Первый сайт на заказ я сделал в начале 2010 года.
Это был сайт для маленького бизнеса по установке пластиковых окон. Стесняясь и краснея, я обозначил стоимость создания сайта аж в целых 1600 рублей. Заплатили мне их тогда очень просто, даже без попыток сбить цену.
Сейчас я понимаю, что этому микробизнесу сайт на самом деле был не нужен. И за всё время существования, скорее всего, сайт не привёл в бизнес ни одного клиента.
Просто время тогда такое было. Вокруг витал нарратив, что каждому бизнесу нужен сайт. И без присутствия в интернете жить как-то "не солидно".
Тогда же было популярно сделать клиенту типовой сайт "бесплатно" и посадить его на ежемесячный платёж за поддержку(во времена, когда слово "подписка" ещё не стало модным...) , чтобы зарабатывать на нём с течением времени.
С развитием в профессии, я стал чаще понимать, когда сайт полезен, а когда лучше отговорить клиента от попыток выкинуть деньги на ветер. Чтобы не стоял сайт особняком от работающих бизнес-процессов, как памятник всеобщей некомпетентности.
Сейчас становится очень модно делать "AI-интеграции" для бизнеса. Ведь если её не сделать, то можно бесконечно отстать от всего цивилизованного мира (на вас всегда должно "небо падать", чтобы не было возможности принять взвешенное решение) .
Здесь также могут быть ситуации, когда конкретной компании не нужно внедрять AI.
Встречал, как минимум, три кейса, когда AI внедрять НЕ следует:
1. Вы пытаетесь создать новый бизнес-процесс с помощью AI-интеграции. Это, как правило, дорого и у вас нет понимания, окупится ли внедрение когда-нибудь. Хуже всего, с точки зрения расходов, попытаться запустить этот бизнес-процесс при участии конечного пользователя. В таком случае неопределённость только увеличивается. А за ней неизбежно придут убытки.
2. Попытки улучшить, с помощью AI, большой и сложный процесс, о котором вы вообще ничего не знаете. То есть у вас нет данных о том, сколько денег процесс съедает и приносит. В таком случае у вас большие шансы начать терять деньги на AI вместо того, чтобы зарабатывать. Причём начнёте вы их терять ещё до запуска, так как внедрение AI – штука далеко не бесплатная.
3. К вам приходят "специалисты по внедрению искусственного интеллекта" и пытаются вам впарить дорогое "пакетное" предложение, даже не интересуясь данными о ваших бизнес-процессах. Такие ребята бьют массово по всему рынку, особо не заботясь о том, чтобы их решение потом работало и зарабатывало.
В сухом остатке, правило: сначала всё посчитать и оценить финансовый эффект от внедрения AI, а лишь потом маленькими шагами с максимальным контролем приступать к поэтапному внедрению искусственного интеллекта в бизнес.
Это был сайт для маленького бизнеса по установке пластиковых окон. Стесняясь и краснея, я обозначил стоимость создания сайта аж в целых 1600 рублей. Заплатили мне их тогда очень просто, даже без попыток сбить цену.
Сейчас я понимаю, что этому микробизнесу сайт на самом деле был не нужен. И за всё время существования, скорее всего, сайт не привёл в бизнес ни одного клиента.
Просто время тогда такое было. Вокруг витал нарратив, что каждому бизнесу нужен сайт. И без присутствия в интернете жить как-то "не солидно".
Тогда же было популярно сделать клиенту типовой сайт "бесплатно" и посадить его на ежемесячный платёж за поддержку
С развитием в профессии, я стал чаще понимать, когда сайт полезен, а когда лучше отговорить клиента от попыток выкинуть деньги на ветер. Чтобы не стоял сайт особняком от работающих бизнес-процессов, как памятник всеобщей некомпетентности.
Сейчас становится очень модно делать "AI-интеграции" для бизнеса. Ведь если её не сделать, то можно бесконечно отстать от всего цивилизованного мира
Здесь также могут быть ситуации, когда конкретной компании не нужно внедрять AI.
