Видео

Google for Developers. Видео представляет многоязычные текстовые векторные представления, которые могут работать локально и поддерживать семантический поиск и RAG без отправки каждого документа во внешний API. Для эстонских компаний это полезное техническое дополнение к паттерну внутреннего поиска знаний из статьи: многоязычный поиск полезен только тогда, когда он также учитывает расположение данных, права доступа и авторитетность источников.

Crowdin. Shashi Bhushan начинает с картирования процесса, а не с выбора инструмента, затем разбирает качество исходного текста, человеческую проверку, ИИ-корректуру, проверки глоссария, участие продуктовой команды, пилоты и ограничения приватности. Это почти тот же операционный подход, который статья рекомендует эстонским командам, работающим с эстонским, английским, русским, финским и клиентской терминологией.

AWS Events. Этот короткий доклад называет бизнес-моменты, где нужен человеческий контроль: решения с высоким риском, необратимые действия, регуляторные требования, этап построения доверия, неоднозначные исключения и управляемое ухудшение. Он также показывает конкретные механизмы: MCP elicitations, ожидание callback в Step Functions и approval nodes.

AI Engineer. Dex Horthy объясняет, почему надёжные агентные системы в основном состоят из дисциплинированного программного обеспечения вокруг нескольких вызовов LLM: контролируйте инструкцию, контролируйте контекстное окно, держите поток управления детерминированным и используйте вызовы инструментов для обращения к человеку, когда процесс требует суждения. Это напрямую связано с паттернами утверждения, исключений и эскалации из статьи.

Anthropic. Трёхминутный разбор Anthropic о том, как запустить реальный eval внутри Workbench — автогенерация реалистичных тест-кейсов, оценка вывода, правка промпта и повторный прогон того же набора рядом для сравнения. Просмотры ниже обычной планки, но для «как мне реально это сделать без кода» это самое чистое официальное демо и аккуратно встраивается под более стратегический разговор Хусейн/Шанкар.

Lenny's Podcast. Хамел Хусейн и Шрея Шанкар проходят весь воркфлоу evals на реальном ИИ-ассистенте по управлению недвижимостью — смотрят трассировки, открытое и осевое кодирование ошибок, решают, когда остановиться, строят LLM-as-judge и валидируют его против человеческого суждения. Это редкий длинный разговор, действительно нацеленный на продактов и тимлидов, а не на ML-инженеров, и он покрывает тот же ритм «30 минут в неделю после настройки», который рекомендует статья.

Liam Ottley. Живая сборка голосового ИИ-агента, который звонит входящим лидам, квалифицирует их и пытается забронировать discovery-звонок — Make.com плюс голосовой провайдер с показом скрипта квалификации и логики передачи. Хорошее дополнение к почтовой стороне: тот же паттерн «обогащение, затем персонализация», другой канал, другие режимы отказа.

Nick Saraev. Сараев собирает ровно тот пайплайн, что описывает статья — Apollo для лидов, Apify для скрейпинга, n8n для обогащения и запуска многострочного генератора айсбрейкеров по сайту каждого лида, затем Instantly для отправки — и откровенно говорит про стоимость на одного лида и проценты ответов. Это самая чистая демонстрация «настоящей персонализации в масштабе», а не «mail merge с именем».

Greg Isenberg. Более широкий тур по текущему ИИ-стеку маркетинга — автоматизация воркфлоу, маршрутизация моделей, ИИ-видео и голосовые инструменты, создание рекламы из анализа конкурентов. Хороший способ увидеть, какие инструменты что делают в этой категории, прежде чем решать, куда поставить первые три Zap или n8n-флоу для своей команды.

Greg Isenberg. Айзенберг собирает реальный контентный пайплайн в n8n вместе с The Boring Marketer — скрейпит топовые посты в YouTube и X, набрасывает новые материалы в Claude, ресёрчит через Perplexity, генерит изображения и публикует в LinkedIn с шагом одобрения человеком. Это ровно та форма «агент в середине, инструменты по бокам», которую описывает статья, и стадия ревью человеком тут показана, а не просто упомянута.

Big Think. Плотная 8-минутная версия модели «четырёх сценариев» Моллика — статичный, линейный, экспоненциальный, AGI — и почему командам стоит планировать под второй или третий сценарий, а не ставить всё на любую крайность. Полезно, когда нужно, чтобы команда руководителей согласилась, к чему они реально готовятся, прежде чем писать плейбук.

Sana. Час с Молликом о том, как ИИ внутри организаций реально выглядит: почему «срезать костов» — неверная рамка, почему традиционные оргструктуры гнутся и что иначе делают «AI-native» команды. Просмотры ниже обычного порога в 100K, но это самый чистый разговор практического уровня про стратегию внедрения от исследователя, наиболее последовательно цитируемого по этой теме, и вопросы плейбука в статье ложатся почти один-в-один на его рамки.

