Stephan_

Найвигідніша підписка зараз — не opencode-go
і не commandcode-goat
а ChatGPT-plus 😂

Останнім часом я постійно думаю над одним питанням: як знаходити баланс між детермінованістю та гнучкістю під час написання skill для передових моделей?
Детермінованість означає написання skill із використанням більшої кількості жорстких обмежень або коду
Гнучкість означає використання меншої кількості деталей та обмежень, а написання skill лише з high-level і prompt-driven перспективи
Між цими двома підходами потрібен динамічний баланс — єдиної правильної відповіді не існує
Причиною цього стало порівняння /spec-implement, написаного matt, і /pi-matt-implement-flow, написаного мною
У моєму про

Останні міркування🤔:
Більше часу на розробку слід приділяти створенню наборів даних для оцінювання eval, а також оцінюванню точності й повноти, а потім через побудову eval loop спрямовувати ітерації розвитку бізнесу
а не безпосередньо займатися vibe-кодуванням бізнес-коду
В ідеалі завдяки належним goal + eval loop бізнес-код має самостійно ітеруватися
Намагаюся здійснити цей перехід у цьому напрямі, буду радий обговорити.

Чому результати багатьох тестів продуктивності ШІ не зовсім відповідають власним відчуттям?
На мою думку, ключове те, що більшість тестів — це ніби постріл стартового пістолета: дивляться, хто пробіжить далі.
А куди саме він прибіжить — неважливо, навіть якщо в небо, увесь процес тестування не потребує збіжності.
У реальних сценаріях найбільше виснажує процес збіжності та узгодження: той, хто пробіг далі, не обов’язково кращий, а кращий той, хто може весь час бігти в межах доріжки.

Звикнувши до Deepseek-v4-flash, я просто не можу терпіти GLM-5.3-flash 😂
Головне, що GLM повільний — це ще можна пережити, але він постійно видає помилки, зі стабільністю не дуже
У такому разі цілком можна використовувати потужнішу модель для планування, а deepseek-v4-flash — для виконання, щоб замінити цей підхід.

Поміркуймо над одним питанням: чи існує фреймворк, який може об’єднати повний шаблон SaaS-сервісу + AI harness + власні навички в модульний фреймворк?
Чи може DeepSeek Harness стати такою інфраструктурою? Чи є інші вже сформовані проєкти?

Згадана Matt Pocock smart zone — це приблизно 120K контексту; за моїми відчуттями, у grok-4.6 майже так само: коли наближаєшся до 200K, він помітно тупішає. Цікаво, які у вас відчуття? Чи мають інші моделі також виражену smart zone?

grok build — це найкращий TUI, яким я коли-небудь користувався. Тепер у поєднанні з grok-4.6 це, можна сказати, король співвідношення ціни та якості. Головна перевага grok у тому, що він швидший за багато провідних моделей, а якщо за якістю може увійти до першого ешелону, то його конкурентоспроможність буде просто надзвичайною (до того ж можна спокійно поповнювати рахунок без блокування облікового запису)!

Послухавши трьох з половиною годин подкасту, в якому Лао Ло інтерв'ює Чжоу Хунї, можна зрозуміти, що Лао Чжоу дійсно має багато практичного досвіду в індустрії, але, нажаль, питання, які задавав Лао Ло, були недостатньо глибокими та професійними, що трохи засмучує.
Наприклад, коли Лао Ло говорить про те, що закордонні топ-моделі є саме такою точкою зору, я вважаю, що це дещо однобоко. Тому що в різних областях є різні найкращі моделі, наприклад, у сфері програмування наразі claude-4 та gpt-5-codex, можливо, є кращими; а також, коли Лао Чжоу не раз згадував про проблему ілюзій LLM, як вона

OpenAI опублікувала "Посібник з кодування GPT-5", в якому наведено 6 найкращих практик використання GPT-5 для програмування штучного інтелекту:
# 1. Інструкції повинні бути точними, щоб уникнути конфлікту інформації
Новий модель GPT-5 значно покращила свої можливості дотримуватися інструкцій, але це також призвело до побічного ефекту: коли вона стикається з невизначеними або суперечливими інструкціями, їй може бути важко впоратися з цим. Цю ситуацію особливо потрібно враховувати у вашому .cursor/rules або конфігураційному файлі.
# 2. Встановлення відповідного рівня міркування
GPT-5 завжди пров