Статья CitriniResearch описывает следующий этап: AI-агенты начинают убирать посредников. Не людей из профессий, а целые бизнес-модели, построенные на том, что человеку лень разбираться самому.

Подумайте, сколько бизнесов живут за счёт того, что вам некогда или лень:
— страховка, которая тихо дорожает при продлении, потому что вы не сравниваете
— риелтор, который берёт 5% за то, что у него доступ к базе, которую вы и сами можете посмотреть
— подписки, которые продлеваются месяцами после того, как вы перестали ими пользоваться

Всё это работает на одном топливе — человеческой лени и нехватке времени. Человеку некогда сравнивать пять платформ перед покупкой протеиновых батончиков. Машине — не некогда.

Авторы статьи моделируют момент, когда AI-агенты начинают делать это за вас. Без спроса. В фоне. Просто оптимизируют ваши расходы, отменяют ненужные подписки, находят дешевле, договариваются о скидках.

Не знаю как вам, а мне уже такое и моделировать не нужно. Мне уже реально всё равно, какой интерфейс у приложения для заказа еды. Я автоматизировал эту цепочку. Во втором канале я еще с августа показывал свою систему, которая по Брайану Джонсону и его Don't Die Food Guide парсит доступные товары Яндекс Лавки и заказывает. Теперь с появлением agent browser это стало еще проще, главное не забудьте РУ прокси.

Мой товарищ Коля Митин хорошо сформулировал:

Если пользователю проще дать чат-боту ссылку на сайт и попросить оформить заказ, чем пользоваться интерфейсом этого сайта — значит интерфейс говно. Конкуренция дизайнера теперь не с другим дизайнером, а с текстовым инпутом в чате.

У агента нет главного экрана. У агента нет привычек. У агента нет лени. Он просто находит лучший вариант.

А теперь представьте это в масштабе. Авторы статьи приводят термин habitual intermediation — посредничество, которое держится на привычке. Это огромный кусок экономики, который мы принимаем как данность. Такси, доставка, страхование, бронирование, финансовые консультации, налоговая отчётность — везде, где ваш провайдер зарабатывает на том, что "вам сложно разобраться самому".

Агенту не сложно.

Навал в недавнем подкасте сказал вещь, которая цепляется за эту же идею с другой стороны. Он описывает мир, где побеждает только лучший продукт в категории.

First place gets a Cadillac Eldorado, second place gets a set of steak knives, third place — you're fired.

Это из фильма, но он использует её серьёзно. В мире, где AI убирает фрикшн и каждый может мгновенно сравнить все варианты, среднее никому не нужно. Лидер забирает рынок. Длинный хвост из нишевых решений тоже живёт — потому что заполняет щели, которые раньше были слишком маленькими для бизнеса. А вот середина схлопывается.

Средняя SaaS-компания на 20 человек, которая закрывала одну функцию для корпоратов. Средний консультант, который знал чуть больше клиента. Средний разработчик, который умел то, что теперь умеет Claude.

Это не абстракция. Белые воротнички — это 50% рабочих мест и примерно 75% потребительских расходов. Это не "один сектор". Это и есть экономика. Верхние 20% по доходу обеспечивают 65% всех потребительских трат. Когда эти люди теряют работу или соглашаются на зарплату вдвое ниже, эффект непропорционально большой.

Статья описывает как в их сценарии S&P падает на 38% от максимумов, а безработица доходит до 10%. Я не знаю, случится ли это. Но механика, которая к этому ведет, make sense.

⬇️

📟 Прилетело из @insuline_eth

Но вот в чём штука. Та же самая реальность, которая выглядит пугающей с высоты макроэкономики, выглядит совершенно иначе, если смотреть на неё как конкретный человек.

Навал в том же подкасте говорит:

No entrepreneur is worried about an AI taking their job.

Ни один предприниматель не боится, что AI заберёт его работу. Потому что у предпринимателя нет "работы" в привычном смысле. У него есть задача, которую он пытается решить. И любой AI, который может помочь — это союзник.

Это касается не только предпринимателей. Это касается любого, кто решает задачу, а не занимает позицию.

