Продажи

AI-агент для закрытого контура: расширение VS Code под корпоративную LLM

1 мин чтенияHabr AI
Обложка: AI-агент для закрытого контура: расширение VS Code под корпоративную LLM

В прошлой статье я писал про GitBor, git-клиент, через который я проверяю, что на самом деле наворотил ИИ-агент. Эта статья про самого агента. Делал я их параллельно. Один инструмент пишет код, второй показывает, что получилось. Корпоративная модель у нас хорошая, но контекст около 100 тысяч токенов, а популярные агенты тратят его не задумываясь. Рассказываю, как переделал агента под закрытый контур: экономия контекста, несколько задач во вкладках, голосовой ввод без интернета — и почему расширение для VS Code прошло туда, куда программу с ИИ не пустили.

Читать далее

ZOLT JOURNAL / ДАЛЬШЕ

Обложка: Зачем голосовому боту на LLM снова нужен классификатор вроде Jev
ПродажиHabr AI

Зачем голосовому боту на LLM снова нужен классификатор вроде Jev

Голосовой бот на LLM разговаривает приятно, но на реальных звонках регулярно спотыкается. Он может найти свободное окно и так и не записать клиента или перебить человека, который просто задумался посреди фразы. Часть таких решений можно снять с LLM и отдать быстрой модели-классификатору. Самая обсуждаемая из них сейчас Jev от TypeSafe, и у нее уже появились открытые аналоги. Ниже разбираю, как Jev-подобные модели применяют в голосовых ботах другие команды, и сравниваю их кейсы с нашим опытом в Voximplant.

1 мин чтения
Обложка: Speech Analytics: почему сервис речевой аналитики может правильно распознать разговор и неправильно его оценить
ПродажиHabr AI

Speech Analytics: почему сервис речевой аналитики может правильно распознать разговор и неправильно его оценить

Одна из самых распространенных ошибок при выборе системы речевой аналитики — оценивать ее по качеству расшифровки аудио. Загрузили запись. Получили текст. Несколько терминов распознаны неправильно, но в целом разговор читается. Кажется, что основная техническая задача решена. На практике самое интересное начинается после транскрибации. Допустим, клиент спрашивает менеджера: — А есть возможность интеграции с нашей CRM? — Да, такая возможность предусмотрена. — А сколько времени это займет? — Обычно недолго. С точки зрения распознавания здесь почти нечего обсуждать. Даже простая ASR‑модель может восстановить такой диалог достаточно точно. А теперь попросим систему оценить качество консультации. Менеджер ответил на вопрос? Да. Выяснил, какая CRM используется? Нет. Уточнил требования к интеграции? Нет. Назвал конкретный срок? Нет. Договорился о следующем действии? Нет.

1 мин чтения
Обложка: Как я написал линтер для Model Context Protocol (MCP) и нашел баги в официальных серверах Anthropic
ПродажиHabr AI

Как я написал линтер для Model Context Protocol (MCP) и нашел баги в официальных серверах Anthropic

Если вы пишете MCP-серверы для Claude Desktop или Cursor, то знаете, как легко поймать неочевидный баг: • Случайный console.log() в stdout ломает JSON-RPC протокол и наглухо вешает клиент. • Если у опасного инструмента (удаление БД/файлов) нет аннотации destructiveHint, агент выполнит его без подтверждения пользователя. • В описания инструментов можно зашить Prompt Injection, который заставит модель слить контекст. Написал mcp-linter (без единой сторонней зависимости, чистый Node.js/TS): — 34 правила проверки протокола и безопасности — Оценка здоровья сервера от A+ до F (0-100) — Генератор автоисправлений (–fix) — Экспорт в SARIF v2.1.0 для GitHub Security и готовый GitHub Action Попробовать в одну строку: npx mcp-linter – npx -y @modelcontextprotocol/server-memory Репозиторий: https://github.com/bakhtiyor-aminzoda/mcp-doctor Обезопасить себя

1 мин чтения