Я рад объявить о запуске окончательного курса по Claude Code, созданного совместно с @AnthropicAI и преподаваемого Эли Шоппиком @eschoppik. Если вы хотите использовать высокоагентное кодирование - когда ИИ работает автономно в течение многих минут или дольше, а не просто завершает фрагменты кода - это именно то, что вам нужно. Claude Code стал настоящим прорывом для многих разработчиков (включая меня!), но для его эффективного использования требуется глубокое понимание. Этот комплексный курс охватывает все, от основ до продвинутых паттернов. После этого короткого курса вы сможете: - Оркестровать несколько подагентов Claude, чтобы они работали над разными частями вашего кода одновременно - Упоминать Claude в проблемах GitHub и позволять ему автономно создавать, проверять и объединять запросы на изменение - Преобразовывать неаккуратные Jupyter-ноутбуки в чистые, готовые к производству панели управления - Использовать инструменты MCP, такие как Playwright, чтобы Claude мог видеть, что не так с вашим интерфейсом и исправлять это автономно Независимо от того, новичок вы в Claude Code или уже используете его, вы откроете для себя мощные возможности, которые могут кардинально изменить ваш подход к разработке программного обеспечения. Я очень рад тому, что агентное кодирование позволяет всем делать сейчас. Пожалуйста, пройдите этот курс!

I'm thrilled @OpenAI has released two open weight models. Thank you to all my friends at OpenAI for this gift! I'm also encouraged that from my quick tests gpt-oss-120b looks strong (though we should still wait for rigorous 3rd party evals).

Объявляем о нашем новом событии - Buildathon: Быстрый инженерный конкурс. Смотрите видео для подробностей и, пожалуйста, подайте заявку на участие!

Объявляем о новом курсе на Coursera: Генерация с дополнением извлечения (RAG) Вы научитесь создавать высокопроизводительные, готовые к производству системы RAG на этом практическом, углубленном курсе, созданном и преподаваемом @ZainHasan6, опытным инженером в области ИИ и машинного обучения, исследователем и педагогом. RAG является критически важным компонентом сегодня для многих приложений на основе LLM в поддержке клиентов, внутренних систем вопросов и ответов компании, а также для многих ведущих чат-ботов, которые используют веб-поиск для ответов на ваши вопросы. Этот курс научит вас углубленно работать с RAG. LLM могут давать общие или устаревшие ответы, особенно когда задаются специализированные вопросы, не охваченные их обучающими данными. RAG — это наиболее широко используемая техника для решения этой проблемы. Она привносит данные из новых источников, таких как внутренние документы или свежие новости, чтобы предоставить LLM соответствующий контекст для частной, недавней или специализированной информации. Это позволяет генерировать более обоснованные и точные ответы. На этом курсе вы научитесь проектировать и реализовывать каждую часть системы RAG, от извлекателей до векторных баз данных, генерации и оценок. Вы узнаете о фундаментальных принципах, лежащих в основе RAG, и о том, как оптимизировать его как на уровне компонентов, так и на уровне всей системы. По мере развития ИИ, RAG также эволюционирует. Новые модели могут обрабатывать более длинные контекстные окна, более эффективно рассуждать и могут быть частью сложных агентных рабочих процессов. Одной из захватывающих областей роста является Агентный RAG, в котором ИИ-агент во время выполнения (в отличие от жесткого кодирования на этапе разработки) автономно решает, какие данные извлекать и когда/как углубляться. Даже с этой эволюцией доступ к качественным данным во время выполнения является необходимым, именно поэтому RAG является ключевой частью так многих приложений. Вы будете учиться через практический опыт: - Создавать систему RAG с извлечением и дополнением подсказок - Сравнивать методы извлечения, такие как BM25, семантический поиск и Обратное ранжирование - Разбивать, индексировать и извлекать документы с использованием векторной базы данных Weaviate и набора данных новостей - Разрабатывать чат-бота, используя открытые LLM, размещенные Together AI, для вымышленного магазина, который отвечает на вопросы о продуктах и часто задаваемые вопросы - Использовать оценки для повышения надежности и включать многомодальные данные RAG — это важная основополагающая техника. Станьте хорошими в этом с помощью этого курса! Пожалуйста, зарегистрируйтесь здесь:

Мой доклад на YC Startup School о том, как создавать стартапы в области ИИ. Я делюсь советами от @AI_Fund о том, как использовать ИИ для быстрого развития. Дайте знать, что вы думаете!

