выбор из LLM очень скудный(GPT, Anthropic, Gemini) Почему такие конструкторы все еще далеки от идеала: 🔫 1. Малое количество инструментов, которые будут точно соответствовать твоей идеи, да и к тому кастомизация этих инструментов ограничена самим n8n и java 2. Мало возможностей для работы с сайтами, например, парсинг, затем направить это все в гугл таблицу 3. Много сайтов банально не доступно для РФ Вывод 🏃‍♀️ AI-конструкторы упираются в свою же концепцию удобства для пользователей, но почему-то никто пока не делает удобным добавление и кастомизацию новых инструментов, а с условием малого количества инструментов, все вышеперечисленное становится проблемой Как вам такой формат поста?) Нужно ли больше практики добавлять или лучше делать обзорные посты?) ❤‍🔥 - пет-проект на base44

Выступление на конфе🍑 Совсем недавно я выступал на одной из внутренних конференций и я взял тему "Тестирование и валидация MAS-систем с помощью графов", она была построена по статье на arhiv и тут я подготовил новый формат - обзор интересных AI статей. Вот ключевые поинты: ⚫️Мы моделируем процесс MAS-системы в виде дискретного по времени временного атрибутивного графа, где узлы представляют агентов на разных временных шагах, ребра показывают взаимодействие, а атрибуты узлов кодируют ответы агентов. ⚫️Типы ошибок, которые детектит данный агент: усиление галюцинаций, внедрение и распространение ошибок агентами, когда вредоносные агенты внедряют ложную информацию, внедрение и распространение ошибок в коммуникациях ⚫️Варианты исправления ошибок сейчас: перекрестный допрос между агентами или внешняя помощь с помощью человека ⚫️Основываясь на этой структуре временного графа, мы предлагаем парадигму обучения без учителя, основанную на архитектуре кодер-декодер. ⚫️Этот механизм позволяет нам сжимать временные графы взаимодействия, отфильтровывая избыточную или нерелевантную информацию, сохраняя при этом основные закономерности, наиболее важные для обнаружения аномалий. ⚫️Более того, мы применяем парадигму инкрементального обучения, которая соответствует последовательной природе многоагентного взаимодействия. В этой парадигме модель постепенно обучается на основе истории взаимодействия, динамически адаптируясь к новым закономерностям с течением времени. ⚫️Непрерывная тонкая настройка нейронных сетей на последовательных временных шагах и удаление ранее выявленных аномалий из входных графов позволяет модели накапливать знания и совершенствовать свои возможности обнаружения аномалий в динамично развивающейся среде. ⚫️Графовые сверточные сети (GCN) показали многообещающие результаты в обнаружении аномалий в различных областях, от обнаружения финансового мошенничества к анализу социальных сетей. Как вам такой формат?) Нужно ли делать такое чаще?)💗