Config 2026: Figma сделала холст «agent-native»
На Config 2026 Figma запустила дизайн-агента для всех пользователей, скиллы для команд и Code Layers - код как материал дизайна наравне с векторами. Разбираем анонсы.
121 разбор в этой категории - без воды, с цифрами и источниками.
На Config 2026 Figma запустила дизайн-агента для всех пользователей, скиллы для команд и Code Layers - код как материал дизайна наравне с векторами. Разбираем анонсы.
Claude Code теперь сам пишет сценарий оркестрации и координирует до сотен параллельных субагентов на одну задачу - миграции, аудиты кода, проверки высокой цены ошибки.
Без сложных терминов: где заканчивается чат-бот и начинается агент, который сам выполняет задачи.
Telegram-бот, который отвечает по вашей базе знаний и в вашей формулировке, а не общими фразами модели. Разбираем архитектуру, стек и реальную стоимость запроса.
Как строить guardrails для LLM: input validation, policy engine, output schema, moderation, tool permissions, approvals, monitoring и evals.
Как расследовать инциденты LLM, RAG и AI-агентов: severity, containment, evidence, rollback, коммуникация, postmortem и regression eval.
Исследования METR и Cursor показали: ИИ-агенты не врут умышленно, а буквально выполняют заданную метрику. Разбираем реальные цифры и что с этим делать.
Как развернуть open-source LLM в production: выбор модели и GPU, vLLM, batching, KV cache, quantization, autoscaling, безопасность и обновления.
Как спроектировать rate limiting для LLM API: RPM и TPM, token bucket, admission control, per-tenant quotas, backpressure, retries и graceful degradation.
Что такое reranker в RAG, как выбрать cross-encoder или late interaction, настроить top-k, latency budget, thresholds и оценить прирост качества.
Как настроить hybrid search для RAG: BM25, dense и sparse vectors, RRF, weighted fusion, фильтры, candidate pool и оценка качества.
Стратегии chunking для RAG: fixed, recursive, semantic и structure-aware разбиение, overlap, metadata, parent-child retrieval и оценка качества.
Как выбрать vector database для RAG: pgvector, специализированный движок, HNSW, IVFFlat, фильтры, hybrid search, multitenancy, backup и TCO.
Manus AI выполняет задачи файлами, а не текстом, но в 2026 году пережил обязательный разрыв с Meta и удаление части данных. Тарифы, доступ и оплата из России.
Практический гайд по эмбеддингам для RAG: dense и sparse vectors, cosine, dot product, размерность, multilingual-модели, миграция и оценка retrieval.
Как нагрузочно тестировать LLM-сервис: workload model, TTFT, ITL, tokens/sec, concurrency, очереди, квоты, capacity planning и предел стоимости.
Genspark не просто отвечает на вопросы, а сам разбивает задачу на шаги и выдаёт готовый файл: слайды, таблицу, код. Разбор тарифов и доступа из России.
Fugu от Sakana AI не отвечает сама, а координирует пул моделей под конкретную задачу через один OpenAI-совместимый API. Разбор цен, режимов и первого запуска.
Связка NotebookLM и Claude Code за 7 шагов: собираете файл SKILL.md только из своих источников, каждая строка со ссылкой - скилл перестаёт выдумывать.
Собираем в n8n рабочий сценарий из шести узлов: заявка приходит на вебхук, локальная модель раскладывает её на поля, результат построчно уходит в CSV.
Официальные рекомендации Anthropic по промптам для Claude Fable 5: уровни усилия, границы автономности, проверка прогресса, память и параллельные субагенты.
PAL MCP (бывший Zen MCP) - открытый сервер, который подключает Gemini, ChatGPT и другие модели прямо внутрь Claude Code. Установка и первые команды.
Инструмент памяти Claude API хранит знания в файлах между разговорами. Как работают шесть команд, защита от path traversal и паттерн для долгих проектов.
Личный ассистент из шести деталей: Claude Code, навыки в .claude/skills, память в CLAUDE.md, распознавание речи Whisper, голос через локальный синтезатор.
Скилл Консул собирает внутри Claude совет из нескольких ролей: они высказываются по очереди, спорят между собой и выносят решение с указанием риска.
Production-гайд по semantic response cache: eligibility, exact lookup, scoped vector search, threshold calibration, freshness, poisoning, метрики и ROI.
Production MCP: transport, OAuth 2.1, audience-bound tokens, scopes, capability filtering, tool schemas, approvals, injection defense, limits и evals.
Context engineering для production: usable input, приоритеты, typed state, summaries, retrieval, truncation, cache, manifest и long-session evals.
Архитектура обработки тысяч записей через LLM: batch API или очередь, manifest, idempotency, checkpoints, backpressure, validation и TCO.
Production-архитектура нескольких агентов: паттерны координации, типизированные handoffs, shared state, права, лимиты, циклы, traces и evals.
Безопасный function calling: узкие tools, strict schemas, server-side authorization, preview, approval, idempotency, errors и evals.
Диагностика RAG по слоям: ingestion, ground truth, recall/precision, MRR/nDCG, faithfulness, citations, task success и CI gates.
От AI-демо к production-платформе: уровни зрелости, registry, datasets, eval CI, release bundles, traces, feedback и cost governance.
Официальные практики Anthropic для агентных задач длиннее одного окна контекста: tests.json, progress.txt, git как журнал состояния и границы автономности.
Архитектура памяти агента: context, state, long-term records, extraction, retrieval, TTL, изоляция, memory poisoning, удаление и evals.
Матрица выбора между prompt, RAG, tools и fine-tuning: данные, splits, evals, TCO, canary, rollback и контроль дрейфа.