Продажи

Glafira for Apache Kafka: открытый desktop-клиент на Rust, который даёт LLM читать кластер, но не трогать его

Обложка: Glafira for Apache Kafka: открытый desktop-клиент на Rust, который даёт LLM читать кластер, но не трогать его

Glafira for Apache Kafka — бесплатный desktop-клиент для Kafka под macOS, Windows и Linux: Tauri 2, Rust, librdkafka, код открыт под Apache 2.0. Просмотр сообщений с фильтрами и JSONPath, Producer с шаблонами, consumer-сессии, топики, группы, сброс оффсетов и встроенная проверка кластера. Самое интересное — MCP-шлюз для LLM. Claude, GigaCode, Cursor или любой другой клиент с поддержкой MCP подключается к Glafira, читает метаданные кластера, находит проблемы, оставляет замечания и предлагает изменения. Применить что-либо модель не может: у неё физически нет ни одного изменяющего инструмента, а предложение открывается заполненной формой, где кнопку нажимает человек. В статье — как это устроено, почему это гарантия, а не обещание, и два настоящих диалога с Claude Code.

Читать далее

ZOLT JOURNAL / ДАЛЬШЕ

ПродажиHabr AI

Пентест AI-компонентов: какие уязвимости искать и что с ними делать CISO

Автор статьи — Игорь Соколов, специалист АБП2Б. Материал посвящён уязвимостям AI-компонентов, практическим сценариям атак и вопросам безопасности при интеграции искусственного интеллекта в корпоративные системы. Еще недавно AI в веб-приложении чаще всего представлял собой чат-бота, который отвечал на вопросы пользователей. Сегодня ему доверяют гораздо больше: подключают к внутренним документам, корпоративной почте, CRM и базам данных, а иногда даже разрешают самостоятельно выполнять действия. При этом для сотрудников изменения могут выглядеть совершенно незначительными. В корпоративном портале появился умный поиск, в CRM добавили помощника, а служба поддержки начала автоматически обрабатывать обращения. Вроде бы ничего принципиально нового — просто привычные инструменты стали удобнее. Но с точки зрения информационной безопасности ситуация изменилась гораздо сильнее, чем кажется.

Обложка: Прогнозирование спроса: ни больше, ни меньше
ПродажиHabr AI

Прогнозирование спроса: ни больше, ни меньше

Прогноз продаж сродни прогнозу погоды — его можно построить лишь в определенном приближении. Десятки тьсяч позиций, тысячи площадок, промоакции, логистические и другие факторы влияния — можно учесть максимум мелочей, и все равно остаются случайности, которые не укладываются ни в одну формулу. Однако даже если идеал недостижим, можно построить прогноз, который будет отклоняться от него совсем незначительно. Меня зовут Юлия Трусова, я руководитель домена Логистика в Lenta Tech. В этой статье я расскажу, как устроено прогнозирование спроса и как современные методики помогают свести эту погрешность к минимуму. Тем, кто захочет углубиться в тему и технические подробности, может быть интересен наш материал «Как машинное обучение помогает «Группе Лента» прогнозировать спрос»

Обложка: Какие вопросы клиенту стали неприличными в эпоху нейросетей: ревизия методики продаж Рекхэма
ПродажиHabr AI

Какие вопросы клиенту стали неприличными в эпоху нейросетей: ревизия методики продаж Рекхэма

Методике продаж Нила Рекхэма почти 40 лет, а продажи за это время успели сильно поменяться. С нейросетями собрать информацию о клиенте (чем занимается компания, какой у неё оборот, сколько продавцов) стало делом нескольких минут. Если после этого спросить заказчика о том, что лежит на его же сайте, в лучшем случае он удивится, в худшем поднимет продавца на смех. Мы поговорили с практиком о том, какие вопросы из методики ещё работают в продаже сложных систем, а какие пора оставить в прошлом.