Ai Vibe News

[Разбор] BlocSignal: reactive primitives против «налога» codegen в agent loop Семь слоёв на одну правку поля в UI. Агент в Cursor снова ждёт кодогенерацию вместо логики? Человеку терпима пауза на сборку. Агенту церемония через трансформер, репозиторий и стрим состояния съедает ходы быстрее, чем кажется. В разборе синхронный граф, коллекции без кодогенерации и навыки для соло в монорепозитории. Начните пилот с одного экрана. Сколько итераций уходит на ожидание генерации после правки одного поля в форме?

Код подешевел — разработчик остаётся продуктовым инженером Агент может набросать pull request за минуту — но кто решает, что в нём должно быть? Laurie Voss формулирует сдвиг в эссе «We are all Product Engineers now»: когда черновик кода почти бесплатен, ценным остаётся только то, что не переносится между проектами. Понять реальную потребность, точно описать задачу, не испортить опыт пользователя — эта работа считается отдельно на каждый продукт и не масштабируется вместе с моделью. Simon Willison перепостил цитату 14 сентября; у тега agentic-engineering на его блоге уже 63 отметки — рядом с агентским кодингом тема «продуктовый инженер» набирает обороты. Вопрос не про скорость набора строк: сколько твоего спринта вообще про смысл и формулировку, а не про сборку черновика?

Async GRPO с LoRA на HF Jobs: bucket вместо NCCL между нодами На 500 шагах Async GRPO время прогона упало с 3 ч 27 мин до 53 мин , на том же датасете и с двумя vLLM Job на H200. Секрет не в железе: тренер и inference сидят на разных Hugging Face Jobs, а между ними ходит только LoRA-адаптер, пара мегабайт вместо гигабайт полной политики. Адаптер пишется в общий Storage Bucket, реплики читают с mount; прокси добавляет авторизацию и раздаёт загрузку всем vLLM. Связка между нодами не нужна , тензоры между контейнерами по сети не таскают. Гоняешь обучение с подкреплением на HF Jobs и всё ещё в одном контейнере? В TRL v1.14 AsyncGRPOTrainer как раз закрывает этот разрыв: бакет и прокси вместо NCCL , разбор схемы.

LangChain выложила рекламного агента: песочница, skills и один runtime Если у вас агент в Slack и еженедельные сводки по данным — загляните в открытый Paid Media Agent от LangChain. Это чертёж архитектуры, не готовый маркетинговый продукт: microVM-песочница на запуск, шесть skills, вики на 19 страниц; промпт ведёт по карте, а не по энциклопедии. Пять недель держали два графа — понедельничный отчёт и лёгкий Slack без песочницы, каждая фича писалась дважды. Один runtime с разными профилями: cron делегирует субагентам, упоминание в треде получает warehouse и правки кампаний. Расчёты вынесли в код, модель оставили для суждений. Тот же отчёт с 18 минут уложился в 85 секунд.

Агент ChatGPT за 27 минут построил беговые маршруты по OSM — и потерял код Агент отработал полчаса, карта и треки на месте — а исходный скрипт из треда уже не вытащить. В ChatGPT Work с GPT-6 Astra за 27 минут собрали кольцевые беговые петли от домашнего адреса по данным OpenStreetMap: 5 и 10 км, карта в чате и файлы на скачивание. Какой код реально выполнялся, в интерфейсе не видно. Когда автор вернулся за копией Python-скрипта, тред уже прошёл compaction — восстановить текст не вышло. Перед длинной агентной сессией скачивай всё сразу и явно попроси сохранить скрипт в отдельный файл, пока историю не сжали. Иначе получишь красивый результат без способа его повторить.

[Разбор] Автотесты от агента могут ухудшить repair-цикл: как отличить зелёный свет от ложного фикса Соло с агентом: зелёный терминал доказывает, что патч верный? На фильтре заказов два теста с «оплачен» проходят на ложной правке. Пустой список без отдельной проверки уводит агента не туда. В разборе ловушка «нет фильтра и пустой список» и сколько лишних ходов съедает агент на слабых проверках. В вашем цикле «патч → тесты → правка» отдельно ловите пустой фильтр или только типовой сценарий?