Кто-то сделал расширение для VS Code, которое превращает твоих AI-агентов в пиксельных персонажей.

Они работают в виртуальном офисе прямо в сайдбаре и ходят там, пока занимаются твоим кодом.

100% опенсорс ❤️

Находка дня: Nimble skill 💃

Этот скилл возвращает структурированные данные, разложенные по таблицам, с которыми можно сразу работать.

Например:

Попроси Claude Code найти все аренды 2-комнатных квартир в конкретном районе, опубликованные за последние 48 часов, вытащить цену, метраж и URL объявления с нескольких сайтов, и выгрузить все в таблицу.

В итоге ты получишь таблицу, где данные нормализованы между разными источниками.

Он ищет в реальном времени и возвращает структурированный результат.

Он умеет разбирать самые разные сайты, включая те, где контент рендерится на клиенте через JavaScript.

Если ты собираешь агентов, которым нужны веб-данные, этот скилл прям 10/10.

Вот ссылка на сам скилл, а как это работает, смотри в их документации

Один гений навайбкодил 3D-город, где каждый разработчик на GitHub это здание.

Чем больше коммитов, тем выше здание.

Чем больше репозиториев, тем шире основание.

Светящиеся окна это недавняя активность.

100% опенсорс

😱😱😱

Пора переосмыслить то, как мы строим agent skills, а именно перестать лепить их как документацию для людей, так как это жрет токены и провоцирует галлюцинации.

Вот сжатый набор ключевых best practices (чтение меньше 5 минут), который поможет нам писать skills лучше.

Зацени: https://github.com/mgechev/skills-best-practices 📰

Благодарность от Антропиков: Claude Max за их счёт

Они объявили о раздаче 6 месяцев бесплатного Claude Max 20x мейнтейнерам и core-контрибьюторам open source.

Условия: вы основной мейнтейнер или участник core-команды публичного репозитория с 5 000+ звездами на GitHub или 1M+ месячных скачиваний в NPM. За последние 3 месяца у вас были коммиты, релизы или ревью PR.

Если вы поддерживаете штуку, от которой экосистема тоже зависит, все равно подавайтесь и расскажите про нее.

Подать заявку ❤️

Исследователи задали Claude простой вопрос: "Я хочу помыть машину. Автомойка в 100 метрах. Мне идти пешком или ехать?"

Claude ответил: идти пешком.

Все крупные LLM ответили: идти пешком.

Правильный ответ: ехать.

Машина должна оказаться на мойке. И вот что самое дикое: в модели не поменялось вообще ничего. Поменялась только архитектура промпта.

Исследователи прогнали чистое исследование с изоляцией переменных на Claude Sonnet 4.5. Голый промпт? 0% правильных.

Добавили аккуратно оформленную роль эксперта? Всё ещё 0%.

Впрыснули подробный физический контекст типа модели машины, где стоит на подъездной, как припаркована? 30%.

Но когда они заставили модель использовать структурированный фреймворк рассуждений STAR, где нужно явно прописать Situation, Task, Action и Result, точность прыгнула до 85%. Если совместить STAR с профайл-данными, получалось 95%. Добавили сверху RAG и дошли до 100%.

Ключевой механизм сидит внутри шага "Task".

Без структуры модель цепляется за эвристику по расстоянию: "100 метров близко, значит иди", и вообще не обрабатывает реальную цель. А когда её вынуждают сформулировать задачу как "доставить машину на автомойку", скрытое физическое ограничение становится явным прямо в контекстном окне.

Знание у модели уже было. Её просто не заставляли вытащить это знание наружу до того, как она выдаст вывод.

Самый неприятный результат вот какой: структурированное рассуждение обогнало простую накачку контекстом в 2,83 раза.

Больше фактов почти не помогало. Помогали нормальные когнитивные подпорки. Это переворачивает дефолтный индустриальный инстинкт. Когда агенты фейлятся, большинство команд добавляют больше retrieval, больше документов, больше памяти. А это исследование говорит, что узкое место не в отсутствии инфы. Узкое место в том, как модель заставляют перерабатывать то, что у неё уже есть.

Та же модель. Те же параметры. Скачок качества рассуждений на 55 процентных пунктов. Это не масштабирование.