Встречал, как минимум, три кейса, когда AI внедрять НЕ следует:
1. Вы пытаетесь создать новый бизнес-процесс с помощью AI-интеграции. Это, как правило, дорого и у вас нет понимания, окупится ли внедрение когда-нибудь. Хуже всего, с точки зрения расходов, попытаться запустить этот бизнес-процесс при участии конечного пользователя. В таком случае неопределённость только увеличивается. А за ней неизбежно придут убытки.
2. Попытки улучшить, с помощью AI, большой и сложный процесс, о котором вы вообще ничего не знаете. То есть у вас нет данных о том, сколько денег процесс съедает и приносит. В таком случае у вас большие шансы начать терять деньги на AI вместо того, чтобы зарабатывать. Причём начнёте вы их терять ещё до запуска, так как внедрение AI – штука далеко не бесплатная.
3. К вам приходят "специалисты по внедрению искусственного интеллекта" и пытаются вам впарить дорогое "пакетное" предложение, даже не интересуясь данными о ваших бизнес-процессах. Такие ребята бьют массово по всему рынку, особо не заботясь о том, чтобы их решение потом работало и зарабатывало.
В сухом остатке, правило: сначала всё посчитать и оценить финансовый эффект от внедрения AI, а лишь потом маленькими шагами с максимальным контролем приступать к поэтапному внедрению искусственного интеллекта в бизнес.
1👍12❤8🔥5😁1
Я достаточно давно знал о существовании сервиса context7.com, но добрался до тестов только сегодня.
На сайте опубликована актуальная документация по большому количеству(более 13000, ага) библиотек и языков.
Но дело не в сайте. Кого интересуют веб-морды во времена AI? 🙂
У них есть MCP-сервер. Код тут. Он решает извечную боль при написании кода через LLM. Когда библиотека обновилась, а база знаний о ней в LLM – нет. И AI-агент пытается использовать устаревшие интерфейсы в новых библиотеках. Потом ещё и версию пакета пытается понизить, "подогнав" под свой код.
Чтобы поставить MCP-сервер от context7 в Cursor, достаточно добавить в настройки mcp-серверов следующее:
Готово. MCP-сервер установлен и готов к работе.
Самое крутое – у него всего два инструмента. То есть он не забивает, как многие другие, весь контекст LLM всеми возможными инструментами, 90% из которых никогда не будут использованы.
Можно в инструкции для AI-агента сразу прописать, что валидность любого используемого интерфейса библиотек обязательно проверять через Tools.
В общем, ещё один MCP-сервер, который сразу можно брать в работу без переделывания "под себя".
На сайте опубликована актуальная документация по большому количеству
Но дело не в сайте. Кого интересуют веб-морды во времена AI? 🙂
У них есть MCP-сервер. Код тут. Он решает извечную боль при написании кода через LLM. Когда библиотека обновилась, а база знаний о ней в LLM – нет. И AI-агент пытается использовать устаревшие интерфейсы в новых библиотеках. Потом ещё и версию пакета пытается понизить, "подогнав" под свой код.
Чтобы поставить MCP-сервер от context7 в Cursor, достаточно добавить в настройки mcp-серверов следующее:
"context7": {
"command": "npx",
"args": ["-y", "@upstash/context7-mcp"]
}
Готово. MCP-сервер установлен и готов к работе.
Самое крутое – у него всего два инструмента. То есть он не забивает, как многие другие, весь контекст LLM всеми возможными инструментами, 90% из которых никогда не будут использованы.
Можно в инструкции для AI-агента сразу прописать, что валидность любого используемого интерфейса библиотек обязательно проверять через Tools.
В общем, ещё один MCP-сервер, который сразу можно брать в работу без переделывания "под себя".
3❤11👍7🔥6❤🔥2🤝1
У LLM в режиме чата есть интересная особенность. С каждым следующим символом вероятность того, что символ окажется последним, возрастает.
Потому что, на этапе обучения модели, у ответов, как правило, была некая средняя длина. Которой достаточно для решения большинства задач. Поэтому вероятность получить очень длинный ответ от модели не очень высока.
Рубрика "Кейс от подписчика".
Сегодня меня попросили разбить длинный документ на заметки по методу Zettelkasten. Потому как используемая LLM в режиме чата из PDF документа объёмом 8Мб создала всего лишь 10-15 карточек.
