Интересная штука: десктопное приложение, которое позволяет гонять AI-модели локально на своей машине. Без API-ключей. Без облака. Ничего никуда не уходит.

Всё крутится у тебя на компьютере, так что полный контроль, приватность и возможность экспериментировать с open-source моделями оффлайн

100% исходный код 🐶

Google сейчас раздает Gemini Enterprise бесплатно

Это их корпоративная AI-платформа за 21$ в месяц, и тут даже карту не просят

Что входит:

- все модели Gemini
- Veo 3 для видео
- создание кастомных AI-агентов на своих данных
- Deep Research и NotebookLM в комплекте

Настройка занимает пару минут:

1. открываешь страницу Google Cloud Gemini Enterprise
2. жмешь Start 30-day trial

Проверял полчаса назад — всё работает как надо 🎁

GPT 5.2 Codex Extra High – 2 ч 01 мин 16 с

«Убрать все использования any и type casting, затем убедиться, что конфиги lint и type обновлены так, чтобы зафиксировать их в будущем. В конце проверить, что все гейты, то есть lint:fix, typecheck и test, проходят».

Важное напоминание о том, насколько эта модель лютая.

⛩

Claude Code для чисел >>> Claude Code для кода

Комьюнити Claude собрало AI-агента, который:

* моментально коннектится к данным из HubSpot, Notion и Sheets
* строит графики, пишет код и делает анализ данных
* построен на Claude Agents SDK и Composio Tool Router

Полностью бесплатный и опенсорс

Исходный код ❤️

Только что откопал годный инструмент: Gemini Design MCP. Это MCP-модуль,. Можно прикрутить куда угодно, где есть поддержка MCP, например Claude Code, чтобы прокачать дизайн.

Сценарий простой: пока Claude Code работает над логикой, он поднимает фоновый агент, который дергает этот MCP и улучшает фронт.

Глянуть можно тут ✌️

Большой момент для тех, кто строит агентные системы.

В софте регулярно повторяется один и тот же паттерн.

Сначала все фокусируются на проблеме “как построить”.

Появляются фреймворки, они созревают и становятся реально хорошими. Потом вдруг бутылочным горлышком становится деплой.

Мы уже видели это с нейросетями.

PyTorch, TensorFlow и Caffe были отличны для сборки моделей. Но их деплой требовал возни с разными форматами и рантаймами.

ONNX позволил разработчикам собирать модель в любом фреймворке, экспортировать в стандартный формат и деплоить куда угодно.

Сейчас тот же паттерн разворачивается вокруг агентов.

Фреймворки вроде LangGraph, CrewAI, Agno и Strands уже достаточно зрелые, чтобы сборка агента перестала быть самой сложной частью.

Теперь самое сложное — то, что идет после: деплой, стриминг, управление памятью, наблюдаемость и авто-скейлинг.

Это уже не проблемы агента, а инфраструктуры. И прямо сейчас каждую из них команды решают вручную.

xpander берет подход ONNX для этой задачи, и это правильная ментальная модель.

Идея простая: привозишь своего агента (собранного на любом фреймворке), деплоишь через xpander и получаешь всю прод-инфраструктуру.

Что в комплекте:

• serverless деплой за ~2 минуты
• SSE стриминг для UX реального времени
• память на уровне сессии/пользователя
• 2000+ коннекторов (Slack, GitHub и другие)
• единый API для вызова любого агента, независимо от фреймворка

Unified API, вероятно, самая интересная часть.

По сути, любой задеплоенный агент (независимо от фреймворка) получает один и тот же endpoint для вызова, одну и ту же структуру payload, стриминг-формат и схему авторизации.

Фронтенду больше не нужно знать, на чем агент собран — на LangGraph, CrewAI или кастоме. Он просто бьет по endpoint и получает ответ.

Это важно, потому что во многих организациях разные команды собирают агентов на разных фреймворках — по предпочтениям и под задачи.