Matthew Berman. Проходится по статье и коду LMSYS RouteLLM: маленький классификатор сидит перед парой «сильная/слабая модель» и решает, какую вызвать, попадая примерно в 95% качества сильной модели за долю цены. Просмотры под обычным порогом в 100K, но для конкретной ниши «покажи мне реальную маршрутизацию моделей, а не просто сравнения моделей» это самое ясное объяснение на YouTube, и оно напрямую совпадает с секцией статьи про компромисс качество/стоимость.

Tina Huang. Чистый тур по текущему ландшафту моделей, разбитому по тирам — флагманы, lite-модели, средний тир, специализированные — с конкретными подсказками, на что хорош каждый тир. Это половина статьи «знай свои варианты, прежде чем маршрутизировать», и Хуанг подаёт связку стоимость-vs-возможности так же, как и статья, не опираясь на хайп вокруг бенчмарков.

Anthropic. Двухминутное демо Anthropic с Claude, планирующим небольшую мульти-приложенческую задачу — поиск в вебе, проверка в Maps, добавление события в календарь — напрямую управляя рабочим столом. Полезный контраст к модели Operator только в облачном браузере и хороший проверочный пинок к тезису статьи, что computer-use агенты лучше всего работают на коротких, чётко ограниченных рутинах, а не на открытых задачах.

OpenAI. Само лонч-демо Operator, где команда бронирует рестораны, заказывает продукты, покупает билеты на мероприятия и позволяет Operator забуксовать на редиректе или вернуть управление, когда он упирается в логин. Это самое ясное представление о том, как браузерный агент ощущается на практике, — цикл «скриншот-клик», подтверждения перед «stateful»-действиями, ограничители против prompt injection — ровно та фактура, к которой статья пытается готовить ожидания.

Nate Herk | AI Automation. Проходит через последовательный мультиагентный пайплайн рассылки в n8n — планировщик, исследователи, редактор, заголовщик — который принимает на вход тему и аудиторию, а на выходе отгружает рассылку с источниками. Просмотры ниже обычного порога в 100K, но в этой нише (no-code мультиагентные сборки рассылок) это самый чистый и самый полный туториал, сейчас доступный на YouTube, и он напрямую ложится на паттерн брифинга в статье.

Kevin Stratvert. Тот же воркфлоу, что и с Ollama, но в GUI: скачать LM Studio, подтянуть модель Llama или Gemma, начать чат, бросить PDF и задавать по нему вопросы. Хорошо для читателей, которые не хотят жить в терминале — также полезно, чтобы прочувствовать, как 1B–3B модель реально показывает себя против более тяжёлой.

Tech With Tim. Плотное, по делу прохождение по Ollama — установить, скачать модель, начать чат, затем потыкать локальный HTTP API из Python и создать кастомную модель через Modelfile. Покрывает ровно тот воркфлоу, что описывает статья для повседневного использования на Mac, включая то, как думать о размере модели против RAM вашей машины.

Fireship. Три правила Fireship — выбирайте скучный популярный стек, освойте Git, относитесь к себе как к продакт-менеджеру — это те же ограничители, которые пытается установить статья. Пять минут, потраченных не зря, прежде чем дать ИИ писать в ваш репозиторий без присмотра.

Tech With Tim. Тим — один из более ровных преподавателей в этом пространстве, и это самое полное прохождение «открой Cursor, собери что-нибудь, доставь это» для не-разработчиков: настройка, промптинг, отладка, базовый Git и даже немного MCP. Посмотрите один раз — и поймёте, что статья имеет в виду под «соберите небольшой внутренний инструмент».

Anthropic. Дизайнеры протокола — Theo Chu, David Soria Parra и Alex Albert — проходятся по тому, зачем MCP существует, его компонентам (server, client, transport), приёму после ноябрьского релиза 2024 и тому, какими серверами они сами реально пользуются. Полезно как канонический источник после обзора Нейта Херка.

Nate Herk | AI Automation. 16-минутное объяснение без жаргона того, что такое MCP-сервер, как клиенты вроде Claude и n8n его используют и что вы реально делаете иначе, когда он у вас появляется. Почти полностью совпадает с обрамлением статьи «подключите Claude или Cursor к вашим инструментам».

Greg Kamradt. Статья тратит немало слов на chunking; это самое длинное и терпеливое объяснение того, что на самом деле делает каждая стратегия — от character-recursive через document-aware до семантического и agentic-сплиттинга. Сочетайте с бесплатным инструментом Грега ChunkViz, чтобы построить интуицию, прежде чем начать тюнить.