Отличная возможность потратить очередные 300-400 токенов от Manus!
Берём мастер-промпт, создаём промпт для Manus, чтобы он разбил документ на Zettelkasten-карточки в формате Markdown, адаптированные под Obsidian.
Количество карточек при этом задаёт пользователь.
30 минут работы агента – и готово. У меня получилось выжать из документа целых 400(!) карточек! Можно было даже не настолько сильно дробить документ.
Поэтому, если не знаете, куда потратить залежавшиеся токены в Manus, попросите его разбить на Zettelkasten-карточки книгу или научную статью, идеи из которой давно хотели изучить.
Потому что, на этапе обучения модели, у ответов, как правило, была некая средняя длина. Которой достаточно для решения большинства задач. Поэтому вероятность получить очень длинный ответ от модели не очень высока.
Рубрика "Кейс от подписчика".
Сегодня меня попросили разбить длинный документ на заметки по методу Zettelkasten. Потому как используемая LLM в режиме чата из PDF документа объёмом 8Мб создала всего лишь 10-15 карточек.
Отличная возможность потратить очередные 300-400 токенов от Manus!
Берём мастер-промпт, создаём промпт для Manus, чтобы он разбил документ на Zettelkasten-карточки в формате Markdown, адаптированные под Obsidian.
Количество карточек при этом задаёт пользователь.
30 минут работы агента – и готово. У меня получилось выжать из документа целых 400(!) карточек! Можно было даже не настолько сильно дробить документ.
Поэтому, если не знаете, куда потратить залежавшиеся токены в Manus, попросите его разбить на Zettelkasten-карточки книгу или научную статью, идеи из которой давно хотели изучить.
2👍8❤6🔥4✍2
В качестве продолжения ко вчерашнему посту – встречайте интерактивный проект с карточками Zettelkasten по "The 2025 AI Index Report" (PDF есть в комментариях).
Посмотреть веб-версию проекта можно здесь: https://xpqngsvk.manus.space/
Там 50 карточек по основным темам, распределённые по тегам и иерархии. Есть представление карточек в виде графа, а также не работающий поиск(решил не тратить токены на его починку) .
Самое крутое – всё переведено на русский язык самим Manus! Правда, он дважды спросил "Тут объёмная задача. Мы точно хотим её делать?".
Заработало всё не с первого промпта. В первой версии не работал граф, а также отсутствовали страницы тегов. Добавлял их отдельными запросами.
Также Manus в процессе работы создал дополнительный чат, так как первый быстро переполнился контекстом(ни разу не виню. Он 400+ страниц PDF-документа перевёл) .
Суммарно на эту задачу у меня ушло 2200 токенов. Большая часть из них потрачена на перевод, а также на создание сайта.
Посмотреть веб-версию проекта можно здесь: https://xpqngsvk.manus.space/
Там 50 карточек по основным темам, распределённые по тегам и иерархии. Есть представление карточек в виде графа, а также не работающий поиск
Самое крутое – всё переведено на русский язык самим Manus! Правда, он дважды спросил "Тут объёмная задача. Мы точно хотим её делать?".
Заработало всё не с первого промпта. В первой версии не работал граф, а также отсутствовали страницы тегов. Добавлял их отдельными запросами.
Также Manus в процессе работы создал дополнительный чат, так как первый быстро переполнился контекстом
Суммарно на эту задачу у меня ушло 2200 токенов. Большая часть из них потрачена на перевод, а также на создание сайта.
1👍12❤8🔥5
"Карта, деньги, Pull Request" или "сказ о том, как Background Agent в Cursor работает и зарабатывает".
В один день с презентацией, на которой OpenAI представили Codex(писал про него тут ) , Cursor выкатили "Codex у нас дома". Он называется Background Agent.
Работает он по тому же принципу. Мы авторизуем приложение Cursor в GitHub и запускаем автономную задачу в режиме AI-агента. Агент самостоятельно поднимает виртуальное окружение, пишет код, после чего создаёт Pull Request. На скринкастах в медиа можете посмотреть, как это работает.
В моей кастомной Python-версии Figma MCP я использовал Figma Plugin от разработчика Cursor Talk to Figma MCP. К сожалению, этот плагин содержал один основной файл с 3915 строками JS-кода внутри. Поддерживать и развивать такое – очень непросто. Даже с AI.
