Відкрили вихідний код Paperclip: оркестратор для ШІ-агентівУсередині можна зібрати цілу компанію: призначити агентам ролі, цілі й бюджети, а потім стежити, хто що робить і скільки грошей спалює. Кожну дію можна схвалювати — тож ШІ не розгуляються за вашої відсутності.Просто запусти:npx paperclipai onboardPaperclip тобі підійде, якщо ти:- тримаєш відкритими 20 вкладок Claude Code і вже не пам’ятаєш, хто чим займається- використовуєш різні типи агентів, наприклад Codex, OpenClaw та інші- хочеш, щоб агенти працювали на тебе 24/7 з результатами й витратами, придатними до аудиту- хочеш автономний бізнес, а не вручну менеджити pull request-иЯкщо в тебе є відчуття, що ти починаєш відставати, бо всі навколо вже керують командами агентів, а ти все ще керуєш shell-скриптами. Тоді тобі потрібен Paperclip.Що в Paperclip особливого?- завдання агентів координуються атомарно- automatic context постійно спрямований на ціль, тож агенти завжди розуміють, навіщо вони щось роблять- будь-який агент, будь-який runtime: тут важлива координація, а не lock-inКраще не читай далі, а просто спробуй:Запуститься застосунок, ти налаштуєш свого CEO, і він попросить тебе схвалити найм Coder-а.
🚬 Software інженери, це вам: я знайшов open-source агента для моніторингу помилок, який сканує продові логи, знаходить першопричину й надсилає повідомлення в Slack з усім контекстом ще до того, як ти взагалі помітиш, що щось зламалося.Скорочує простій у проді на 95%Як це працює:1. Забирає сирі помилки із Sentry або Azure Log Analytics2. Семантично групує їх за першопричиною (20 помилок перетворюються приблизно на 4 реальні проблеми)3. Шукає в GitHub конкретні файли коду, які задіяні4. Перевіряє Linear на наявні тікети, щоб не плодити дублікати5. Пробігається по Slack у пошуку попередніх обговорень схожих інцидентів6. Визначає критичність (S1-S4) і вирішує, алертити чи приглушувати7. Надсилає в Slack збагачені алерти з посиланнями на код, статусом тікета та рівнем критичностіАгента можна ганяти в проді як cron job кожні 5 хвилин.Він побудований поверх Airweave AI, це open-source шар для контекстного retrieval, який робить усі інструменти семантично пошуковими для агентів.Ключова думка: звичайні тулзи моніторингу помилок дають алерти, але не дають контексту. Airweave закриває цю прогалину, роблячи всі інструменти та кодові бази семантично доступними для пошуку агентами.Він підключається до 50+ джерел (GitHub, Linear, Slack, бази даних тощо) і дає агентам можливість шукати по всіх одразу одним запитом.
Дослідники поставили Claude просте запитання: «Я хочу помити машину. Автомийка за 100 метрів. Мені йти пішки чи їхати?»Claude відповів: іти пішки.Усі великі LLM відповіли: іти пішки.Правильна відповідь: їхати.Машина має опинитися на мийці. І ось що найдикіше: у моделі взагалі нічого не змінилося. Змінилася лише архітектура промпта.Дослідники провели чисте дослідження з ізоляцією змінних на Claude Sonnet 4.5. Голий промпт? 0% правильних.Додали акуратно оформлену роль експерта? Усе ще 0%.Впорснули докладний фізичний контекст на кшталт моделі авто, де воно стоїть на під’їзній доріжці, як припарковане? 30%.Але коли вони змусили модель використовувати структурований фреймворк міркувань STAR, де потрібно явно прописати Situation, Task, Action і Result, точність підскочила до 85%. Якщо поєднати STAR із профайл-даними, виходило 95%. Додали зверху RAG і дійшли до 100%.Ключовий механізм сидить усередині кроку «Task».Без структури модель чіпляється за евристику відстані: «100 метрів — близько, отже йди», і взагалі не опрацьовує реальну мету. А коли її змушують сформулювати завдання як «доставити машину на автомийку», приховане фізичне обмеження стає явним просто у контекстному вікні.Знання в моделі вже було. Її просто не змушували витягнути це знання назовні до того, як вона видасть висновок.Найнеприємніший результат ось який: структуроване міркування обігнало просте накачування контекстом у 2,83 раза.Більше фактів майже не допомагало. Допомагали нормальні когнітивні підпірки. Це перевертає дефолтний індустріальний інстинкт. Коли агенти фейляться, більшість команд додають більше retrieval, більше документів, більше пам’яті. А це дослідження каже, що вузьке місце не у відсутності інфи. Вузьке місце в тому, як модель змушують переробляти те, що в неї вже є.Та сама модель. Ті самі параметри. Стрибок якості міркувань на 55 відсоткових пунктів. Це не масштабування.Це архітектура на рівні промпта.Кому цікаво, ось стаття - https://arxiv.org/abs/2602.21814 🌯