Навал описывает происходящее так: раньше программисты были волшебниками. Они знали тайные команды, писали заклинания на непонятных языках, и из этого получались работающие вещи. Сейчас AI — это волшебная палочка, которую раздали вообще всем. Каждый может сказать что-то на своём языке — и получить результат.

Звучит утопически. Но есть нюанс, и он принципиальный.

Палочка без понимания того, что ты делаешь — это не магия. Это обезьяна с гранатой. Я вижу это вокруг себя регулярно. Люди без технического фундамента берут AI, собирают что-то, оно вроде работает — а потом разваливается, и они не понимают почему. Потому что, как говорит Навал, all abstractions are leaky — все абстракции текут. И когда потечёт, нужен кто-то, кто понимает, что происходит уровнем ниже.

Я думаю, что мир разделится не на "айтишников" и "не айтишников". Он разделится на три слоя.

Первый — люди, которые работают руками. Электрики, столяры, сантехники, повара, ремесленники. AI не заменит руки. А спрос на качественную ручную работу растёт, особенно в премиальном сегменте. Я уже несколько лет говорю знакомым, которые спрашивают "стоит ли идти в IT" — лучше станьте крутым ремесленником. Этот совет только укрепляется.

Второй — люди, которые понимают фундамент и используют AI как рычаг. Необязательно программисты. Навал говорит, что достаточно иметь структурное мышление и понимать, как устроены системы. Если ты можешь точно сформулировать задачу, если ты видишь когда результат кривой, если ты понимаешь архитектуру того, что строишь — ты в этом слое.

Третий — люди без фундамента, которые пытаются использовать AI на входном уровне. Junior QA, entry-level позиции, "научился за три месяца на курсах". Этот слой сжимается быстрее всего. Не потому что люди плохие — а потому что задачи, которые они решали, AI решает лучше и дешевле.

Вопрос не в том, в IT ты или нет. Вопрос в том, есть ли у тебя фундамент, на который можно опереть AI, чтобы он усилил тебя, а не заменил.

Навал заканчивает подкаст мыслью, которая мне кажется правильной: тревога по поводу AI — это неспецифический страх. Ты чувствуешь что что-то меняется, но не понимаешь что именно. И лекарство от этого одно — действие. Разобраться, как оно работает. Не выучить промпт-инжиниринг (Навал прямо говорит что это бессмысленно — AI адаптируется к тебе быстрее, чем ты к нему). А понять принципы. Понять слой ниже.

The means of learning are abundant. It's the desire to learn that's scarce.

Средства для обучения бесконечны. Дефицит — в желании учиться.

Это золотой век для тех, кто действует. Для остальных — да, может быть непросто.

📟 Прилетело из @insuline_eth

И немного анти-фомо инфографики для юных любителей нейросетей, которые устали от большого количества текста

📟 Прилетело из @insuline_eth

📟 Прилетело из @solidityset

Что почитать?

Проснулся сегодня с явным нежеланием работать. На улице хоть и -2, но солнце светит уже по весеннему, и хочется просто отдыхать, а не фиксить баги и учить MatPlotLib...

Поэтому сегодня, в качестве оффтопа, решил поделиться с вами рекомендациями книг, которые читал или буду читать в ближайшее время.

1. System Design. Подготовка к сложному интервью. Алекс Сюй.

Первая книга, которую должны прочитать все вайбкодеры, да и просто начинающие разработчики. Здесь в понятной манере и простым языком объясняются базовые принципы архитектур компьютерных систем: какую базу данных выбрать, как работает кеш, что такое CDN, распределение трафика, нагрузка и организация серверной части. Очень достойная книга, чтобы начать разбираться в этих понятиях!

2. System Design. Машинное обучение. Али Аминиан, Алекс Сюй.

Еще одна книга от того же автора, но уже в соавторстве с Али Аминианом. Купил ее только потому что понравилась первая часть. Здесь также в простом формате раскрываются вопросы про машинное обучение, которые могут задавать на собеседовании: как выбирать модель, как обучать ее, рекомендация событий и данных для пользователей, организация поиска и т.д. В общем, я ожидаю, что она дополнит мои знания про ML. Еще не читал.

3. Прикладное машинное обучении и искусственный интеллект для инженеров. Джеф Просиз.

