Теперь в Claude Code CLI можно ввести &, чтобы запустить задачу в фоне и телепортировать её в Claude Code Web.

Чтобы пользоваться фоновой обработкой, нужно настроить Claude Code в вебе и пройти онбординг. Работает только с GitHub-репами, подключёнными к веб-версии.

Заметка: переписка сохраняется, но есть баг — сообщения пока не отображаются на веб-стороне.

Профи-совет для Claude Code: добавь в system prompt строку :

«Контекст будет автоматически сжиматься по мере приближения к лимиту. Никогда не останавливай задачу из-за ограничений токенов. Всегда доводи её до конца, даже если бюджет почти исчерпан.» 

потому что у Claude есть склонность осторожничать с завершением задач, а такая инструкция позволяет выполнять их автономно и без ограничения по контексту.

Мой любимый лайфхак:

1. находишь лекцию на YouTube
2. берёшь транскрипт через http://ytscribe.ai
3. вставляешь в Gemini с таким промтом:

Сгенерируй изображение. Преврати этот транскрипт в шпаргалку с основными тезисами и выведи финальный результат как изображение 9:16, созданное nano banana.

[ВСТАВЬ ПОЛНЫЙ ТРАНСКРИПТ]

Anthropic выпустили Claude Opus 4.5 — новый ТОП-1 в кодинге. Модель набрала 80,9% на SWE-бенче, это лучший результат по программированию среди всех ИИ.

При этом модель стала в три раза дешевле: всего $5 / $25 за 1 млн входных/выходных токенов. Правда, даже с пониженной ценой она остаётся примерно вдвое дороже Gemini 3 Pro.

Попробовать уже можно в Claude (только с подпиской)

Anthropic работает над новым процессом создания Skills, где сам Claude сможет генерировать Skill по описанию пользователя.

Microsoft. Google. AWS.

Все пытаются решить одну и ту же задачу для AI-агентов:

Как построить графовые базы знаний, достаточно быстрые для LLM-приложений в реальном времени?

FalkorDB это open-source графовая база данных, которая решает эту задачу, переосмыслив принцип работы графов. Она использует разреженные матрицы и линейную алгебру вместо классической обходной модели.

Разберем, почему она такая быстрая.

Обычные графовые базы данных хранят связи как связанные узлы и обходят граф по одному шагу.

Но тут возникает проблема.

Когда ты выполняешь запрос на поиск связей, база данных проходит через узлы и ребра примерно как по карте. В огромных графах знаний, используемых AI-агентами, это создает серьезное узкое место по производительности.

А что если представить весь граф как математическую структуру?

Здесь появляются разреженные матрицы.

Разреженная матрица хранит только существующие связи. Никаких лишних данных, никаких пустых ячеек. Только реальные отношения между объектами.

И вот ключевой момент:

Когда граф представлен как разреженная матрица, запросы можно выполнять через линейную алгебру вместо обхода. Запрос превращается в математическую операцию, а не в пошаговый проход узлов.

Математика быстрее обхода. Намного быстрее.

Плюс разреженные матрицы делают хранение невероятно эффективным. Ты хранишь только то, что существует, поэтому огромные графы знаний можно держать в памяти, не сжигая ресурсы.

Почему бы тогда просто не использовать Vector Search?

Vector Search действительно быстрый, но он работает только с наивным сходством. Он находит похожие объекты, но теряет структуру.

Графы фиксируют сложные связи между сущностями. Это дает AI-агенту контекст, который точнее и релевантнее, а не просто похож по смыслу.

Что дает FalkorDB:

↳ Очень быстрая многопользовательская графовая база
↳ Эффективное хранение через sparse matrix
↳ Совместимость с OpenCypher (тот же синтаксис, что у Neo4j)
↳ Спроектирована специально под LLM-приложения и память агентов
↳ Работает поверх Redis, упрощая деплой

Старт занимает одну Docker-команду. Я протестировал Python-клиент и разница в производительности чувствуется сразу.

Если ты делаешь AI-агентов, которым нужен доступ к связанным данным в реальном времени, стоит обратить внимание.

И что особенно приятно она полностью open-source.

Разрабатывать приложения под Windows и добавлять туда AI-функции вроде распознавания изображений, генерации текста и прочего бывает долго и муторно, если настраивать модели и писать всё с нуля.

Поэтому Microsoft выложила в открытый доступ инструмент AI Dev Gallery. Он сделан специально для Windows-разработчиков и помогает быстро подключать модели и интегрировать разные AI-возможности.

Там есть больше 25 интерактивных примеров, которые покрывают работу с изображениями, текстом, голосом и другими задачами. Модели можно сразу просматривать и скачивать с Hugging Face и GitHub.

Каждый пример включает полный исходник на C#, и его можно экспортировать в самостоятельный проект Visual Studio одним кликом, чтобы дальше спокойно дорабатывать.

Установить можно через Microsoft Store или клонировать репозиторий и собрать проект в Visual Studio 2022 или новеe

Этот open-source интерфейс для чатов переносит фичи ChatGPT и Claude.ai в любой LLM.

Можно использовать любую модель вместе с RAG, веб-поиском, MCP, deep research, code interpreter, кастомными командами и многим другим в одном месте.

Поддерживается self-hosting и развёртывание в изолированных средах.

Полностью открытый исходный код.