Microsoft открыла исходники MarkItDown - универсального Python-инструмента для конвертации файлов в Markdown

—> Он конвертирует PDF, Word, Excel, PPT, HTML, JSON, XML, EPUB, изображения (OCR), аудио (ASR), ZIP, YouTube — идеально для LLM

Советую заценить, если хочешь быстро превращать любые файлы в Markdown

Gemini Tip:

Есть модели Gemini Pro и Flash для Text-to-Speech (TTS), которые умеют генерировать речь в 30 разных голосах и понимают подсказки про стиль, тон, акцент и темп.

Вот как это сделать (Flash TTS доступен даже на бесплатном тарифе):

from google import genai
import wave

client = genai.Client()

response = client.models.generate_content(
    model="gemini-2.5-flash-preview-tts",
    contents="Say cheerfully: Good morning to all vibe coders!",
    config={
        "response_modalities": ["AUDIO"],
        "speech_config": {
            "voice_config": {
                "prebuilt_voice_config": {
                    "voice_name": "Kore",  # 30 voice options
                }
            }
        }
    }
)

data = response.candidates[0].content.parts[0].inline_data.data

with wave.open("output.wav", "wb") as wf:
    wf.setnchannels(1)
    wf.setsampwidth(2)
    wf.setframerate(24000)
    wf.writeframes(data)

доки по созданию речи: клик

Разработчик выложил в open source более 90 проектов по AI-инженерии

Инженер под ником patchy631 поделился внушительной коллекцией из более чем 90 open source-проектов, связанных с AI-агентами, RAG, MCP и контекстной инженерией.

По словам автора, лучший способ освоить создание AI-агентов:

не читать блоги и не смотреть видео, а писать код и собирать всё с нуля.

Проекты уже собрали свыше 18 тысяч звёзд на GitHub.

5 практических советов по Context Engineering (применимо к Google DeepMind Gemini):

1. Порядок контекста имеет значение: старайтесь использовать «append-only» контекст, тоесть добавлять новую информацию в конец. Это увеличивает попадания в кэш и снижает стоимость (в ~4 раза) и задержки.

2. Управляйте инструментами статично: не меняйте порядок или доступность инструментов в процессе задачи без необходимости. Это может сломать кэширование контекста и запутать модель, если в истории есть вызовы инструментов, которые больше не определены.

3. Используйте внешнюю память: явно или неявно записывайте контекст/цели во внешнее хранилище, чтобы избежать потери информации. Типичная задача в Manus требует примерно 50 вызовов инструментов в среднем.

4. Повторяйте цели, чтобы не потеряться: периодически заставляйте модель проговаривать свои цели, чтобы основная задача оставалась в её недавнем окне внимания.

5. Принимайте ошибки: сохраняйте сообщения об ошибках в контексте. Это даёт модели возможность учиться на ошибках и не повторять их.

Google выкатил Pomelli. Новый маркетинговый AI-агент на Google Labs. Он может проанализировать твой бренд и сгенерировать готовую маркетинговую кампанию.

Сейчас доступен в США, Канаде, Австралии и Новой Зеландии.

Вообще штука выглядит круто. Я прям рад. Нужно запускать рекламу, а времени разбираться с этим добром вовсе нет. Буду плотно тестить.

Делитесь сессиями Claude Code одной командой

Выпущена версия v1.26.1 claude-code-templates, потому что часто нужно передавать работу прямо посреди сессии.

Команда:

npx claude-code-templates@latest --chats

- Все ваши сессии сгруппированы по чатам
- Можно скачать любую переписку

Как поделиться сессией:
- Передайте файл и добавьте его в проект
- Затем выполните:

claude "read @ chat-file.md and continue"

Или если вы в одном аккаунте, нажмите «Resume» —
там будет команда:

claude --resume session_id

Фича сделана, чтобы команда могла работать с общим контекстом, не теряя темп.

Разработчики нашли способ сделать работу с Claude Code в терминале куда удобнее. Появился опенсорсный тул под названием Claude Code Enhanced Statusline. Он выводит в строку статуса всё, что раньше приходилось выискивать вручную: стоимость запросов, состояние MCP-серверов, инфу по Git и тд

Фишка в том, что статус-бар полностью настраивается. Можно собрать из 18 модулей свой набор. С темами тоже порядок, три готовые и возможность сделать свою.

Разработчики хвастаются приростом скорости до 90 процентов благодаря кэшированию. Всё работает на macOS, Linux и Windows. Ставится одной кнопкой, так что попробовать просто.

Код и инструкции лежат на GitHub: github.com/rz1989s/claude-code-statusline

Лайфхак для Cursor

Это прямо штука, которая меняет игру

Когда контекст подбирается к ~50%, просто напиши команду /summarize.

Экономит деньги и держит ответы модели чёткими.

LangChain показал Deep Agents CLI с памятью инструкций

Команда LangChain представила пример консольного инструмента Deep Agents CLI, построенного на их пакете deepagents. Это демонстрация того, как можно сделать разработческое приложение поверх нового фреймворка.

Главная фишка - память. CLI запоминает указания и советы, которые пользователь давал раньше, и может опираться на этот контекст дальше. По сути, это более «осознанный» помощник для разработки.

Проект пока небольшой, но хорошо показывает, как deepagents можно интегрировать в реальные сценарии: помощь с кодом, автоматизация рутинных задач, адаптация к стилю конкретного разработчика.

Видео и подробнее в блоге:
blog.langchain.com/introducing-deepagents-cli/
youtu.be/IrnacLa9PJc

AI снова лезет в трейдинг.

На GitHub открыли проект NOFX — это open source версия нашумевшей системы NOF1 для автоматической квантовой торговли. Под капотом большие модели вроде DeepSeek и Qwen. Они анализируют графики, ищут точки входа, открывают и закрывают сделки и потом сами разбирают свои ошибки.

Есть нормальный интерфейс с графиком доходности, позициями и объяснениями решений прямо в реальном времени. Работает с Binance, Hyperliquid и Aster DEX. Развернуть можно одной кнопкой через Docker.

Кому хочется поиграться с AI-трейдингом и посмотреть, как модели ведут себя на реальном рынке, можно заценить:

github.com/tinkle-community/nofx

Все почему-то игнорят новую OCR-модель

Chandra от Datalab заняла топ в независимых бенчмарках и обогнала прежнего лидера dots-ocr.

Поддержка 40+ языков

Нормально тянет текст, таблицы, формулы

Я прогнал её на рукописном письме Рамануджана 1913 года.

Полностью open source

Во время разработки нам часто приходится постоянно дергать базу. Писать SQL вручную не особо удобно, а в сложных запросах с несколькими JOIN легко накосячить.

Мне случайно попался Conar, это опенсорсный инструмент для управления базами, который с помощью AI генерирует и оптимизирует SQL-запросы. Существенно ускоряет работу с базой.

Это десктопное приложение на Electron с простой и понятной UI. Можно подключить свои модели вроде Claude, ChatGPT или Gemini.

Сейчас поддерживается PostgreSQL, позже добавят MySQL и MongoDB. Данные подключения к базе можно шифровать и хранить в облаке, чтобы безопасно подключаться откуда угодно.

Есть готовые инсталляторы под Windows, macOS и Linux. Разработчики также могут собрать и дорабатывать проект локально.