|
Метрика |
Средний 1С-разработчик |
С AI (Claude) |
|---|---|---|
|
Задач в неделю |
3–7 |
~24–50 |
|
Задач в день |
0.5–1.5 |
~5–10 |
|
Пиковая нагрузка |
2–3/день |
9/день |
|
Множитель |
1x |
~4–6x |
Моя текущая скорость примерно в 3 раза выше, чем у среднего Senior 1С-разработчика. Потенциальный потолок при полной автоматизации цикла — 100 задач в неделюЧитать полностью »
В статье расскажу, как можно экономить токены при использовании агентов в различных IDE Cursor, VS Code и т.п. Что такое MCP Serena, для чего она нужна, какие инструменты есть на борту.
Важно! Не все модели хорошо обучены работать с MCP серверами. Такие модели, как Claude Sonnet 4.5, GPT 5.2, GLM 4.5 всегда используют MCP, если правильно указать правила проекта. Модель Kimi K2 вообще ничего не знает о mcp протоколе.
MCP Serena предоставляет собой мощную систему помощи агентам:
Использовать память проекта: запоминать/читать важную информацию о разработке. Инструменты:
read_memory, edit_memory, delete_memory, list_memories, write_memoryЧитать полностью »MCPHero - новая библиотека/проект для Python для использования MCP tools как native tools в ИИ библиотеках типа openai, которые не поддерживают MCP сами по себе.
# В openai нельзя вызвать completions с MCP сервераами
response = client.chat.completions.create(
model="gpt-4o",
messages=messages,
tools=tools, # tools - должны быть специальные dict'ы, не ссылки до MCP
# mcp_tools=my_mcs_tools # такого аргумента, к сожалению, нет
# mcp_servers=my_mcp_servers # такого аргумента, к сожалению, тоже нет
tool_choice="auto"
)КДПВ: Схема эволюции: DevOps → Python разработчик → AI Engineer с примерами проектов на каждом этапе. Альтернатива: скриншот дашборда с метриками AI-агентов в production.
Год назад я был типичным DevOps-инженером: настраивал CI/CD, деплоил микросервисы, оптимизировал инфраструктуру. Сегодня я строю AI-агентов для автоматизации бизнес-процессов, и мои клиенты экономят сотни часов в месяц.
Надеюсь, все знают что такое RAG :) Для тех, кто не знает: это такая система, которая позволяет искать информацию и отвечать на вопросы по внутренней документации.
Архитектура RAG может быть как очень простой, так и весьма замысловатой. В самом простом виде она состоит из следующих компонентов:
Векторное хранилище — хранит документы в виде чанков - небольших фрагментов текста.
Ретривер — механизм поиска. Получает на вход искомую строку и ищет в векторном хранилище похожие на нее чанки (по косинусному сходству).
Читатели Хабра знают меня по статьям о MCP Protocol и AI-агентах. Но мало кто знает, что к этой теме я пришёл через собственную боль — два года назад я чуть не угробил стартап, пытаясь автоматизировать всё подряд.
История началась банально. Наш небольшой SaaS получал 30-40 заявок в день, и два менеджера физически не успевали их обрабатывать. Я, как технический директор и большой энтузиаст AI, решил: "Сейчас напишу бота, который всё сделает!"
В этой статье я покажу, как за 2 недели создать MCP-сервер для интеграции Claude AI с AmoCRM. Вы узнаете:
Что такое MCP Protocol и почему это проще, чем кажется
Как создать простой MCP-сервер на Python
Как подключить его к CRM
Реальный кейс: -83% времени на обработку лидов, ROI 340%
Представьте: вы хотите, чтобы ChatGPT или Claude помогал вашим менеджерам работать с CRM. Звучит просто, правда?
На практике оказывается сложнее. Вам нужно:
Написать API wrapper для вашей CRM
Создать промпты для LLM
Синхронизировать данные между системами
MCP без воды и шаблонного кода на практике: разбираем протокол, поднимаем сервер, тестируем через Inspector и учим LLM торговать через Finam API. Разберёмся, когда MCP выгоднее «обычных функций», как изолировать интеграции и упростить отладку инструментов.
С появлением всё большего количества сервисов/агентов/платформ/llm-пользователей встал вопрос о встроенной и универсальной оплате. Одним из самых лучших ответов на этот вопрос становится протокол x402.
x402 - это протокол от Coinbase, продолжение инициативы от Google с их AP2.
x402 позволяет делать нативные, универсальные платежи через http.
Запрос->Заголовок->Оплата->Результат
Всем привет!
DeepEval - фреймворк для оценки работы AI с открытым исходным кодом.
Содержит в себе множество метрик и бенчмарков для оценки качества работы AI моделей, а также предоставляет инструменты для аналитики изменений качества работы в течение разных периодов времени.
В предыдущей статье мы уже частично осветили имеющиеся у DeepEval метрики (метрики для оценки RAG).
В этой статье постараемся объяснить, какой еще функционал предлагается DeepEval для работы с AI.
Помимо указанных ранее в DeepEval присутствуют следующие метрики:
Agentic
- Task Completion
- Tool Correctness
- Argument Correctness