Вот это отличная книга для тех, кто уже познакомился с нейронками и хочет копнуть глубже с тем, как работают сети в своей основе. Тут раскрываются темы регрессионного анализа, классификационных моделей, опорные векторы, обучение с помощью keras/tensorflow, обнаружение лиц и распознавание изображений и т.д. Много примеров с кодом. Единственное что, может быть сложной в языке: если вы никогда ранее не сталкивались с определениями в машинном обучении, то придется много гуглить.

4. Байесовская статистика. Star Wars, резиновые уточки и многое другое.

Книга за которой долго гонялся. Не мог найти в РФ и ждал ее несколько недель из Китая. Еще не успел прочитать ее, только просмотрел несколько глав. Прекрасное, легкое и очень простое объяснение предсказательной статистики и вероятностных моделей. Как вы можете знать, что современные нейронные сети "под капотом" используют предсказательные алгоритмы для генерации токенов. Эта книга может помочь вам понять на простых примерах, как это все работает в сетях.

5. Алгоритмы искусственного интеллекта. Ришал Харбанс.

С использованием этой книги я позже буду делать посты про алгоритмы в нейронных сетях, когда мы закончим цикл про основные алгоритмы в программировании на канале. Еще не открывал ее даже, хочу погрузиться в нее чуть позже.

6. Высоконагруженные приложения. Мартин Клепман.

Еще одна книга, до которой не дошел, но очень жду. Очень много рекомендаций ее изучить видел в Твиттере. Тут рассказывается о подходе к работе над информационными системами, моделях данных и языках запросов, системах хранения данных, репликации, секционировании, проблемах и т.д.

Полагаю, что читать ее лучше после первой книги Алекса Сюя, чтобы складывалось общее понимание работы систем.

7. Поиск на основе искусственного интеллекта. Трей Грейнджер, Дуг Тернбул, Макс Ирвин.

Вот это отличная книга о том, как работает поиск. Читаю ее сейчас. Если вы когда-нибудь задумывались, почему поиск на сайте работает так "криво", или почему он выдает массу результатов подобных моим прошлым запросов - эта книга для вас. Детально разбираются системы алгоритмов поиска и рекомендаций, а также использование нейронных сетей для выдачи релевантных результатов. Книга огонь!

8. Конструкции. Джейсм Гордон. Это книгу давно забросил в корзину и все никак не мог купить ее. Пришлось просить в подарок на Новый Год. Единственное, о чем пожалел: почему я не купил ее раньше!

📟 Прилетело из @solidityset

Эта книга не про IT, это больше популярное чтиво о том, как работает физика в конструкциях. Язык и объяснения невероятно простые. Если бы так физику преподавали в школе, я бы точно получал одни пятерки! Потрясающие графики и фотографии, рисунки и силуэты, описания базовых принципов растяжения и деформации и много другое! Просто зачитываюсь в свободное время и наслаждаюсь, как можно просто писать о таких сложных вещах!

Есть еще несколько других интересных книг, но расскажу о них позже, если вам зайдет такой формат в постах.

Так же буду рад получить от вас другие рекомендации, что еще моно почитать!

#books

📟 Прилетело из @solidityset

Один раз не пидорас, поэтому второй раз проверять код не буду.
ㅤ
Марсель печатает...

Две недели назад начали шиллить Moltbook агентов и фарм токена $CLAW.

Мы с ребятами поизучали сайт и решили сделать софт для регистрации и минта токенов.
Из расходников выходили твиттер аккаунты по два рубля и дешевая прокся.

На утро сайт немного допиливают, добавляют капчу и еще пару неприятных фич. Всё очень сильно лагает, так как не мы одни запустили ботов, но это особой роли не играет.

Суть софта простая: регаешь агента → привязываешь почту → подтверждаешь письмо → линк твиттера → отправляешь запрос на минт и индекс агента.

Во время листинга $CLAW я решаю перевязать оставшихся агентов на один кошелек, чтобы было удобнее бить в стакан (изначально был 1 агент = 1 кош) и замечаю, что мне доступна для клейма снова вся сумма.

Дев не смог навайбкодить никаких проверок на повторный клейм.

Цикл выглядел так:
Перевязка агентов на новый кош → клейм токенов → ждем 30 минут кулдауна → REPEAT.

