магИИя

Ловите 2 классных промпта для превращения фото в стильные иллюстрации в ChatGPT✨ Промпт 1: Нежная детская минималистичная иллюстрация Transform the photo into a delicate minimalist hand-drawn children’s illustration with a soft whimsical fairy-tale aesthetic. Use simple elongated shapes, thin imperfect hand-drawn lines, flat pastel colors, minimal details, and a cute doll-like character style with rosy cheeks, tiny facial features, and simplified anatomy. Add subtle paper texture, soft pencil and pastel shading, watercolor softness, and a clean white background with small stars or sparkles. Stylize the clothing in a playful storybook way with simplified shapes and gentle decorative details. The overall mood should feel airy, cozy, naive, and charming, like a modern Scandinavian nursery postcard or children’s book illustration. Промпт 2: Выразительная high-fashion editorial иллюстрация Transform this photo into an expressive high-fashion editorial illustration while preserving the person’s identity, facial structure, hairstyle, and recognizable features. Convert the portrait into a minimalist hand-drawn fashion sketch with elegant elongated proportions. Use bold black ink contour lines, loose confident brush strokes, slightly imperfect asymmetrical hand-drawn linework, simplified facial anatomy, stylized almond-shaped eyes, minimal nose details, and expressive graphic lips. Apply flat marker color rendering with a limited sophisticated palette, artistic abstract blush patches under the eyes, subtle colorful eye makeup accents, and semi-abstract graphic shading. Render hair as bold expressive ink masses with visible white highlight gaps. Simplify clothing into large geometric color blocks with editorial fashion illustration styling. Clean white background, scanned marker-on-paper texture.

«Неудача - это просто проблема имиджа». Я верю, что если хочешь сделать что-то крутое (продукт, бизнес или что-то другое), нужно пробовать отличные от других подходы, пробовать нестандартные штуки.Потому что если ты делаешь как все, то и получаешь как все. Чуть лучше, чуть хуже, но все равно как все.Да, у тебя может не получится. Тебе может быть неловко и некомфортно.Но по факту ты просто узнаешь, что этот способ не работает. И, возможно, это будет просто лучшая версия тебя, которая уже знает больше, чем предыдущая.

Боб, Френк, Гэри и Роуз вышли на смену Уже 9 дней подряд гуманоиды Figure 03 работают на реальном складе без остановки. Это 191 час непрерывной работы и более 238 000 обработанных посылок. Задача у них простая:робот берёт коробку или пакет, переворачивает штрихкодом вниз и кладёт на конвейер, где код считывает сканер. В начале эксперимента был 10-часовой поединок человек vs робот:• Человек - 12 924 посылки• Робот - 12 732 посылкиСейчас на смене работают сразу несколько гуманоидов. Зрители даже дали им имена: Боб, Френк, Гэри и Роуз. Пока один сортирует посылки, остальные заряжаются. Когда батарея садится, робот сам уходит на зарядку, а следующий продолжает работу. В итоге процесс идёт 24/7 без остановки 🦾livestream: https://twitter.com/i/broadcasts/1pKkOykeZgPKj

Как работает ИИ-агент? Вся магия автономности строится на простом принципе: «Подумай -> Сделай -> Оцени результат».Агент получает задачу, планирует шаги, вызывает нужный инструмент, смотрит, что получилось, и корректирует свой следующий шаг. И так по кругу, пока цель не будет достигнута. Но чтобы этот цикл работал есть:Инструменты (Tools): Модель сама по себе не знает погоду, не видит курс акций и не умеет отправлять письма. Агент же подключается к внешнему миру через API, базы данных, калькуляторы и поиск.Контекст и память: Краткосрочная память помогает агенту не забывать, что он делал три шага назад, и вовремя сжимать слишком длинный диалог. Долговременная память - это база знаний и файлы-инструкции, к которым он обращается при необходимости.Среда выполнения (Исполнение кода): Продвинутые агенты умеют сами писать код для решения задачи. Для этого им создают безопасную изоляцию (песочницу), где они могут запустить скрипт, обработать огромную таблицу или поднять веб-сервер, не ломая основную систему. Почему создавать агентов так сложно?Если обычный софт предсказуем, то с агентами у разработчиков две проблемы:Бесконечная размерность входных данных: Они работают с текстом, изображениями, аудио и видео.Недетерминированность: Модели чувствительны к малейшим изменениям и могут выдать разный результат на один и тот же запрос.Единственный способ запустить надежного агента в продакшн - это как можно более ранний релиз и максимально быстрая, цикличная итерация на основе реальных логов/трасировок и ошибок.

Сэм Альтман готов инвестировать $2 млн в токенах в каждый стартап текущего батча Y Combinator (200–300 компаний) в обмен на небольшую долю 🐎Это сотни миллионов, а по некоторым оценкам до триллиона токенов на компанию.Зачем?• Чем больше крутых ИИ-продуктов появится, тем быстрее будет расти общий спрос на модели и инфраструктуру.• Хороший способ сделать OpenAI платформой для нового поколения стартапов. Когда все с первого дня строят вокруг их моделей, они выигрывают в экосистемной войне с Anthropic, Google и xAI.• Ранний доступ к лучшим командам и реальным кейсам использования, чтобы быстрее улучшать свои модели.

Целая креативная команда в одном агенте Supercomputer от Higgsfield AI 💪 Под капотом: Hermes Agent + Seedance 2.0 + Gemini в Orchestrator. Работает в браузере и телеге. Учится на каждой задаче.

Очень прикольно звучит идея найма в эпоху ИИ от Брайана Чески (CEO Airbnb):Найм - это не просто закрытие вакансий. Это постоянное выстраивание сети сильных людей вокруг себя.Следить за интересными людьми, общаться с ними задолго до того, как они понадобятся, видеть потенциал и траекторию роста.Найм - это не воронка продаж кандидатов. Найм - это построение сильного круга людей вокруг себя❤️

Память и сон агента. В 2026 модели и агенты уже отлично справляются с длинными и сложными задачами, которые могут длиться часами и днями. Но для настоящего прорыва им всё ещё не хватает двух вещей: непрерывного самообучения и эффективного управления контекстом.На конференции Code w/Claude Anthropic показала, как они это решают. Они вводят Memory (память) и Dreaming (сон).Архитектура памяти агента строится на трёх слоях:1. Хранение Где физически лежат данные. Здесь настраиваются права доступа (readonly для корпоративных регламентов, read-write для рабочих задач), система optimistic concurrency (чтобы сотни параллельных агентов не затирали изменения друг друга) и аудит логов.2. СтруктураВ каком виде агент потребляет знания. Память представлена в виде иерархической файловой системы - набора .md-файлов. Opus отлично умеет сам структурировать и обновлять эти файлы через Bash-инструменты. Навыки при этом выступают как отдельный слой - процессная (процедурная) память.3. Процесс Когда и как память обновляется. Что агент пишет в реальном времени, а что уходит на глобальную переработку в фоне. 😴Dreaming - это фоновый сон агента между сессиями.Главная проблема обычной памяти, что агент в рамках одной сессии решает свою задачу и не видит, что другой агент в параллельном сессии уже наступил на те же грабли и нашёл решение. Dreaming анализирует логи всех сессий, находит ошибки и паттерны, которые отдельный агент не видит, делает дедупликацию, очищает контент и создаёт обобщённые плейбук.Кейсы:• Rakuten - минус 90% ошибок на первом проходе у knowledge-агентов.• Harvey - 6x рост успешности на сложных задачах.

Gigacatalyst - стартап из YC 26. Очень сильная идея.Частая ситуация в B2B-продажах: клиенту почти нравится продукт, но не хватает какой-то одной фичи именно под его процессы.Например:- Добавьте вот такую отчётность, кнопку или что-то ещё и мы купим.Обычно компания отвечает:- Сделаем через 3–6 месяцев.За это время сделка умирает. Gigacatalyst решает это по-другому:продавец или менеджер просто описывает нужную функцию обычным языком. ИИ создаёт её прямо внутри SaaS продукта.ИИ превращает кастомизацию корпоративного софта из многомесячной разработки в часть процесса продаж🤯

pilot -> production gap✔️McKinsey 2026: <10% компаний смогли масштабно развернуть ИИ-агентов.✔️80% компаний называют главной проблемой данные: разрозненные, грязные, недоступные в реальном времени и без нормального управления.Что делать?Помните идею:«OpenClaw-стратегия в каждую компанию» 🤩То есть необходимо создать полноценную модель данных для агентов.И вот 4 шага, чтобы подготовить данные для ИИ-агентов:1️⃣Выбрать процессы, которые стоит “агентизировать”Выбрать процессы, где агент может реально изменить результат.Логика простая: сначала описать процесс полностью, потом найти шаги, где агент может добавить ценность, и понять, какие данные ему нужны для выполнения задач. Критерии выбора: ценность, реализуемость и соответствие стратегии.2️⃣Модернизировать архитектуру данных под агентовАгентам не нужна разрозненная информация из ERP, CRM, Excel и документов, а связанный слой данных.В архитектуре должны появиться: семантический слой, дата-продукты, векторные хранилища, API, AI-шлюз, контроль доступов и слой оркестрации.То есть данные должны стать не просто доступными, а понятными и пригодными для действия.3️⃣Обеспечить качество данныхНужно простроить пайплайны для очистки данных, классификации, тегирование, мониторинга, управление метаданными.Особенно важно работать как со структурированными данными, так и неструктурированными.4️⃣Построить governance и операционную модельНужно заранее определить:что агент может делать, к каким данным имеет доступ, когда требуется согласование человека, как логируются действия и кто отвечает за результат.