Экономика, Бизнес-модели, Токеномика, Маркетинг

Ваши просмотры врут. Я сделал плагин, который показывает, дочитывают ли ваши статьи. Вы опубликовали статью. В статистике — 2000 просмотров. И... кто-нибудь её прочитал? Просмотр на этот вопрос не отвечает. Человек, закрывший вкладку через три секунды, и человек, прочитавший всё до последней строки, для счётчика одинаковы: «1». Цифра льстит и не сообщает ничего. Именно эту задачу я решал, когда делал AnGo Scroll Analytics — бесплатный плагин для WordPress с открытым кодом. Он измеряет, докуда посетители реально доскроллили ваши записи и страницы, и показывает результат на экране «Readability» в админке. Что показывает плагин Данные за выбранный период (по умолчанию последние 30 дней), с разбивкой по дням или месяцам: визиты, средняя глубина прокрутки, медиана; проценты 5/10/25/50/75/90/100 — и вот здесь главное; график: средняя глубина линией, визиты столбцами; таблица по страницам: заголовок, тип, визиты, средняя глубина, медиана, 90-й процент. Главное — в формулировке. Вместо абс...

Было у меня увлечение — фотография. Снимал зеркалкой и обрабатывал в Лайтруме. Потом интерес поугас. Но тяга к красивым фоткам осталась. Более того, клиенты, которые к нам обращаются за разработкой сайта тоже хотят красивые фото, особенно если это фото товаров в интернет-магазине. Долгое время мы это обрабатывали по единому алгоритму в GIMP. Каждое фото отдельно. Потом был легкий скрипт на зачатки автоматизации. А сейчас, когда код пишет ИИ, грех было не сделать полноценную программу, которая из вот такой блеклой фотки: делает вот такую: Согласитесь, второе фото сочнее. А в интернет-магазинах это очень важно. И вот теперь я создал программу, которая очень быстро по настройкам обрабатывает ваши фото. Встречайте AG Image Tune! Взять AGImageTune.exe под Windows можно на моём GitHub . Установка не нужна, работает сразу из-коробки. Бесплатно, без ограничений. Просто сделайте свои фото товаров лучше. И я буду доволен.

Этот подход я позаимствовал у разработчиков Клода, в одном из интервью они про такое говорили. И он сэкономил мне миллионы токенов уже в первый месяц!   Суть в том, что современные ИИ-модели уже очень умные. И зачастую пользователи излишне детально описывать не только задачу, но и ее решение. Тем самым вводят модель в ступор, так как она сама может создавать лучшее решение. По сути из благих побуждений пользователь лишь мешает нейронке.   Итак, ваш промпт для идеального результата должен иметь такую конструкцию: Задача Я хочу получить… (Укажите, какой результат вы хотите получить. Но не перечень шагов! Не мешайте ИИ!). Буквально одно-два предложения. Зачем Я работаю над… (укажите более крупную задачу, в рамках которой вы делаете текущую).   Потребитель результата ожидает… (укажите для кого предназначены задача и решение. Укажите результат, который позволит что-то или обеспечит итоговый результат). Готово означает Критерии выполненной работы следующие… (укажите, как мы оба...

Как обрабатывается текст в Transformer-модели Допустим, у нас есть текст из 10 слов. После токенизации он превратился в 20 токенов: [154, 27, 891, 42, ..., 517] 1. Токены превращаются в векторы У модели есть матрица эмбеддингов. EmbeddingMatrix [Размер словаря × 4096] Каждая строка соответствует одному токену. 154 → [0.32, -1.17, ..., 0.11] 27 → [-0.55, 0.81, ..., 0.42] 891 → [1.03, -0.27, ..., -0.15] После замены всех токенов на их векторы получаем матрицу: 20 токенов × 4096 чисел X = [20 × 4096] 2. Первый слой Transformer Модель берёт сразу всю матрицу: X = [20 × 4096] и умножает её на обученные матрицы весов: Q = X × Wq K = X × Wk V = X × Wv Q = [20 × 4096] K = [20 × 4096] V = [20 × 4096] 3. Механизм внимания (Attention) Теперь модель вычисляет: Q × Kᵀ Размер результата: [20 × 4096] × [4096 × 20] = [20 × 20] Получается матрица связей между токенами. кот сидит на ковре кот: 8 2 1 1 сидит: 3 7 2 1 на: 1 2 6 4 ковре: 1 1 3 8 4. Обмен ко...

И Hermes, и OpenClaw — это многоплатформенные агентские фреймворки: подключаемые нейронки, шлюзы Telegram/Discord/Slack, постоянная память, самообучающиеся скиллы, cron-автоматизации, реальный доступ к браузеру и терминалу. Одна работа. Очень разное внутреннее строение. Философия — главный раскол Hermes — концепция «узкого горлышка». Небольшое предсказуемое ядро; возможности живут на передовой (скиллы + CLI + плагины); MCP — крайняя мера; кэширование промптов священно. Меньше движущихся частей, гораздо проще понять. OpenClaw 2.0 — широкий охват всего изначально. MCP в центре; примитив tool_search позволяет модели запрашивать каталог тулов вместо того, чтобы видеть всё инлайн; автоматическое самообучение и Мастерская скиллов. Он решает проблему раздутых тулов через поиск + политику, а не через ограниченное окно видимости. Стоимость Hermes отправляет компактный инлайн-набор и лениво подгружает скиллы через два фиксированных тула — дисциплинированно, мало накладных расходов. У OpenClaw to...