Таким образом, мы лили в стакан по несколько эфиров в час на протяжении целого дня. Суммарно наминтили 8кк токенов из 21кк возможных.

Прочитать, как дев вайбкодил проект, можете на канале Артусика.

📟 Прилетело из @marcelkow_crypto

Ты пишешь код в Сlaude Сode? Я тоже, но у меня другой стиль

GM. Anthropic выкатили Remote Control. Запускаешь сессию на компе, подключаешься с телефона по QR, смотришь как агент работает. Писать код можно с любого девайса, но у меня вопрос другой: а комп у тебя вообще всегда открыт?

Пока зимовал в Таиланде, долго размышлял над сетапом, но крутил всё на ноутбуке. Вечно открытая крышка и превращение макбука в стационарный компьютер – ngmi. Вернулся в Москву и начал думать.

Дома стоит виндовый комп. Мощный, хороший. Но он для игр. Смешивать контексты не хочется, плюс на винде, несмотря на WSL и кучу улучшений, по прежнему многое работает через боль. Linux поставить можно, но тогда прощай игры. Mac Mini почти заказал, но честно сказал себе: сетап пока не приносит денег, тратить на него штуку баксов импульсивно глупо.

В итоге поднял obsidian vault + claude code на VDS за 500 рублей, синхронизация с локалом через Syncthing по SSH. Для GUI-задач или human in the loop (вроде заказов еды через агентов) запускаю локально на маке.

Но ключевое оказалось не в железе. Ключевое – friction. На айфоне слева есть бесполезная кнопка под названием Action Button. Это та, где обычно включается/выключается звук. У меня на ней шорткат:

нажал → записал войс → gpt-4o расшифровал → текст открывается в телеграме в переписке с ботом.

От мысли до обработанной информации в Obsidian одно нажатие.

Вот это оказалось важнее любого сервера

📟 Прилетело из @insuline_eth

📟 Прилетело из @insuline_eth

А можно ведь просто на VDS поднять endpoint, который принимает войс, обрабатывает и через Telethon сразу отправляет сообщение в нужный чат с ботом. Можно даже запарсить контент и выбирать нужного саб-агента (у меня сейчас 3 саб-агента плюс general агент для кодинга, для всех разные group chats)

Я пробовал через Shortcuts вставлять готовый текст напрямую в ТГ — криво работает, ограничение по символам.

А с бэкендом — вызываешь без VPN да и телеграм открывать не обязательно. Записал и забыл либо среагировал уже на полученное сообщение с ответом от бота, если нужно

🤔

📟 Прилетело из @insuline_eth

Алгоритмы. Обход в глубину (DFS)

После небольшой паузы мы продолжаем разбирать различные алгоритмы.

Обход в глубину (DFS) — это один из фундаментальных алгоритмов на графах, и его легче всего понять через аналогию с исследованием пещеры. Представь, что ты стоишь в системе туннелей с множеством разветвлений. Твоя стратегия заключается в том, чтобы выбрать первый попавшийся проход и идти по нему до тех пор, пока не упрешься в тупик. Только тогда ты возвращаешься назад к последнему перекрестку, где еще есть неисследованные пути, и пробуешь следующий туннель. Эта логика, где глубина проникновения важнее ширины охвата, и лежит в основе алгоритма DFS.

Рассмотрим небольшой граф. Предположим, у нас есть узлы, соединенные между собой: A связан с B и C; B связан с A, D и E; C связан с A и F; D связан только с B; E связан с B и F, а F, в свою очередь, связан с C и E. Если начать обход с узла A, DFS будет двигаться следующим образом: сначала мы попадаем в A, затем углубляемся в B, оттуда — в D. Достигнув D, мы понимаем, что это тупик (сосед B уже посещен), поэтому возвращаемся обратно в B и идем по следующему пути в E. Из E переходим в F, который тоже оказывается тупиком (все соседи посещены или ведут назад). После возврата в E и затем в B, мы наконец возвращаемся в A и идем в C, но обнаруживаем, что C уже был посещен через F. Итоговый порядок посещения узлов будет таким: A, B, D, E, F, C.