Поэтому я попросил Background Agent провести рефакторинг данного плагина, чтобы облегчить его сопровождение. Результат его работы можете посмотреть в данном PR.
Что важно знать про режим Background Agent:
1. Прежде, чем его включать, необходимо отключить опцию Privacy Mode в General настройках Cursor. Без неё включить Background Agent попросту не получится.
2. После того, как Background Agent включён, необходимо авторизоваться в GitHub-аккаунте, в котором существует текущий(локальный) репозиторий.
3. Если вы хотите выбрать ветку, отличную от Main, она должна обязательно быть опубликована в GitHub. Если ветка существует только локально, то Cursor позволит её выбрать, но работать с ней не сможет и будет выдаватьпочему-то ошибку подключения к API.
4. Похоже, что в режиме Background Agent Cursor не использует MCP-сервера. Но использует встроенные Tools. Так как актуальную документацию по Figma агент изучал через поиск, а не через Context7 MCP.
5. Деньги. Важный пункт. Все запросы, которые идут в режиме Background Agent, тарифицируются по Usage-based pricing. То есть мы платим за все используемые токены. Я использовал для своей задачи Claude 4 Opus. Поэтому потратился (об этом – ниже).
6. Следствие из предыдущего пункта. Перед тем, как запустить задачу в Background Agent, необходимо включить поддержку Usage-based pricing и установить месячные лимиты. Cursor заботливо предлагает разгуляться на $50, но я оставил $20.
7. Background Agent беспринципно закинул мне в PR папку node_modules. Я отдельным коммитом убирал её, чтобы оставить только код, созданный агентом. Меня удивило, что Opus 4 не догадался обновить .gitignore, чтобы не допустить попадания папки в PR.
Какие результаты я получил по своей задаче:
1. На создание PR с 3178 строчками кода Background Agent потратил $14.20. В самом PR, как вы можете видеть, полностью обновлённый плагин для Figma.
2. Плагин, к счастью, завёлся с первого раза. Подключился к серверу и даже выдал токен авторизации. Это внушает надежду, что деньги не были выброшены на ветер 😊
3. В PR также попали служебные файлы от Background Agent, так что можно внимательно изучить, какой документации, по мнению Cursor, достаточно для того, чтобы автономно выполнять задачи небольшого объёма.
Вывод: эксперимент получился относительно дорогой, но это следствие того, что я очень хотел попробовать в деле Claude 4 Opus. В режиме AI-агента он действительно хорош. Я планирую попробовать недавно вышедший обновлённый DeepSeek-v3 и расскажу, что изменится в вопросах качества и стоимости результатов.
В один день с презентацией, на которой OpenAI представили Codex
Работает он по тому же принципу. Мы авторизуем приложение Cursor в GitHub и запускаем автономную задачу в режиме AI-агента. Агент самостоятельно поднимает виртуальное окружение, пишет код, после чего создаёт Pull Request. На скринкастах в медиа можете посмотреть, как это работает.
В моей кастомной Python-версии Figma MCP я использовал Figma Plugin от разработчика Cursor Talk to Figma MCP. К сожалению, этот плагин содержал один основной файл с 3915 строками JS-кода внутри. Поддерживать и развивать такое – очень непросто. Даже с AI.
Поэтому я попросил Background Agent провести рефакторинг данного плагина, чтобы облегчить его сопровождение. Результат его работы можете посмотреть в данном PR.
Что важно знать про режим Background Agent:
1. Прежде, чем его включать, необходимо отключить опцию Privacy Mode в General настройках Cursor. Без неё включить Background Agent попросту не получится.
2. После того, как Background Agent включён, необходимо авторизоваться в GitHub-аккаунте, в котором существует текущий
3. Если вы хотите выбрать ветку, отличную от Main, она должна обязательно быть опубликована в GitHub. Если ветка существует только локально, то Cursor позволит её выбрать, но работать с ней не сможет и будет выдавать
4. Похоже, что в режиме Background Agent Cursor не использует MCP-сервера. Но использует встроенные Tools. Так как актуальную документацию по Figma агент изучал через поиск, а не через Context7 MCP.