🚀 БЕЗКОШТОВНІ AI-МОДЕЛІ ВІД NVIDIA — ЯК ОТРИМАТИ APINVIDIA відкрила безкоштовний доступ до топових AI-моделей через OpenAI-сумісний API.Працює з Kilo Code, Cursor, VS Code та будь-якою IDE.🔹 Ліміт — 40 запитів/хв 🔹 Без денного максимуму 🔹 Без привʼязки картки 🔹 Без підписок---🔧 ЯК ОТРИМАТИ API1️⃣ Зайди на build.nvidia.com2️⃣ Створи акаунт3️⃣ Обери модель → View Code → Generate API Key4️⃣ Скопіюй ключ та base URLУ своїй IDE:Provider: OpenAI Compatible Base URL: https://integrate.api.nvidia.com/v1 API Key: твій ключ Model ID: обрана модельГотово ✅---📱 ВЕРИФІКАЦІЯNVIDIA просить підтвердити телефон.Для України все максимально просто — підходить звичайний український номер.Без бізнес-пошти, без віртуальних номерів.Ввів номер → отримав код → користуєшся.---🔥 МОДЕЛІ, НА ЯКІ ВАРТО ЗВЕРНУТИ УВАГУ🧠 Qwen 3.5 (397B)• MoE• Мультимодальна• Контекст 262K• На бенчмарках обходить GPT-5.2 та Claude Opus 4.5• Додана 16 лютого---💻 Kimi K2.5 (1T)• 1 трильйон параметрів• Працює з відео та зображеннями• Сильна в задачах кодування---⚡ Nemotron 3 Nano (30B)• Від NVIDIA• 1M контексту• Open-source• Легка та дуже швидка---🤖 GLM-5 (744B)• MoE• Добре підходить для агентних задач• SWE-bench 77.8---📂 Повний каталог моделей:build.nvidia.com/modelsЗабирай, поки безкоштовно 🔥
Hugging Face випустили плагін, який перетворює Claude Code, Gemini і Cursor на повноцінних ML-інженерів.Називається HF Skills, і він повністю безплатний.Одна команда, і твій AI-агент зможе:→ Доонавчати LLM через SFT, DPO або GRPO, із вбудованим вибором заліза та оцінкою вартості→ Створювати й трансформувати датасети через SQL-запити→ Автоматично підтягувати актуальні benchmark-оцінки з Artificial Analysis API→ Публікувати вашу arXiv-статтю в HF Hub і за один прохід пов’язувати її з вашою моделлю→ Моніторити training runs у реальному часі через дашборди, синхронізовані з HF SpacesАрхітектура гранично проста.Кожен скіл — це папка з файлом SKILL.md. Агент читає його й одразу розуміє, як обробляти складні ML-воркфлоу, з якими раніше взагалі не вмів працювати.Сумісно з усім: Claude Code, OpenAI Codex, Gemini CLI, Cursor.Встановлення займає 10 секунд:/plugin install hugging-face-cli@huggingface/skillsДалі просто спілкуєтеся як зазвичай:"Оціни GPU memory для fine-tune моделі на 70B.""Стрим нові рядки в мій датасет.""Пов’яжи мою статтю з моєю model card."2.1K зірок. Apache 2.0. 👜
Шлях до повсюдного ШІСтартап Taalas представив свій новий спосіб розгортання нейромереж — вони «запхали» ШІ у власний чипЇхній перший продукт — апаратна версія Llama 3.1 8B, працює у 10 разів швидше, коштує у 20 разів дешевше й споживає у 10 разів менше енергії, ніж наявні рішенняМасове впровадження ШІ стримують два бар’єри:- Висока затримка (моделі відповідають повільніше, ніж працює людське мислення)- Витрати (розгортання потребує величезних дата-центрів, рідинного охолодження та мегаватів енергії)🔘Рішення TaalasКомпанія розробила платформу, що перетворює будь-яку ШІ-модель на спеціалізований чип за 2 місяціВони роблять окремий чип під кожну модель, усувають розрив між DRAM і процесором (об’єднують пам’ять та обчислення) і відмовляються від HBM, просунутого пакування, 3D-стекування та рідинного охолодження — відповідно, переходять до повного спрощенняЗавдяки тому, що вони дотримуються цих трьох принципів, думаю, ще нас здивують🔘РезультатиКремнієва Llama 3.1 8B:- 17 000 токенів/сек на користувача- Доступна як чат-бот і api-сервіс- Підтримка fine-tuning через LoRA- Налаштовуваний розмір контекстного вікнаНавесні планують середньорозмірну reasoning llm, а взимку frontier LLM на платформі другого покоління (HC2)Швидкість відповідей у них у чаті реально вразила, але ніби модель тупувата😏 на api потрібно подавати заявкуСпробуватиБлог