Теперь Agentic Document Extraction поддерживает извлечение полей! Многие случаи извлечения документов извлекают конкретные поля из форм и других структурированных документов. Теперь вы можете загрузить изображение или PDF-счет-фактуру, запросить название поставщика, список товаров и цены, и получить извлеченные поля. Или загрузите медицинскую форму и укажите схему для извлечения имени пациента, идентификатора пациента, номера страховки и т.д. Одна интересная функция: если вы не хотите сами писать схему (json-спецификация того, какие поля извлекать), загрузите один образец документа и напишите естественный языковой запрос, указывая, что вы хотите, и мы автоматически сгенерируем схему для вас. Смотрите видео для подробностей!

Новый курс: Постобучение LLM Научитесь постобучению и настройке LLM на этом коротком курсе, который ведет @BanghuaZ, доцент Вашингтонского университета @UW и соучредитель @NexusflowX. Обучение LLM следовать инструкциям или отвечать на вопросы включает два ключевых этапа: предобучение и постобучение. На этапе предобучения он учится предсказывать следующее слово или токен на основе больших объемов неразмеченного текста. На этапе постобучения он осваивает полезные навыки, такие как следование инструкциям, использование инструментов и логическое мышление. Постобучение преобразует универсальный предсказатель токенов, обученный на триллионах неразмеченных текстовых токенов, в помощника, который следует инструкциям и выполняет конкретные задачи. Поскольку это гораздо дешевле, чем предобучение, гораздо больше команд могут внедрить методы постобучения в свои рабочие процессы, чем предобучение. На этом курсе вы узнаете три распространенных метода постобучения — Супервизионное тонкое обучение (SFT), Оптимизация прямых предпочтений (DPO) и Онлайн-обучение с подкреплением (RL) — и как эффективно использовать каждый из них. С помощью SFT вы обучаете модель на парах входных данных и идеальных выходных ответов. С помощью DPO вы предоставляете как предпочтительный (выбранный), так и менее предпочтительный (отклоненный) ответ и обучаете модель отдавать предпочтение предпочтительному выходу. С помощью RL модель генерирует выходные данные, получает оценку вознаграждения на основе человеческой или автоматизированной обратной связи и обновляет модель для улучшения производительности. Вы узнаете основные концепции, распространенные случаи использования и принципы курирования высококачественных данных для эффективного обучения. На практических занятиях вы загрузите предобученную модель с Hugging Face и проведете постобучение с использованием SFT, DPO и RL, чтобы увидеть, как каждая техника формирует поведение модели. В деталях вы: - Поймете, что такое постобучение, когда его использовать и чем оно отличается от предобучения. - Создадите конвейер SFT, чтобы превратить базовую модель в модель-инструктор. - Изучите, как DPO изменяет поведение, минимизируя контрастную потерю — наказывая плохие ответы и усиливая предпочтительные. - Реализуете конвейер DPO, чтобы изменить идентичность чат-ассистента. - Узнаете о методах онлайн RL, таких как Оптимизация проксимальной политики (PPO) и Оптимизация групповой относительной политики (GRPO), и как разрабатывать функции вознаграждения. - Обучите модель с помощью GRPO, чтобы улучшить ее математические способности, используя проверяемое вознаграждение. Постобучение — одна из самых быстро развивающихся областей обучения LLM. Независимо от того, создаете ли вы высокоточный контекстно-специфический помощник, настраиваете тон модели или улучшаете точность выполнения задач, этот курс даст вам опыт работы с самыми важными техниками, формирующими то, как LLM обучаются постобучению сегодня. Пожалуйста, зарегистрируйтесь здесь:

