Говорим о применении LLM в найме с Николаем Шейко — экспертом по внедрению ИИ в неайтишный бизнес, который строил HR-продукты для американских технологических гигантов. Он расскажет, как искусственный интеллект меняет рекрутинг, собеседования и найм персонала.

🔥 Обсудим:
→ Как ИИ уже изменил собеседования в BigTech
→ Можно ли обмануть ИИ-рекрутера (и стоит ли)
→ Какие навыки станут бесполезны, а какие — критичны
→ Как готовиться к собеседованиям в эпоху ИИ
→ Инсайды из разработки HR-систем для крупнейших компаний
→ Внедрение ИИ в найм вне IT: кейсы и ошибки

⏰ Запускаем трансляцию завтра, 6 ноября, в 14:00!

Смотрите на YouTube, в ВК или прямо в этом канале!

Рассуждающие модели развиваются быстрее, чем пользователь успевает понять, как же они работают... LRM генерируют ответ через множество шагов — промежуточных вопросов и утверждений — и благодаря этому справляются с очень сложными задачами.

Доктор технических наук Владимир Крылов расскажет о новейших исследованиях, которые объясняют, как формируется ответ такой модели на промпт и как влияют на этот процесс нейронные паттерны активаций и внедрённые концепты.

Также в лекции:
→ базовые идеи устройства и принципы работы LRM;
→ ключевые алгоритмы и техники результативного рассуждения;
→ примеры применения этих моделей на практике.

⏰ Запускаем трансляцию 13 ноября в 12:00.

Смотрите на YouTube, в ВК или прямо в этом канале — и задавайте вопросы лектору!

Как фоновые агенты решат проблемы неэффективности дата-центров? Расскажет Максим Шаланкин, Machine Learning Team Lead из MWS и автор телеграм-канала Maxim.ML.

⚡️В лекции:
→ Простаивающие мощности: как фоновые агенты превращают простой GPU и CPU в источник ценности.
→ Технические особенности работы LLM: где именно в инференсе появляются окна для запуска фоновых задач.
→ Фоновые агенты как новый слой инфраструктуры: автономные рабочие, встроенные в дата-центры и корпоративные системы.
→ Класс задач для фоновых агентов: исследование данных, безопасность кода, документооборот и рыночная аналитика.
→ Как считать пользу фоновых агентов: от загрузки железа и эквивалента майнинга до бизнес-метрик и ROI.
→ Стратегия компании в эпоху фоновых агентов: почему раннее внедрение даёт устойчивое конкурентное преимущество.

⏰ Запускаем трансляцию завтра, 19 ноября, в 12:30.

Смотрите на YouTube, в ВК или прямо в этом канале — и задавайте вопросы Максиму!

В последнее время часто всплывает опенсорс-тул для создания приложений - Spec Kit. Его авторы утверждают, что инструмент «помогает сосредоточиться на сценариях использования и предсказуемых результатах, а не на вайб-кодинге с нуля».
50 тысяч звёзд на GitHub звучит убедительно. Мы решили разобраться, что это за зверь, и сравнить его с нашим подходом.

1. Первое впечатление
Пожалуй, самый интересный из менеджеров разработки, что нам попадались. Но, как всегда, нюансы решают всё.

2. Наш эксперимент
Один и тот же разработчик, один и тот же проект: MVP веб-приложения на 5 ролей, у каждой роли по 4-6 разделов. Около 26 тысяч строк кода с тестами (в «прошлой жизни» это примерно год работы).
• чистый Claude Code - 3 дня
• Spec Kit + Claude Code - 5 дней
Результат: ускорение отрицательное.

3. Как это устроено
По сути, Spec Kit - это набор промптов поверх вашего агента (Claude Code, Cursor, Copilot и т. д.).
Сначала формулируете продукт и бизнес-требования, затем на их основе генерируете документацию, потом - задачи, и уже по ним пишется код. Метод классный, даже прорывной, если до этого вы работали стихийно. Но когда процесс уже выстроен, он может добавить больше трения, чем скорости.

4. Ограничения
В процессе планирования инструмент выдал фразу, что он «хорошо работает с проектами до 50 задач», а дальше контекст разваливается. Не знаем, можно ли этому доверять - в документации Spec Kit такого нет. Наш эксперимент был на проекте примерно в 200 задач. Возможно, на меньших проектах эффективность выше.

5. Почему у нас не взлетело
Мы и так начинаем с бизнес-требований, затем делаем техзадание, потом задачи - и в таком режиме работаем с агентами. Spec Kit не дал принципиального улучшения, зато как только начинаются правки (а они начинаются всегда), появляется двойная каша: классическая от модели и новая - от методологии Spec Kit. Стоит добавить кастомные инструкции - и Spec Kit теряет фокус: забывает собственные требования и стили кодирования, отключает тесты и т. д.

6. Ещё один барьер
Чтобы получить внятный результат, нужно уметь послать запрос во Вселенную формулировать бизнес-требования. Это ровно то, чего Spec Kit не решает. Он неплохо превращает бизнес требования в техзадание и таски, но принцип garbage in - garbage out всё ещё актуален. Вам все еще надо уметь описывать чего вы хотите. У нас для этого есть собственный инструмент - Аналитик-Кентавр, который помогает быстро формировать Видение проекта и User Stories.

Вывод
Хороший инструмент, если вы только начинаете систематизировать процесс.
Но если у вас уже есть сильный аналитический контур - пользы немного, а трений добавится.

P.S.
Пока мы всё это тестировали, кто-то уже успел написать инструкцию по использованию на Хабре!

Вспоминаем формат дайджеста за неделю:

В ноябре прошёл AI Engineer Code Summit - событие со звёздными докладчиками из OpenAI, Anthropic, Google, Meta, Cursor, Netflix и других лидеров индустрии. На youtube 8 часов докладов, ориентированных на практикующих инженеров, которые пишут код с ИИ и для ИИ: работа с агентами, оптимизация кодовой базы под агентов, вот это все.

Обнаружили опенсорсный проект Mimir - векторную и графовую базу знаний для AI-агентов разработки. Работает на базе Neo4j, автоматически строит связи между задачами и хранит и шерит весь контекст для всех агентов навсегда. Создатели утверждают, что это идеальный вариант для долгосрочных проектов с мультиагентной работой и оркестрацией сложных задач. Сейчас 125 звёзд на GitHub.

Antigravity IDE - нам, как и многим, почему-то никак не удавалось авторизоваться на прошлой неделе в новой AI-среде разработки на базе Gemini от Google. Впрочем с выходом Opus 4.5 стало уже и не так интересно.

Новость недели, которую все знают - вышел Claude Opus 4.5: победил всех на всех бенчмарках, включая Gemini 3. Цена - $25 за output MTok. Тестируем: пока всем нравится. Ждём прикладных инсайтов и прорывов.