AI-дайджест недели

Автор просит Codex писать новости про прогресс своих проектов. Агенту это ничего не стоит: в ~/.codex/sessions уже лежат логи всех проектов — остаётся попросить их прочитать и пересказать.

Почему важно: когда репозиториев несколько, а неделя рваная, к пятнице никто не помнит, где что осталось недоделанным. Логи сессий — это уже готовый журнал работы, который не надо вести руками; из него собирается и статус для команды, и собственный список хвостов.

Риск в сессии попадают куски кода, внутренние пути и имена сервисов. Отчёт, собранный из них, нельзя отправлять наружу без вычитки.

У тредов Codex появилась возможность общаться друг с другом. Если два соседних треда случайно или намеренно правят один кусок кода, в одном из них можно написать: «вот в соседнем треде [id] агент делает сходную задачу, договорись с ним о приоритетах, чтобы друг другу не мешать» — и они распараллелят работу сами.

Почему важно: обычная авария при нескольких агентах — двое переписывают один файл и затирают чужие правки. Раньше это разводили руками: отдельный worktree на тред, ручное деление по пакетам. Теперь есть более дешёвый вариант для случая, когда задачи соседние, а не параллельные.

Риск автор сам пишет, что не знает, насколько давно фича работает. Договорённость тредов — это не блокировка файла: под нагрузкой или при длинных задачах она ничего не гарантирует.

Подкаст про внедрение агентов в компании, разложенный по таймкодам. Три тезиса бьют в одну точку: люди не могут рассказать, как именно делают свою работу, а агенту, как и сотруднику, нужен онбординг (00:16:56); полностью автоматические системы регулярно проваливаются (00:24:39); доступ в терминал делает агента гибким, но усложняет контроль, и ценность смещается от производства результата к ответственности за него (00:36:43).

Почему важно: это меняет, что именно писать. Не очередную формулировку задачи, а документ про то, как здесь принято работать: как выкатывается сервис, что считается готовым, где границы. И отдельно — кто отвечает за результат, когда его произвёл агент.

Риск онбординг-док устаревает быстрее кода. Пока его не обновляют вместе с процессом, агент уверенно работает по вчерашним правилам, и это заметно только по испорченному результату.

На марафоне по агентам самым ходовым кейсом оказались рабочие веб-приложения с бэкендом на Google-таблицах и деплоем в одну строку — без GitHub, Docker и VPS. Теперь для этого не нужны внешние сервисы: OpenAI встроила такую штуку в Codex поверх Cloudflare Workers и их же R2. В Claude Code этого нет: их Artifacts — статическая страница на их домене.

Почему важно: у бэкендера регулярно копятся скрипты без интерфейса — ручной ретрай, просмотр очереди, разовый отчёт. Обычно им не дают UI, потому что ради этого надо заводить репозиторий, пайплайн и хост. Теперь порог — одна просьба агенту.

Риск это чужой хостинг и чужое хранилище. Для внутренних данных компании путь закрыт, пока не согласован с безопасностью, а привязка к Workers и R2 усложнит переезд, если страница неожиданно приживётся.

Meta выпустила своего агента Muse Code и вместе с ним модель Muse Spark 1.2. Заявляют, что с официальным харнессом она лучше Grok 4.5, но не дотягивает до Opus 5. Главное в релизе — цена: если разрешить Meta тренировать модели на ваших данных, миллион токенов стоит $0,1/$0,2 против обычных $1,25/$4,25.

Почему важно: разница больше чем в десять раз, и соблазн переставить дефолтную модель в агентском пайплайне велик. Автор канала прямо советует не вестись, если делаете что-то стоящее или строите стартап; для пет-проектов и опенсорса условие терпимое.

Риск условие про обучение распространяется на содержимое запросов, то есть на код. Для рабочего репозитория это юридический вопрос, а не строчка в конфиге. Сравнение с Grok 4.5 и Opus 5 — заявление вендора, независимых прогонов в посте нет.

На личном бенче автора Kimi K3 не просто не уступает 5.6 sol, а оказывается лучше; обе модели в режиме max. Бенч всегда один и тот же: полностью разрушаемая воксельная планета диаметром 1000 клеток, 60 fps при любом удалении от поверхности, на голом Rust без готовых движков.

Почему важно: у такого бенча есть свойство, которого нет у публичных таблиц: он повторяет вашу настоящую задачу, и результат прямо говорит, какую модель ставить в пайплайн. Он же ловит развороты вроде «была хуже — стала лучше», которые в лидербордах не видны.

Риск один бенч меряет один класс задач. У автора это 3D на Rust, и переносить его вывод на Go-бэкенд нельзя — нужен свой, иначе получится тот же лидерборд, только маленький.

В поездке автор завёл codex-демонов на linux-сервере и доделал full-stack event-driven BDD-фреймворк: спеки привязаны к UI-компонентам, например через go templ, а написание и поддержку он свалил на Codex. Спеки гоняются на одном ядре со скоростью тысяча в секунду; параллелизм он добавит, когда их станет больше тысячи, потому что гонять базовые бизнес-тесты дольше секунды считает недопустимым. С таким набором задачи ставятся с телефона в два шага: «напиши спеки под такую фичу», затем «реализуй эти спеки».

Почему важно: связка ложится на Go напрямую — go templ плюс быстрый набор тестов дают агенту проверяемый контракт и мгновенную обратную связь. Пока прогон идёт минуты, агент работает вслепую и приносит правки пачками; когда прогон занимает секунду, он чинит себя сам в цикле, а вы читаете только спеки.

Риск тысяча спеков в секунду получается на его event-driven схеме; на обычном сервисе с базой и HTTP так не выйдет без отдельной работы по изоляции. И спеки, написанные агентом, надо читать: он охотно закрепляет текущее поведение вместо нужного.