5. Деньги. Важный пункт. Все запросы, которые идут в режиме Background Agent, тарифицируются по Usage-based pricing. То есть мы платим за все используемые токены. Я использовал для своей задачи Claude 4 Opus. Поэтому потратился (об этом – ниже).
6. Следствие из предыдущего пункта. Перед тем, как запустить задачу в Background Agent, необходимо включить поддержку Usage-based pricing и установить месячные лимиты. Cursor заботливо предлагает разгуляться на $50, но я оставил $20.
7. Background Agent беспринципно закинул мне в PR папку node_modules. Я отдельным коммитом убирал её, чтобы оставить только код, созданный агентом. Меня удивило, что Opus 4 не догадался обновить .gitignore, чтобы не допустить попадания папки в PR.
Какие результаты я получил по своей задаче:
1. На создание PR с 3178 строчками кода Background Agent потратил $14.20. В самом PR, как вы можете видеть, полностью обновлённый плагин для Figma.
2. Плагин, к счастью, завёлся с первого раза. Подключился к серверу и даже выдал токен авторизации. Это внушает надежду, что деньги не были выброшены на ветер 😊
3. В PR также попали служебные файлы от Background Agent, так что можно внимательно изучить, какой документации, по мнению Cursor, достаточно для того, чтобы автономно выполнять задачи небольшого объёма.
Вывод: эксперимент получился относительно дорогой, но это следствие того, что я очень хотел попробовать в деле Claude 4 Opus. В режиме AI-агента он действительно хорош. Я планирую попробовать недавно вышедший обновлённый DeepSeek-v3 и расскажу, что изменится в вопросах качества и стоимости результатов.
👍17❤7🔥7
Во Flux Pro завезли модель Kontext. Которая привозит с собой отличный inpainting. То есть изменяет часть изображения, оставляя неизменным остальные области.
Чтобы попробовать бесплатно, берём промокод
При активации дадут $10, которых хватит на 125 генераций с моделью Kontext Max или на 250 с версией Pro. Цена – по $0.08 и $0.04 за генерацию соответственно.
Лучше всего модель справляется, если на текущем изображении нужно изменить какую-то незначительную деталь или цельный объект. В таком случае, Flux отлично определяет область для изменений, не редактируя лишнего.
Большая часть примеров из медиа поста – это Kontext Max. Работает он стабильно и, по моему мнению, хорошо справляется со своими задачами.
Также на fal.ai завезли экспериментальную Multi Image версию. Она работает не так чтобы нестабильно и всё, что я смог с её помощью сделать – это переодеть Нео в шаровары и отправить в далёкую-далёкую Галактику. При этом Киану Ривз перестал быть похожим на себя, как вы видите.
Чтобы попробовать бесплатно, берём промокод
KONTEXT10 и идём его активировать в личный кабинет на https://fal.ai/. При активации дадут $10, которых хватит на 125 генераций с моделью Kontext Max или на 250 с версией Pro. Цена – по $0.08 и $0.04 за генерацию соответственно.
Лучше всего модель справляется, если на текущем изображении нужно изменить какую-то незначительную деталь или цельный объект. В таком случае, Flux отлично определяет область для изменений, не редактируя лишнего.
Большая часть примеров из медиа поста – это Kontext Max. Работает он стабильно и, по моему мнению, хорошо справляется со своими задачами.
Также на fal.ai завезли экспериментальную Multi Image версию. Она работает не так чтобы нестабильно и всё, что я смог с её помощью сделать – это переодеть Нео в шаровары и отправить в далёкую-далёкую Галактику. При этом Киану Ривз перестал быть похожим на себя, как вы видите.
1🔥8❤4👍3😁3
Вышел Kling 2.1. Новая версия моего любимого (доступ к Veo3 ещё не сделал себе) AI-генератора видео.
Поддерживает как text-to-video, так и image-to-video.
Есть две версии: базовая и Master. Я проводил все тесты на Master, чтобы проверить, на что способна модель в максимально-доступном режиме.
Он стал лучше следовать промпту. Включая работу с временными интервалами и управлением камерой (посмотрите, как красиво она наезжает на морду дракона!).