Без унифицированного слоя командам приходится поддерживать несколько паттернов интеграции и стримингов.

xpander же дает один API-контракт поверх каждого агента, так что потребляющее приложение не обязано знать, на чем агент собран.

Видео показывает unified API xpander в работе.

Можно расширить стандартный формат endpoint на любого агента, независимо от фреймворка, и получить одинаковый стриминг, память, наблюдаемость и скейлинг, не меняя ни строки интеграционного кода.

Сборка остается отделена от деплоя - так и должно быть.

100% исходный код 👍

Воу, вышел Claude Delegator 😳

Плагин для Claude Code, который позволяет использовать подпроцессы на GPT 5.2 прямо внутри Claude Code.

Через GPT 5.2 (через codex) можно поручить архитектуру проекта, аудит безопасности или любые другие изменения в кодовой базе.

Инструкция по установке:

· Добавить маркетплейс

/plugin marketplace add jarrodwatts/claude-delegator

· Установить плагин

/plugin install claude-delegator

· Запустить настройку

/claude-delegator:setup

GitHub: тут

Линус Торвальдс, создатель Linux и Git, использовал Antigravity от Google для создания визуализатора с помощью вайбкодинга

😁😁😁

Antigravity крутой инструмент

Но большинство вообще не понимают, как им пользоваться.

За эти 33 минуты ты разберёшь всё, что нужно знать про Antigravity. 👍

это то, что нужно программистам в 2026 году. 😆

AI-агенты в ближайшем будущем станут важной частью того, как мы шопимся.

Чтобы подготовить почву, Google объединились с Shopify, Etsy, Wayfair, Target и Walmart и сделали Universal Commerce Protocol — новый открытый стандарт, позволяющий агентам и системам общаться между собой на всех этапах покупки.

И скоро UCP будет поддерживать нативный checkout, так что покупать можно будет прямо в AI Mode и в Gemini App. 😎

UCP уже поддержан более чем 20 компаниями из индустрии, совместим с A2A и доступен с сегодняшнего дня. Больше деталей про UCP и остальные анонсы можно почитать на NRF Big Show

В сети завирусился Antigravity Tools: профессиональная система управления AI-аккаунтами и проксирования

Оно сочетает в себе мульти-аккаунт менеджмент, конвертацию протоколов и умную маршрутизацию запросов, превращая ПК в стабильную, быструю и недорогую локальную AI-ретрансляционную станцию.

С помощью приложения можно преобразовывать обычные Web-сессии (Google/Anthropic) в стандартизированные API-интерфейсы, полностью устраняя протокольный разрыв между провайдерами.

Совместим с OpenAI. С приоритетом на приватность.

Поехали 😌

Все обсуждают новый плагин для автоматизации ресерча по AI-публикациям: ralph-research

Он использует ralph-loop — цикл, в котором LLM не только пишет код по научным статьям, но и запускает эксперименты, анализирует ошибки и пробует новые решения. 🤩

Весь плагин был сгенерен за один проход в Claude Code, и при этом он уже умеет кодить концепты из AI-пейперов и гонять эксперименты в самосовершенствующемся цикле.

Заметки автора:

• Реализация статьи ReAct заняла около 40 минут без пауз.
• Были проблемы, но он сам разобрался по ходу. В этом сила ralph-loop — он может исследовать пространство решений и учиться на ошибках. Я бы сказал, что ресерч вообще более подходящий use-case для ralph, потому что там куча экспериментальной работы.
• Автор прогонял плагин на других свежих статьях — справился неплохо, это дает надежду, что можно довести систему до более стабильного состояния.
• Как видно на видео — и как в целом бывает с LLM-powered штуками - ему тяжело использовать новые модели, даже если дать инструкции и API. Но это легко фиксится грамотным промптингом.
• Это не идеальный плагин и пока в основном для внутреннего тестирования. Много чего еще надо допилить перед релизом, включая зависимости от других плагинов.

Больше подробностей ожидаем позже