Deep Research от Google и его сравнение с конкурентами.

Если раньше был тренд на reasoning-модели, то сейчас, судя по всему, каждая уважающая себя компания обязана сделать AI-агента для проведения глубоких исследований.

Как будто бы у Google должно быть преимущество в этой задаче, поскольку они могут более нативно получать данные из YouTube и поиска (ох уж эти монополисты).

Инструмент на данный момент бесплатный и доступен по ссылке. Среди моделей в левом-верхнем углу экрана нужно выбрать "Deep Research" и можно приступать к работе.

Я использовал такие же промпты, как в постах про Grok, Perplexity и OpenAI (которому, напомню, потребовался всего один запрос, так как он задаёт доп. вопросы перед стартом исследования).

Результаты исследования можете прочитать тут: базовый и со стилем Вани. Разница при взаимодействии с Gemini в том, что после второго запроса они почему-то выдали мне документ под названием «Адаптация сценария под стиль Вани» с рекомендациями о том, что же мне делать с исходным сценарием. Поэтом пришлось делать дополнительный запрос, чтобы получить именно сценарий.

Сам сценарий, по моему мнению, получился весьма посредственным. Каких-то необычных свежих мыслей в нём нет. Структура тоже не лучшая.

Из всех моделей с Deep Research, которые я тестировал на этой задаче на текущий момент, Gemini смог обогнать, разве что, Grok. Потому что тот ещё и в стиль конкретного автора не попал из-за кривой реализации поиска.

Но тут есть нюанс. Я не готовил специально промпт, как, например, описывал в этом посте. И есть ощущение, что правильно приготовленный запрос в Gemini может дать свои плоды и существенно улучшить результат.

Мне очень понравилось, как Gemini форматирует ответ, показывая в конкретных абзацах используемые для написания источники.

Также хорошая идея с делением списка источников на "используемые при написании статьи" и "не используемые при написании статьи". В отличие от Grok, который выводит просто (громадный) список.

Само собой, у Gemini отлично работает поиск информации по индексу. На то он и Google.

Также есть кнопка, позволяющая в один клик сформировать из ответа Google Doc. Удобно.

Вывод: Gemini имеет отличную реализацию работы с поиском и хорошо оптимизированное извлечение информации из документов. Но над агентской частью, которая выстраивает план и следует ему, а также формирует текст ответа, стоит ещё поработать. Полагаю, что оператору, чтобы получить качественный ответ, стоит дополнительно углубиться в вопрос правильной постановки задачи.

Скажите, пробовали ли вы уже Deep Research от Gemini? Если да, то какое впечатление на вас произвёл данный инструмент?

"Делай добро – и бросай его в воду".

У меня на канале очень редко бывают новости. Я не люблю перепечатывать то, что вы и так уже несколько раз в ленте увидели. Неинтересно это.

Также я не планирую на канале запускать платную рекламу.

Здесь может быть два формата внешних ссылок:

1. Я рассказываю про каналы, с которыми взаимодействую. В таких случаях я, как правило, знаком с автором и уверен в его компетентности.

2. Будут ссылки на продукты, к запуску которых я имею отношение. То есть формат "Я сделяль".

Возможно, добавятся ещё варианты по ссылкам, но точно не посты с «промо-пометками».

Сегодня хочу рассказать историю про взаимодействие с автором канала "AI и грабли". Потому что для меня это весьма необычный опыт (в хорошем смысле, конечно же).

Мне написал в личку Николай (автор канала) с сообщением:

Константин, привет! Очень понравилась концентрация пользы в твоем канале, хочу сделать его промо у себя. 

Если хочешь, можем сделать взаимный пиар, но если нет – ничего страшного, я все равно твой пропиарю.

Подход "Несу пользу миру, потому что могу" – это круто. Сам стараюсь его придерживаться. Поэтому вы и видите этот пост 🙂

Николай предпочитает писать практические посты с кейсами (всё как мы любим, да).

Например, советую прочитать посты про Structured Output: раз, два, три. База для всех, кто взаимодействует с AI-агентами!

Старт эфира «AI для бизнеса» уже через час!

Ссылка для подключения: https://gornostaevpro.ktalk.ru/k1nou9ik35ct

Мы начинаем эфир!

Подключайтесь по ссылке: https://gornostaevpro.ktalk.ru/k1nou9ik35ct

Соскучились по эфирам? 🙂

Напоминаю, что сегодня, 20 марта, в 20:00 мск состоится эфир «Куда инвестировать, чтобы выиграть от "революции" AI», который мы проведём вместе с @apozharenko, автором канала Финансист с велосипедом .

Для того, чтобы попасть на этот эфир, напишите в личные сообщения сюда: @apozharenko

UPD: записи данного эфира не будет. Доступ только в режиме реального времени.

❇️ КОНЦЕНТРАТ. ЧАСТЬ 2

Сегодня собрал для вас посты, которые выходили про технологию Deep Research. Заодно составил свой личный топ компаний, её предлагающих.


Полезные материалы, чтобы использовать Deep Research эффективнее:

1. Общая информация про использование технологии

2. Как правильно составить запрос в Deep Research

3. Как получить доступ к Perplexity Pro на год за $10 (или даже меньше)


Топ компаний, предоставляющих технологию Deep Research (со ссылками на соответствующие посты):

1. OpenAI. Он настолько хорош, что по его сценарию Ваня даже снял ролик для канала. Сам ролик можете посмотреть тут.

2. Perplexity.

3. Google.

4. Grok.


Ещё один полезный сборник, который нужно, как минимум, сохранить в "Избранное", а как максимум – разослать друзьям 🙂

Ключевые концепции, позволяющие AI-агентам (и их сетям) решать задачи эффективнее, чем стандартный чат с LLM.

90% эффективности AI-агента заключается в следующих его настройках:

1. Правильно выбранная "роль" для агента и формирование его целей.

2. Управление памятью. Для агента нужно организовать, как минимум, оперативную, постоянную и объектную виды памяти. Первая – содержит самую актуальную информацию и существует в контексте модели, вторая хранится в базе данных или на сервере, а третья является списком существующих в постоянной памяти объектов, чтобы агент по ним мог обращаться в постоянную память.

3. Эффективные инструменты. Для формирования памяти либо выполнения действий, способствующих достижению цели.

Как при этом узнать, что система работает корректно?

Нужен набор входных параметров и возможность оценить то, что агент даёт на выходе (очень хорошо, если он выполняет детерменированную задачу). Через оценку того, где именно ошибается агент, перерабатывать входные параметры, роль и цели.

Механика тестов AI-агентов чем-то похожа на механику формирования эффективного промпта в LLM. Только параметров чуть больше.

Все улучшения сводятся к тому, что мы ограничиваем для AI-агента всевозможные действия, которые мешают достичь корректного результата.

p.s.: Фотография в стиле "Найди кота" или "Сфотографируй, как мы красиво идём в этом ущелье». 🙂