Kling 2.1 Master теперь по-умолчанию генерирует видео в Full-HD длительностью до всё тех же 10 секунд.
Сами видео стали более натуральными. Модель теперь лучше "понимает" реальный мир. Даже гимнастка до последнего движения двигалась почти натурально.
И, конечно же, Kling 2.1 (особенно Master) профессионально на скорость съедает все доступные токены для генерации. 660 кредитов, которые в месяц получает пользователь на тарифе Standard, хватит всего лишь на три видео длиной 10 секунд (200 токенов за штуку). Получается, что генерация одного видео стоит $2 (в случае оплаты тарифа сразу за год).
На платфрме fal.ai генерация в Kling Master, в свою очередь, обойдётся в $2.8 за те же 10 секунд.
Поддерживает как text-to-video, так и image-to-video.
Есть две версии: базовая и Master. Я проводил все тесты на Master, чтобы проверить, на что способна модель в максимально-доступном режиме.
Он стал лучше следовать промпту. Включая работу с временными интервалами и управлением камерой (посмотрите, как красиво она наезжает на морду дракона!).
Kling 2.1 Master теперь по-умолчанию генерирует видео в Full-HD длительностью до всё тех же 10 секунд.
Сами видео стали более натуральными. Модель теперь лучше "понимает" реальный мир. Даже гимнастка до последнего движения двигалась почти натурально.
И, конечно же, Kling 2.1 (особенно Master) профессионально на скорость съедает все доступные токены для генерации. 660 кредитов, которые в месяц получает пользователь на тарифе Standard, хватит всего лишь на три видео длиной 10 секунд (200 токенов за штуку). Получается, что генерация одного видео стоит $2 (в случае оплаты тарифа сразу за год).
На платфрме fal.ai генерация в Kling Master, в свою очередь, обойдётся в $2.8 за те же 10 секунд.
1🔥12❤7👍5
This media is not supported in your browser
VIEW IN TELEGRAM
This media is not supported in your browser
VIEW IN TELEGRAM
This media is not supported in your browser
VIEW IN TELEGRAM
This media is not supported in your browser
VIEW IN TELEGRAM
This media is not supported in your browser
VIEW IN TELEGRAM
Закончить «выходные AI-медиа» хочу тестами модели HunyuanCustom.
Это Open Source модель, веса которой есть в репозитории на Hugging Face.
Китайцы обещают консистентность персонажа. На странице модели на fal.ai хвастают впечатляющим видео того, как девушка с фотографии играет на скрипке (первое видео в посте).
Мои тесты модели на задачах по "оживлению мемов" прошли не так хорошо. Консистентность персонажей – да, держит неплохо.
Вот только с пониманием промпта у модели всё не очень хорошо. Единственный, кто получился как задумано – это Гарольд, пьющий кофе. Но там и персонажа не надо никуда переносить. Фактически, всё свелось к задаче image to video.
В сухом остатке, единственный плюс у модели – это открытый код. С которым, возможно, энтузиасты смогут сделать что-то более интересное в плане практического использования.
Я же просто вернусь со своими задачами по генерации AI-видео в Kling.
p.s.: ставьте 👍, если вас тоже разбаловали коммерческие генераторы AI-видео.
Это Open Source модель, веса которой есть в репозитории на Hugging Face.
Китайцы обещают консистентность персонажа. На странице модели на fal.ai хвастают впечатляющим видео того, как девушка с фотографии играет на скрипке (первое видео в посте).
Мои тесты модели на задачах по "оживлению мемов" прошли не так хорошо. Консистентность персонажей – да, держит неплохо.
Вот только с пониманием промпта у модели всё не очень хорошо. Единственный, кто получился как задумано – это Гарольд, пьющий кофе. Но там и персонажа не надо никуда переносить. Фактически, всё свелось к задаче image to video.
В сухом остатке, единственный плюс у модели – это открытый код. С которым, возможно, энтузиасты смогут сделать что-то более интересное в плане практического использования.
Я же просто вернусь со своими задачами по генерации AI-видео в Kling.
p.s.: ставьте 👍, если вас тоже разбаловали коммерческие генераторы AI-видео.
👍7🔥6❤4