Граф:
        A
       / \
      B   C
     / \   \
    D   E   F
         \ /
          (F связан с E и C)

DFS от A пойдёт так:
A → B → D (тупик, назад) → E → F (тупик, назад) → назад → C (уже посещён через F)

Порядок посещения: A, B, D, E, F, C

В этом заключается ключевое отличие DFS от другого известного алгоритма — поиска в ширину (BFS). BFS работает подобно кругам на воде: сначала исследуются все соседние узлы, затем их соседи, распространяясь равномерно во все стороны. DFS же напоминает нить Ариадны в лабиринте: он всегда идет до конца по выбранному пути и лишь затем возвращается.

Граф:           BFS (в ширину):        DFS (в глубину):
    A           Уровень за уровнем     Ветка за веткой
   / \          A                      A
  B   C         B, C                   B, D, E, F, C
 / \   \        D, E, F
D   E   F

Для реализации DFS можно использовать два основных подхода, которые делают одно и то же, но разными средствами: рекурсию и явный стек. Рекурсивный метод полагается на стек вызовов самой программы. Когда мы пишем функцию, которая вызывает саму себя для обработки соседей, язык программирования автоматически запоминает точку возврата. Однако здесь есть важная особенность Python: не стоит задавать значение аргумента visited по умолчанию как пустое множество (set()), так как изменяемые объекты создаются один раз и будут переиспользованы во всех вызовах функции. Вместо этого нужно создавать его внутри функции, если оно не передано.

Пример 1

Чтобы лучше понять, как работает рекурсия, можно проследить её выполнение по шагам. Входя в узел A, мы помечаем его как посещенный и записываем в результат. Затем смотрим на соседа B, который еще не посещен, и вызываем функцию для B. Внутри вызова для B повторяется та же логика: добавляем B в путь и идем к его первому непосещенному соседу D. В D тупик, и функция возвращает результат обратно. Далее в B очередь доходит до следующего соседа — E. Из E попадаем в F, а из F — в C. Когда все пути исчерпаны, результаты склеиваются и возвращаются наверх.

Пример 2

Второй способ реализации — итеративный с использованием явного стека. Стек работает по принципу «последним пришел — первым вышел» (LIFO). Это как стопка тарелок: новую тарелку кладут сверху, и первую берут тоже сверху. В коде мы сами управляем этим стеком, помещая туда узлы для последующей обработки. Важный нюанс: чтобы порядок обхода совпадал с рекурсивной версией, соседей часто добавляют в обратном порядке. Если просто положить соседей в стек по порядку, то из-за механизма LIFO первым будет извлечен последний сосед, и обход пойдет в другую сторону.

Пример 3

📟 Прилетело из @solidityset

Процесс итеративного обхода можно наглядно представить в виде таблицы, где видно, как меняется содержимое стека на каждом шаге. Начинаем со стеком, содержащим A. Извлекаем A, помечаем его и добавляем в результат, а затем кладем в стек его соседей C и B в обратном порядке (чтобы B оказался сверху). Затем извлекаем B, затем D, и так далее, пока стек не опустеет.

Шаг | Стек (вершина →)   | Берём | visited         | result
----|--------------------|-------|-----------------|------------------
 0  | [A]                |  A    | {A}             | [A]
 1  | [C, B]             |  B    | {A,B}           | [A,B]
 2  | [C, E, D]          |  D    | {A,B,D}         | [A,B,D]
 3  | [C, E]             |  E    | {A,B,D,E}       | [A,B,D,E]
 4  | [C, F]             |  F    | {A,B,D,E,F}     | [A,B,D,E,F]
 5  | [C, E*, C]         |  C    | {A,B,D,E,F,C}   | [A,B,D,E,F,C]
    (* E уже в visited — пропустим при извлечении)

Финальный результат: [A, B, D, E, F, C] ✓

Этот код, по сути, является готовой реализацией итеративного DFS, где стек берет на себя работу, которую в рекурсивной версии выполняет стек вызовов. Каждая часть здесь важна: множество visited отслеживает уже обработанные узлы, список stack хранит узлы, которые предстоит обработать, а цикл while работает, пока есть что извлекать.

Одна из классических задач, решаемых с помощью DFS, — поиск циклов в графе. Цикл — это ситуация, когда, двигаясь по графу, мы возвращаемся в узел, который уже встречали на текущем пути. Важно отличать просто посещенный узел от узла, находящегося в текущем стеке рекурсии. Ведь если мы видим уже посещенный узел, который не является частью текущего пути, это может быть просто пересечение, а не цикл. Поэтому в алгоритме используются два множества: visited для всех узлов, которые когда-либо посещались, и rec_stack для узлов, в которых мы находимся прямо сейчас в процессе рекурсивного спуска.

Граф БЕЗ цикла:     Граф С циклом:
    A                   A
   / \                 / \
  B   C               B   C
  |                   |\ /
  D                   | X
                      |/ \
                      D   E

Алгоритм запускает проверку из каждой вершины, чтобы учесть возможную несвязность графа. Если в процессе обхода мы наталкиваемся на соседа, который уже есть в rec_stack, это означает обнаружение цикла.

Пример 4

Как именно это работает, можно увидеть на примере графа с циклом. Начиная с A, мы идем в B, затем в D. В узле D видим соседа B, который уже есть в rec_stack. Это и есть сигнал о наличии цикла.

Пример 5

Еще одно важное практическое применение DFS — поиск пути в лабиринте. Здесь выбор между DFS и BFS зависит от конкретной задачи. Если нам нужно просто найти любой путь к выходу, DFS часто оказывается предпочтительнее. Он идет по одному пути до упора и, если лабиринт не слишком разветвлен, может найти выход довольно быстро. При этом DFS использует меньше памяти, так как хранит лишь текущий путь.

Пример 6

Однако если стоит задача найти кратчайший путь, DFS не подходит. Он может углубиться в длинную ветку и найти путь, который окажется далеко не самым коротким, в то время как существует более прямой маршрут. В такой ситуации BFS гарантированно найдет кратчайший путь, хотя и потребует больше памяти для хранения всех узлов текущего уровня.

Лабиринт:        DFS может пойти так:      BFS пойдёт так:
  S               S→A→C→E→EXIT             S→A (длина 1)
 / \              (длина 4)                S→B (длина 1)
A   B             Хотя существует          S→A→C, S→B→EXIT
|   |             S→B→EXIT                 Найдёт S→B→EXIT
C  EXIT           (длина 2)!              (длина 2) первым
 \ /
  E
  |
 EXIT

DFS нашёл путь длиной 4, хотя есть путь длиной 2.
BFS всегда находит кратчайший путь.

📟 Прилетело из @solidityset

Сравнивая эти два подхода для лабиринта, можно выделить несколько критериев. Для задачи нахождения любого выхода оба алгоритма работают, но DFS требует меньше памяти. Для поиска кратчайшего пути BFS гарантирует результат, а DFS — нет. В глубоких лабиринтах рекурсивный DFS рискует переполнить стек, тогда как итеративный и BFS безопасны. В широких лабиринтах BFS может потребить много памяти, а DFS остается эффективным.

Что касается вычислительной сложности, то и для DFS, и для BFS она одинакова. Временная сложность составляет O(V + E), где V — количество вершин (узлов), а E — количество ребер. Это объясняется тем, что алгоритм посещает каждую вершину ровно один раз и просматривает каждое ребро также один раз. Пространственная сложность в худшем случае составляет O(V) — память нужна для хранения множества посещенных узлов и, в случае итеративной реализации, стека.

Подводя итог, можно сказать, что DFS — это алгоритм, который идет вглубь до упора, а затем возвращается. Его можно реализовать элегантно через рекурсию или более контролируемо через явный стек. Он применяется для поиска любого пути, обнаружения циклов, топологической сортировки и обхода деревьев, но не гарантирует нахождения кратчайшего маршрута.

#algorithm

📟 Прилетело из @solidityset

О КАНАЛЕ. СОТРУДНИЧЕСТВО. ЛУЧШЕЕ

я тут решил навайбкодить себе сайт визитку в виде миниаппа
+ собрал "бесплатный курс по агентам" из своих материалов

Го чекать:

📟 Прилетело из @danokhlopkov

О КАНАЛЕ. СОТРУДНИЧЕСТВО. ЛУЧШЕЕ

я тут решил навайбкодить себе сайт визитку в виде миниаппа
+ собрал "бесплатный курс по агентам" из своих материалов

Го чекать:

📟 Прилетело из @danokhlopkov