Это архитектура на уровне промпта.

Кому интересно, вот статья - https://arxiv.org/abs/2602.21814 🌯

Кстати, Anthropic выкатили новую фичу auto-memory.

Теперь Claude запоминает то, что узнаёт о тебе между сессиями: контекст проекта, паттерны дебага, предпочитаемые подходы, и потом подтягивает это сам, без того чтобы тебе приходилось что-то вручную записывать.

Теперь можно думать так: Claude.MD это твои инструкции для Claude, а Memory.MD это черновик памяти Claude, который он сам обновляет. Если попросишь Claude что-то запомнить, он запишет это туда.

Почитай доки, чтобы подробнее разобраться с памятью и тем, как она работает 🙂

Кто-то сделал интерактивный визуализатор GPT, который показывает каждый шаг того, как модель генерирует ответ. Не только финальный результат, а весь пайплайн. 🧸

Boris Cherny поделился тем, что ждёт нас в следующей версии Claude Code:

Они добавляют два новых скилла: /simplify и /batch. Он сам пользуется обоими каждый день и очень хочет поделиться ими со всеми. ✅

Вместе эти скиллы автоматизируют большую часть рутины, которая раньше требовалась, чтобы:

1. довести pull request до продакшена
2. делать простые, параллелящиеся миграции кода

/simplify

Использует параллельных агентов, чтобы подтянуть качество кода, поднастроить производительность и проверить соответствие CLAUDE.md.

Пример: "hey claude сделай это изменение в коде, а потом запусти /simplify"

/batch

Интерактивно помогает спланировать миграцию кода, а потом выполняет её параллельно десятками агентов.

Каждый агент работает в полной изоляции через git worktrees, прогоняет тесты и только потом поднимает PR.

Пример: "/batch migrate src/ from Solid to React"

Можно моментально прокачать вайбкодинг-фронтенд в 10 раз, просто выучив, как называются разные UI-компоненты: https://component.gallery/

А то Opus, конечно, генерит дефолтные шаблоны, потому что из словаря у тебя только menu и button. 🤭

Гений закрыл серьёзную слепую зону в недавно вышедшем skill для fine-tuning от HuggingFace

HuggingFace выпустили skill, который можно подключить к Claude или любому кодинг-агенту, и он позволяет дообучать open-source LLM-ки на обычном тексте.

Агент сам делает выбор GPU, сабмитит джобу, мониторит прогресс и пушит готовую модель на Hub.

Но есть нюанс.

Он предполагает, что у тебя уже есть чистый датасет на HuggingFace Hub.

А в реальности данные, на которых чаще всего хочется дообучаться, живут в Twitter, LinkedIn, Reddit, Amazon и на других платформах за антибот-защитой.

Поэтому гений интегрировал Bright Data Web MCP в этот skill, чтобы кодинг-агент мог собирать данные из веба перед тем, как запускать обучение:

- Скрапить данные с платформ вроде YouTube, Amazon или Reddit, при этом CAPTCHA и антибот-системы обрабатываются автоматически.
- Преобразовывать собранный контент в датасет для fine-tuning в нужном формате.
- Валидировать датасет, подобрать GPU-железо и отправить training job в HuggingFace.
- Следить за ходом обучения и пушить готовую модель на Hub.

С этим обновлением теперь можно сказать Claude что-то вроде:
"Собери топ-500 обсуждений про Python с Reddit, конвертни их в instruction-response пары и дообучи Qwen3-0.6B на этом датасете через SFT."

И агент дальше сам сделает сбор данных, форматирование, обучение и деплой в одном пайплайне.

Оригинальный skill от HuggingFace отлично закрывал часть с обучением, её и не трогали.

Чувак просто добавил недостающий слой сбора данных через Bright Data MCP, который поддерживает 60+ web data tools для 40+ платформ.

Почему именно Bright Data?

Агентам в вебе часто прилетают IP-блокировки и CAPTCHA. Bright Data берёт это на себя за кулисами.

Это позволяет масштабировать скрейпинг без постоянных блоков, симулировать действия реального пользователя на сложных сайтах и работать как с real-time, так и с историческими данными с 40+ платформ.

100% опенсорс 💼