Я хотел бы поделиться советом по поводу того, как получить больше практики в создании с помощью ИИ — то есть, используя строительные блоки ИИ для создания приложений или используя помощь ИИ в кодировании для быстрого создания мощных приложений: если у вас есть только ограниченное время для разработки, уменьшите масштаб вашего проекта, пока не сможете создать что-то за то время, которое у вас есть. Если у вас есть всего час, найдите небольшой компонент идеи, которая вас вдохновляет, и которую вы можете реализовать за час. С современными помощниками по кодированию, такими как Claude Code от Anthropic (мой любимый инструмент для разработчиков на данный момент), вы можете удивиться, сколько всего можно сделать даже за короткие промежутки времени! Это поможет вам начать, и вы всегда сможете продолжить проект позже. Чтобы стать хорошим в создании с помощью ИИ, большинству людей необходимо (i) изучить соответствующие техники, например, пройдя онлайн-курсы по ИИ, и (ii) практиковаться в создании. Я знаю разработчиков, которые обдумывают идеи месяцами, не создавая ничего — я тоже так делал! — потому что мы чувствуем, что у нас нет времени, чтобы начать. Если вы оказались в такой ситуации, я призываю вас продолжать сокращать первоначальный масштаб проекта, пока не найдете небольшой компонент, который сможете создать прямо сейчас. Позвольте мне проиллюстрировать это на примере — одном из моих многих небольших, интересных проектов на выходных, который, возможно, никуда не приведет, но я рад, что его сделал. Вот идея: многие люди боятся публичных выступлений. И публичные выступления сложно практиковать, потому что трудно организовать аудиторию. Поэтому я подумал, что было бы интересно создать симулятор аудитории, чтобы предоставить цифровую аудиторию из десятков или сотен виртуальных людей на экране компьютера и позволить пользователю практиковаться, говоря с ними. В одну субботу днем я оказался в кафе с парой часов свободного времени и решил попробовать создать симулятор аудитории. Моя знакомство с графическим кодированием ограничено, поэтому вместо того, чтобы создавать сложный симулятор большой аудитории и писать ИИ-программу для симуляции соответствующих реакций аудитории, я решил значительно сократить масштаб до (a) симуляции аудитории из одного человека (которого я мог бы позже воспроизвести, чтобы симулировать N человек), (b) исключив ИИ и позволив человеку-оператору вручную выбирать реакцию симулированной аудитории (аналогично прототипированию Wizard of Oz), и (c) реализовав графику с помощью простого 2D-аватара. Используя смесь нескольких помощников по кодированию, я создал базовую версию за то время, которое у меня было. Аватар мог слегка двигаться и моргать, но в остальном использовал базовую графику. Хотя это было далеко от сложного симулятора аудитории, я рад, что это сделал. Это не только продвинуло проект вперед и позволило мне исследовать различные дизайны, но и увеличило мои знания в области базовой графики. Более того, наличие этого грубого прототипа, чтобы показать друзьям, помогло мне получить отзывы пользователей, которые сформировали мои взгляды на идею продукта. У меня на ноутбуке есть список идей вещей, которые, как мне кажется, было бы интересно создать. Большинство из них займет гораздо больше времени, чем те несколько часов, которые у меня могут быть, чтобы попробовать что-то в определенный день, но, сокращая их масштаб, я могу начать, и первоначальный прогресс в проекте помогает мне решить, стоит ли дальнейших инвестиций. В качестве бонуса, работа над широким спектром приложений помогает мне практиковать широкий спектр навыков. Но самое главное, это позволяет вывести идею из моей головы и потенциально представить ее перед потенциальными пользователями для получения отзывов, которые позволят проекту двигаться быстрее.