Хуки. Фіча, якою не користуються 95% вайбкодерів.Відмінність новачків від профі в тому, що новачки пишуть промпт за промптом, команду за командою. Вручну білдять, тестують, пушать у гіт. Досвідчені вибудовують навколо агентів воркфлоу. ✏️Проблема правил у тому, що коли їх забагато, AI може їх просто забути, а ми даремно засмічуємо контекст. Альтернатива — писати в кожному промпті, викликати слеш-команди. Але є механізм простіший і з гарантованим результатом.Хуки — це тригери, які запускають твої скрипти в потрібний момент. Є списки того, у який момент можна запустити той чи інший скрипт. Для Claude Code, для Cursor є документація.Як я використовую:1. Сповіщення про завершене завдання. Я поставив просто біп-звук, але ідею можна розкрутити й більше. Наприклад, під’єднати TTS і слухати, який агент із чим закінчив, додати повідомлення на екран і багато іншого.2. Прогін лінтерів, тестів, білда під час завершення сесії. Раніше для цього використовував правила й дуже часто обпікався — заливав неробочий код. Але тепер це в минулому. 🚬3. Завантаження контексту проєкту. На старті сесії хук автоматично підтягує: git status, git pull, останні issues із таск-менеджера.4. Developer/Code Reviewer. Команда із сабагентів: Developer пише код, Code Reviewer перевіряє через PostToolUse-хуки. Працюють паралельно. SubagentStop-хук не дає рев’юеру зупинитися, доки завдання реально не завершене.5. Автоперевірка виконаних завдань. На Stop можна поставити промпт-хук і найдешевшу модель (Haiku). Вона аналізує: «Усі завдання виконані? Є помилки? Потрібен ще follow-up?» — і блокує зупинку, якщо роботу не завершено.6. PermissionRequest. Автосхвалення read-only операцій. Хук на PermissionRequest аналізує тип інструмента: Read, Glob, Grep, безпечний Bash автоматично схвалює. Більше не потрібно вручну тиснути «Allow» 50 разів за сесію, водночас небезпечні операції все ще потребують підтвердження. На це є ще один звуковий сигнал.Якщо цікаво, накидайте 🔥, скину свої конфіги з хуками
RAG, який не спалює бюджет: новий підхід від Meta Більшість RAG-систем просто спалюють бюджет. Вони витягують 100 чанків, коли тобі реально потрібно 10. Вони змушують LLM перетравлювати тисячі нерелевантних токенів. У підсумку ти платиш за обчислення, які взагалі не потрібні.Meta AI це порішали.Вони зробили REFRAG, новий підхід до RAG, який стискає і фільтрує контекст ще до того, як він потрапить у LLM. Результати звучать вкрай інтригуюче:▪️у 30.85 раза швидший time-to-first-token▪️контекстні вікна в 16 разів більші▪️у 2-4 рази менше оброблюваних токенів▪️випереджає LLaMA на 16 RAG-бенчмаркахЧим REFRAG відрізняється: класичний RAG просто звалює все в LLM. Кожен чанк. Кожен токен. Навіть сміття, яке не до справи.А REFRAG працює на рівні ембеддингів:↳ стискає кожен чанк в один ембеддинг↳ RL-політика (навчена через reinforcement learning) скорить кожен чанк за релевантністю↳ тільки найкращі чанки розгортаються і відправляються в LLM↳ решта залишається стисненою або взагалі відфільтровуєтьсяТобто LLM обробляє тільки те, що важливо.Пайплайн простий:1. Закодуй документи і збережи їх у векторній базі2. Коли приходить запит, як зазвичай дістань релевантні чанки3. RL-політика оцінює стиснені ембеддинги і вибирає найкращі4. Вибрані чанки розгортаються в повні token-ембеддинги5. Відхилені чанки залишаються одиночними стисненими векторами6. Все разом йде в LLMПідсумок: можна проганяти в 16 разів більше контексту в 30 разів швидше без втрати точності.Посилання на доки 📝
5 просунутих порад щодо Claude Code, які я використовую:1) самовдосконалення через “ін’єкцію”“Create a UserPromptSubmit hook (global settings). Script echoes: If 8+ tool calls, append one optimization hint (reusable skill, memory pattern, or workflow fix). One sentence. Skip if exploratory.”
2) аудит skills"Create a skill that lists all my installed skills (project & global level) with their line counts. Then ask the user which to review for improvement opportunities (conciseness, clarity, overlapping scopes, token efficiency).”
3) аудит Claude-файлів“Create a skill that reads all CLAUDE .md files and checks for: redundant instructions, verbose phrasing, and content that could move to memory. Present findings and ask if the user wants to implement them.”
4) рефлексія"Create a skill that reviews the current conversation, analyzes tasks, errors, and user feedback, and extracts opportunities for learning, skill creation, and skill improvement; then, presents the findings to the user and asks what to implement or write to memory.”
5) умовний лінтер промпта“Create a UserPromptSubmit hook in global settings. The script counts words and, if >50, echoes a note asking Claude to check if the desired outcome is clear. The output gets appended to the prompt.”
Щоб почати користуватися, просто скопіюй/встав ті однопараграфні промпти вище в Claude Code.
💎Актуальний стек інструментів для вайбкодингуСписок основних тулзів, які я протестував і рекомендую. Для мене важливо, щоб інструмент був популярним і мав підтримку комʼюніті. Також я не став включати до списку відверте лайно. Тим більше безкоштовні сервіси, які до нормальної якості ніколи й не наблизяться. ✏️Для початку важливо розібратися з категоріями:CLI — розробка в командному рядку. Мінімально занурюєшся в код, відкриваєш кілька вікон, роздаєш команди. IDE — редактори коду з вбудованим ІІ. Підійдуть для напіввайб-розробки або щоб десь точково щось підправити. builders — сервіси, які самі розробляють, збирають і розгортають ваш продукт. Ну і коштують як комірчина в МСК. Зручно розгорнути MVP, протестувати гіпотезу, але про масштабування можна забути.ВАЖЛИВО🔥: одна й та сама модель у claude code і cursor — це не одне й те саме. У кожен інструмент закладені свої промпти й механізми. Тому якість виконання задачі може суттєво відрізнятися. До того ж ніхто не заважає клодам просто різати інтелект моделі, якщо вона використовується ззовні. Але це в теорії 😼CLI:Claude Code — мастхев. Величезна підтримка комʼюніті, користувачі пишуть купу надбудов, плагінів, скілів. Легко інтегрується в інші інструменти.Більше нічого не пораджу. Обрізки з купою моделей навіть поруч не стоять.IDE:Cursor — фаворит для розробки. Їхня модель Composer рве всіх за швидкістю. Нові нейронки дуже швидко потрапляють у список, та ще й дають покористуватися безкоштовно певний час. З мінусів — ліміти задушать. Для нормальної розробки треба брати мінімум Pro+ за 60$. Antigravity — Той самий Cursor, тільки з трохи іншим інтерфейсом. АЛЕ кажуть, що з лімітами все значно демократичніше, ніж у Cursor. Користуватися можна. Далі сервіси, які все роблять за вас самі. Вони забирають увесь головний біль із розгортанням, але змушують платити значно більше.🪙v0 — хороший, зʼявився на зорі вайбкодингу, але так і залишився суто фронтовим. Створений Vercel. Тому, хочеш не хочеш, але вам запхають next.js і свій хост за шалені гроші. Бекенда немає. Тому підійде лише, щоб швидко зібрати лендинг, а решту — руками.Lovable — найкращий у своїй ніші, але є купа нюансів. Піднімати її самостійно — взагалі недешево. Монетизація жорстка. Я не став включати до списку всілякі допоміжні інструменти. Зроблю окремий пост про них.
TGLIST.COM.UA