Новый курс: ACP: Протокол связи агентов Научитесь создавать агентов, которые общаются и сотрудничают в различных рамках, используя ACP, в этом коротком курсе, разработанном с помощью BeeAI от @IBMResearch и проводимом @sandi_besen, инженером по исследованию ИИ и руководителем экосистемы в IBM, и @nicholasrenotte, руководителем адвокации разработчиков ИИ в IBM. Создание многопользовательской системы с агентами, созданными или используемыми различными командами и организациями, может стать сложной задачей. Вам может потребоваться писать пользовательские интеграции каждый раз, когда команда обновляет дизайн своего агента или меняет выбор фреймворка оркестрации агентов. Протокол связи агентов (ACP) — это открытый протокол, который решает эту проблему, стандартизируя способ общения агентов, используя унифицированный RESTful интерфейс, который работает в различных рамках. В этом протоколе вы размещаете агента внутри сервера ACP, который обрабатывает запросы от клиента ACP и передает их соответствующему агенту. Использование стандартизированного интерфейса клиент-сервер позволяет нескольким командам повторно использовать агентов в различных проектах. Это также упрощает переключение между фреймворками, замену агента на новую версию или обновление многопользовательской системы без рефакторинга всей системы. В этом курсе вы научитесь соединять агентов через ACP. Вы поймете жизненный цикл агента ACP и как он сравнивается с другими протоколами, такими как MCP (Протокол контекста модели) и A2A (Агент-агент). Вы создадите агентов, соответствующих стандарту ACP, и реализуете как последовательные, так и иерархические рабочие процессы нескольких агентов, сотрудничающих с использованием ACP. В ходе практических упражнений вы создадите: - Агент RAG с CrewAI и обернете его внутри сервера ACP. - Клиент ACP для вызовов к созданному вами серверу ACP. - Последовательный рабочий процесс, который связывает сервер ACP, созданный с помощью Smolagents, с агентом RAG. - Иерархический рабочий процесс с использованием маршрутизирующего агента, который преобразует запросы пользователей в задачи, делегируемые агентам, доступным через серверы ACP. - Агента, который использует MCP для доступа к инструментам и ACP для общения с другими агентами. Вы завершите, импортировав своих агентов ACP на платформу BeeAI, открытый реестр для поиска и обмена агентами. ACP позволяет сотрудничество между агентами в разных командах и организациях. К концу этого курса вы сможете создавать агентов и рабочие процессы ACP, которые общаются и сотрудничают независимо от фреймворка. Пожалуйста, зарегистрируйтесь здесь:

Представляем "Создание с Llama 4." Этот короткий курс создан с @Meta @AIatMeta и ведется @asangani7, директором по партнерской инженерии команды AI Meta. Новая Llama 4 от Meta добавила три новых модели и представила архитектуру Mixture-of-Experts (MoE) в свою семью моделей с открытыми весами, что делает их более эффективными для обслуживания. В этом курсе вы будете работать с двумя из трех новых моделей, представленных в Llama 4. Первая — Maverick, модель с 400B параметрами, с 128 экспертами и 17B активными параметрами. Вторая — Scout, модель с 109B параметрами, с 16 экспертами и 17B активными параметрами. Maverick и Scout поддерживают длинные контекстные окна до миллиона токенов и 10M токенов соответственно. Последнего достаточно, чтобы напрямую вводить даже довольно большие репозитории GitHub для анализа! На практических занятиях вы создадите приложения, используя новые мультимодальные возможности Llama 4, включая рассуждения по нескольким изображениям и привязку изображений, в которой вы можете идентифицировать элементы на изображениях. Вы также будете использовать официальный API Llama, работать с возможностями длинного контекста Llama 4 и узнаете о новейших инструментах с открытым исходным кодом Llama: инструменте оптимизации подсказок, который автоматически улучшает системные подсказки, и наборе синтетических данных, который генерирует высококачественные наборы данных для дообучения. Если вам нужна открытая модель, Llama — отличный вариант, а семья Llama 4 является важной частью любого набора инструментов разработчика GenAI. В ходе этого курса вы научитесь вызывать Llama 4 через API, использовать его инструменты оптимизации и создавать функции, охватывающие текст, изображения и большой контекст. Пожалуйста, зарегистрируйтесь здесь: