Как внедрение чат-ботов и CRM-систем помогает повышать эффективность бизнеса

DESIGN.md: новый стандарт от Google, который меняет правила вайб-кодинга

2026-04-28T09:44:54.709Z

Один markdown-файл, который заставляет AI-агентов рисовать UI в едином стиле бренда

Проблема, о которой все молчат

Вайб-кодинг работает отлично ровно до тех пор, пока речь идёт о логике. Просите Claude Code собрать API — собирает. Просите n8n-флоу — собирает. Просите интеграцию с Bitrix24 — собирает.

А потом начинается интерфейс. И каждый ваш промпт становится раздражением: «нет, тёплый терракотовый, не оранжевый», «отступы сделай поменьше», «шрифт Inter, я же говорил». На третьем экране агент уже снова угадывает ваши цвета. На пятом — у вас два разных оттенка primary в коде и три варианта скругления у кнопок.

Это не баг агента. Это отсутствие контракта.

Пока в проекте есть README.md для людей и AGENTS.md / CLAUDE.md для агентов — но нет файла, описывающего, как продукт должен выглядеть — каждая UI-задача начинается с того, что вы заново пересказываете бренд. Эту дыру 21 апреля 2026 года закрыл Google, открыв спецификацию DESIGN.md под Apache 2.0.

Что это такое

DESIGN.md — это plain-text markdown-файл, который кладётся в корень проекта рядом с README.md. Внутри — два слоя:

YAML front matter — машинно-читаемые design tokens: цвета в hex, типографика, скругления, отступы, компоненты. Точные значения, по которым агент рендерит UI.

Markdown-проза — человеко-читаемое обоснование «почему»: настроение бренда, философия, do's & don'ts, контекст применения каждого токена.

Без второго слоя получается ещё один JSON с цветами. Без первого — ещё один brand-гайд, который никто не парсит. Сила DESIGN.md именно в том, что LLM получает и точные значения, и семантику. Он знает, что #1A1C1E — это не просто тёмный, а «глубокая чернильная типографика для заголовков».

Формат родился внутри Google Stitch — AI-инструмента для генерации UI. В обновлении Stitch 2.0 (март 2026) появился экспорт/импорт правил между проектами через DESIGN.md. Уже через месяц Google вынесла спецификацию в открытый репозиторий google-labs-code/design.md. На момент написания у репозитория ~8 500 звёзд, статус — alpha, версия 0.1.0.

К спецификации идёт CLI-пакет @google/design.md с четырьмя командами:

npx @google/design.md lint DESIGN.md валидирует структуру, ловит broken-references и проверяет WCAG AA контраст (4.5:1) автоматически.

npx @google/design.md diff before.md after.md ловит регрессии на уровне токенов между версиями.

npx @google/design.md export --format tailwind генерирует готовый tailwind.config.js. Альтернатива — экспорт в W3C DTCG tokens.json, чтобы не привязываться к одному фреймворку.

npx @google/design.md spec выводит саму спецификацию — её можно инжектить в системные промпты агентов.

Зачем это автоматизатору

Если вы строите для клиентов кастомные интерфейсы поверх Bitrix24, генерируете лендинги через n8n-пайплайны, прототипируете чат-боты или Telegram-веб-эпки, DESIGN.md решает три конкретные боли.

Первая — повторение. Один раз описанный бренд перестаёт быть устной договорённостью. Агент в Claude Code, в Stitch, в Cursor читает один файл и не задаёт вопросов «какой у вас primary».

Вторая — дрейф. На пятом сгенерированном экране бренд начинает течь: оттенки разъезжаются, отступы у разных компонентов разные. С токенами и линтером отклонения ловятся автоматически, ещё до коммита.

Третья — фрагментация инструментов. До DESIGN.md каждый AI-инструмент имел свой проприетарный формат правил: Stitch-настройки, Cursor rules, Copilot instructions, Claude Skills. DESIGN.md — нейтральный текстовый формат, который читают все.

И отдельно: для тех, кто продаёт интеграции и автоматизацию, появляется новая продаваемая услуга. «Извлекаем DESIGN.md из текущего сайта клиента → согласованные кастомные интерфейсы в Битриксе» — это уже строчка в чеке, потому что у большинства клиентов с CRM-кастомизациями интерфейсы выглядят как набор разнородных модулей.

Skills для генерации DESIGN.md

За две недели после открытия спецификации в экосистему высыпалась куча инструментов. Делю по логике применения.

Для собственного бренда с нуля

JobYu/design-md-generator — Cursor Agent Skill, прямо позиционированный как «противоположность awesome-design-md». Поддерживает два режима: автономный (агент анализирует README, код, упоминания бренда — и собирает черновик сам) и guided interview (задаёт серию вопросов о продукте, аудитории, настроении — и собирает DESIGN.md из ответов). На выходе — четыре файла в папке design-system/: сам DESIGN.md, README.md для команды, preview.html и preview-dark.html. MIT-лицензия.

Skill VoltAgent для Claude Code (Issue #90 в awesome-design-md) — упаковывает весь репозиторий из 31 эталонного DESIGN.md в SKILL.md. Ставится в ~/.claude/skills/, активируется фразой «build me a page like Stripe» или «create a DESIGN.md for my app». Содержит blank 9-section template + 7 эталонных систем локально и 47+ подгружаемых по запросу.

Сам Google Stitch умеет сгенерировать стартовый DESIGN.md из текстового описания: «наш бренд минималистичный, синий и белый, Inter, чистые карточки». Не отдельный skill, а встроенная функция, но файл потом вытаскивается и коммитится в Git.

Для извлечения из существующего сайта

arvindrk/extract-design-system — простейший Claude Code skill, ставится одной командой claude skill add arvindrk/extract-design-system. 40 600 установок на момент проверки — самый популярный из расширительных. Под капотом Playwright.

jasonhnd/design-md-generator — Claude Code skill с двухфазной архитектурой: сначала Playwright детерминированно вытаскивает computed styles, CSS-переменные, шрифты, тени и состояния (zero-hallucination), затем Claude читает tokens.json и скриншоты и пишет семантическую часть.

SkillUI (npm CLI, v1.3.2) — генерирует пачку CLAUDE.md + SKILL.md + DESIGN.md + VISUAL_GUIDE.md упакованной в .skill-архив. Есть Ultra-режим с Playwright для захвата hover/focus/анимаций.

Официальный skill design-md от Google (в репозитории google-labs-code/stitch-skills) — следует Agent Skills open standard, работает в Claude Code, Cursor, Gemini CLI, Antigravity. Внутри пайплайн Retrieval → Extraction → Translation → Synthesis.

Для дизайнеров без терминала

DESIGN.md Generator Chrome extension и DESIGN.md Style Extractor от TypeUI — клик на иконку расширения на любом сайте, на выходе готовый DESIGN.md или SKILL.md в буфер обмена. Локально, без аккаунтов.

DESIGN.md Generator Figma plugin — извлекает из локальных Figma-стилей, не из CSS веб-страницы.

Когда встраивать DESIGN.md в процесс

Здесь у меня твёрдое мнение: между фиксацией бренд-направления и первой сгенерированной агентом UI-страницей. Раньше нечего описывать, позже придётся переписывать уже сделанное.

В стандартном вайб-кодинг-воркфлоу — research → PRD → technical spec → agent config → build — DESIGN.md встаёт между третьим и четвёртым шагом, в одном слое с AGENTS.md/CLAUDE.md. PRD отвечает на «что строим», technical spec — «на чём строим», AGENTS.md — «как агент работает», DESIGN.md — «как это выглядит».

Для нового продукта (greenfield) идеальная точка — когда есть PRD и mood/настроение бренда (минимализм vs тепло vs дерзко), но ещё ни одной кнопки в коде. Это превращает «vibe» в контракт до того, как агент начнёт делать выбор за вас.

Для уже существующего продукта триггер — первое серьёзное вовлечение AI-агентов в кодовую базу. До этого DESIGN.md — лишний документ. Как только подключаете Cursor или Claude Code — без DESIGN.md агент будет дрейфовать от существующего стиля. Здесь имеет смысл прогнать arvindrk/extract-design-system или SkillUI по своему текущему сайту, получить черновик и подровнять руками.

Сигналы, что пора: в последних пяти промптах вы повторяете одни и те же фразы про цвета и шрифты. Появился второй разработчик или агент, делающий UI параллельно. Подключаете Stitch, v0, Lovable, Bolt. Готовите MVP к показу.

Когда ещё рано: на стадии чистой идеи или discovery — нечего фиксировать. Прототипируете в Figma без AI и не планируете подключать кодовых агентов в ближайший месяц.

Когда уже поздно (и что делать): если у вас 200 компонентов в проде, дизайн-система в Figma и Storybook — DESIGN.md не «создаётся», а извлекается инструментами вроде SkillUI или dembrandt. На этом этапе он становится зеркалом существующей системы для агентов, а не источником истины.

И важный момент: DESIGN.md — живой документ. По аналогии с практикой ведения AGENTS.md, его пересматривают регулярно — после каждого нового компонента, после редизайна. Хороший паттерн — просить агента обновлять файл сразу после внедрения новой концепции в той же сессии.

Claude Design — конечная точка цепочки

17 апреля 2026 года Anthropic запустили Claude Design — отдельный продукт на claude.ai/design, где DESIGN.md является каноничным форматом входа. VoltAgent специально под него выпустила второй репозиторий, awesome-claude-design, с 68 готовыми DESIGN.md.

Загрузка идёт двумя путями.

Через Organization Settings (для всей организации): claude.ai/design/#org → клик на имя организации в нижнем левом углу → Create new design system → загружаете DESIGN.md в разделе Add assets → переключаете тоггл Published. Дальше каждый новый проект автоматически наследует ваши токены без повторной загрузки.

Через отдельный проект: новый прототип → прикрепляете DESIGN.md в чат → «Create a design system from this DESIGN.md». Сработает разово.

На основе одного DESIGN.md Claude Design за пять минут собирает полный пакет: README.md с brand-контекстом, colors_and_type.css с CSS-переменными и type scale, Google Fonts замены если шрифт проприетарный, превью-карточки для цветов, типографики и компонентов, рабочий UI-kit на маркетинговой странице, и — ключевое — SKILL.md, портативный skill-файл. Сохраняете его в свою папку скиллов, и любой следующий проект Claude Code или Claude.ai вызывает ваш бренд по slash-команде, без повторной загрузки и без расхода токенов на повторное чтение.

Системный промпт Claude Design (его утечка лежит в публичном gist) содержит фразу: «You MUST spend time trying to acquire design context, including components». То есть инструмент активно ищет structured design context — DESIGN.md идеально попадает в этот шаблон.

Идеальный стек на тарифе Claude Max

Для тех, кто уже сидит в экосистеме Anthropic на $100-тарифе, не нужно ничего покупать дополнительно. Стек складывается из четырёх слоёв.

Слой 1 — источник. Claude Project под каждый бренд. В каждый загружаете brand-материалы: скриншоты сайта, логотипы, голосовые гайды, существующие тексты. Memory ловит контекст бренда между сессиями. Дальше — кастомный skill design-md-ru в ~/.claude/skills/, собранный через skill-creator в Claude Code за час. Skill активируется фразой «создай DESIGN.md» и запускает интервью на русском: настрой бренда, ЦА, do's & don'ts. На выходе — DESIGN.md с YAML-токенами на английском (это стандарт) и markdown-прозой на русском (это семантика для русскоязычных агентов и людей).

Слой 2 — применение. Claude Design (claude.ai/design) для маркетинговых задач: лендинги, питч-деки, мокапы личного кабинета. Загружаете DESIGN.md как organization design system один раз — каждый новый прототип идёт в едином стиле. Claude Code для всего, что превращается в код. Artifacts в обычном чате claude.ai — для быстрых одноразовых превью без открытия тяжёлой Claude Design-тулы.

Слой 3 — хранение. GitHub-репозиторий с DESIGN.md в корне рядом с CLAUDE.md и AGENTS.md. Можно завести моно-репо design-systems/ с папками под каждый бренд. SKILL.md, который выдаст Claude Design после первой загрузки, сохраняйте в локальную папку скиллов — это делает бренд переиспользуемым во всей экосистеме Claude без расхода токенов.

Слой 4 — валидация. Через Claude Code запускаете npx @google/design.md lint DESIGN.md — линтер проверяет структуру, broken-references, WCAG AA контраст. Дальше npx @google/design.md export --format tailwind — готовый tailwind.config.js, который кидаете в любой проект.

Цикл выглядит так. Понедельник: Project в claude.ai, грузите brand-материалы. Понедельник вечером: активируете skill design-md-ru, проходите интервью, получаете черновик. Вторник: в Claude Code прогоняете lint, чините контраст, коммитите в GitHub. Вторник вечером: грузите в Claude Design как organization design system, публикуете. Среда: генерируете десяток прототипов в Claude Design — все в едином стиле. Четверг: handoff в Claude Code, код выходит на Tailwind с правильными токенами. Цикл повторяется один раз — дальше просто пользуетесь системой.

Что НЕ нужно покупать дополнительно

Cursor подписка избыточна — у вас Claude Code на Max покрывает те же задачи. Figma Professional не обязателен — для greenfield хватает DESIGN.md + Claude Design + Claude Code. SkillUI/dembrandt CLI добавляют ценность только если есть существующий сайт для извлечения. Платные Chrome-расширения дублируют web capture tool в Claude Design.

Подводные камни Claude Design

Только в браузере, не в десктопном приложении. Admin-активация для Team/Enterprise (для Pro/Max — сразу). Жрёт токены: одна загрузка DESIGN.md плюс пара итераций может съесть 50% недельной нормы Pro за раз. Совет: для простых правок переключайтесь на менее мощную модель. Не смешивайте бренды в одном проекте — Claude Design анкорит дизайн-систему к проекту.

Что делать сегодня

Если делать одно действие — создайте кастомный skill design-md-ru через skill-creator в Claude Code. Это инвестиция часа времени, которая окупится на каждом новом продукте, на каждом клиентском проекте по интеграциям, на каждом лендинге. Skill — это actually persistent leverage в экосистеме Claude, в отличие от одноразовых промптов или внешних инструментов.

Если делать ноль действий — добавьте в закладки google-labs-code/design.md и VoltAgent/awesome-design-md. Через месяц, когда экосистема устаканится и подтянутся Figma, v0, Bolt — вы вернётесь подготовленными.

Сейчас формат в alpha-статусе, спецификация ещё движется. Но история CLAUDE.md и AGENTS.md показала, что в эпоху coding-агентов простые markdown-конвенции в корне репозитория становятся стандартами быстрее любых JSON-схем. Тот, кто внедряет такие конвенции до их финализации, получает чистые рабочие процессы, пока конкуренты ещё переписывают промпты.

Как существенно сократить расход лимитов Claude

2026-04-28T08:31:40.190Z

Редактирование вместо новых сообщений — при необходимости исправления ответа редактируйте исходный запрос и регенерируйте, а не отправляйте новое сообщение. Это избегает повторного подсчёта всей истории беседы.

Новые чаты каждые 15-20 сообщений — с увеличением длины чата каждое сообщение становится дороже, так как Claude пересчитывает всю историю. Решение: начать новый чат, получив сначала резюме предыдущего.

Группировка вопросов в одно сообщение — вместо трёх отдельных запросов отправьте все три в одном. Это экономит на загрузке контекста и часто улучшает качество ответов.

Загрузка файлов в Projects — если вы используете одни и те же файлы многократно, загружайте их в Projects один раз. Токены кэшируются и не пересчитываются.

Использование Memory — сохраните информацию о себе (должность, стиль письма, предпочтения) в памяти или в .md файле, чтобы не повторять эту информацию в каждом чате.

Отключение ненужных функций — веб-поиск, research mode, extended thinking добавляют токены даже без необходимости. Включайте их только при нужде.

Выбор правильной модели — используйте Haiku для простых задач, Sonnet для повседневных, Opus только для сложных. Это критический фактор экономии.

Распределение работы в течение дня — лимит работает в окне 5 часов. Вместо одной сессии разбейте работу на 2-3 сессии, чтобы предыдущее использование выходило из окна.

Google исправила самую серьёзную проблему парсинга веб-сайтов с помощью ИИ-агентов

2026-04-10T07:49:43.571Z

Проблема с текущим подходом к AI-агентам: Существующие ИИ-помощники взаимодействуют с веб-сайтами через скриншоты, что крайне неэффективно — требует 40-60 тысяч токенов для простого поиска, стоит дорого и часто ошибается (30-40% отказов). Альтернативный подход — разбор HTML кода — тоже неудовлетворителен, так как потребляет много контекста и не справляется с динамическими приложениями. Веб был создан для человеческого взаимодействия, а не для машинной автоматизации.

WebMCP как решение: Google представила WebMCP (Web Model Context Protocol) — стандарт W3C, разработанный совместно с Microsoft. Это протокол позволяет веб-сайтам напрямую предоставлять структурированные инструменты ИИ-агентам через API браузера navigator.modelContext. Решение обеспечивает 89% улучшение эффективности по токенам и 98% успешность выполнения задач вместо прежних 30-40%.

Два способа интеграции:

Декларативный API — добавление трёх атрибутов (toolname, tooldescription, toolautosubmit) к HTML-формам. Это минимальная работа, требуется только добавить атрибуты к существующему коду.
Императивный API — использование navigator.modelContext.registerTool() для регистрации сложных инструментов на JavaScript. Позволяет переиспользовать существующий фронтенд-код без дублирования логики.

Практическая реализация: Интеграция занимает менее часа: включение флага в Chrome 146 Canary, установка полифилла @mcp-b/global, регистрация инструментов для критичных пользовательских сценариев. На примере сайта бронирования авиабилетов регистрируются инструменты поиска, получения деталей и бронирования.

Безопасность: WebMCP работает на принципе разрешений. Браузер действует как медиатор безопасности и требует подтверждения пользователя перед выполнением инструментов. Инструменты наследуют границы безопасности страницы (same-origin policy) и используют существующие сессионные данные. Это безопаснее скриншот-подхода, так как ИИ-агенты видят только явно определённые инструменты.

Значение и перспективы: WebMCP означает парадигмальный сдвиг в веб-архитектуре — каждый сайт становится API. Это повлияет на разработчиков (упростит архитектуру), пользователей (будут выполняться сложные многошаговые задачи) и бизнес (агент-ориентированный веб станет обязательным, как мобильный дизайн в 2012 году). Сейчас это в ранней стадии (Chrome 146 Canary), но полная поддержка ожидается в 2026 году.

WebMCP vs MCP Anthropic: Это разные инструменты: MCP от Anthropic — серверный протокол для подключения к бэкенд-сервисам, WebMCP — клиентский, работает в браузере с фронтенд-кодом. Они дополняют друг друга.

Революционность WebMCP не в том, чтобы «отнять» трафик у сайтов, а в смене парадигмы: от поиска информации мы переходим к выполнению задач.Вот почему это выгодно владельцам сайтов и в чем реальный прорыв:1. От «кликов» к «конверсиям»Владельцам бизнеса (магазинам, сервисам, авиакомпаниям) на самом деле нужны не «заходы» сами по себе, а покупки и бронирования.

Раньше: Пользователь мог уйти с сайта, запутавшись в сложном интерфейсе.
С WebMCP: ИИ-агент доводит пользователя до оплаты внутри чата, вызывая функцию createOrder напрямую. Для бизнеса это рост продаж при снижении затрат на поддержку.

2. Смерть «мусорного» скрейпинга

Сейчас ИИ-боты массово «парсят» сайты, создавая огромную нагрузку на сервера и воруя контент.

WebMCP позволяет сайту сказать: «Не сканируй весь мой код, вот тебе список функций (API), работай только с ними». Это экономит ресурсы сервера и дает владельцу контроль над тем, что именно видит ИИ.

3. Веб как единая операционная система

Революция в том, что браузер превращается из «читалки страниц» в интерфейс для агентов.

Сайт становится набором «навыков» (skills).
Вы можете сказать ИИ: «Сравни цены на эти кроссовки в трех магазинах и закажи там, где быстрее доставка». Если сайты поддерживают WebMCP, ИИ сделает это мгновенно и безошибочно. Это новый уровень UX (пользовательского опыта).

4. Монетизация «агентского» трафика

Google и другие гиганты разрабатывают способы, как помечать такие визиты. Владельцы сайтов смогут:

Показывать рекламу прямо внутри ответов ИИ.
Брать плату за доступ к своим WebMCP-инструментам (как за Premium API).

Резюме

Революция в том, что сайт перестает быть просто «картинкой с текстом» и становится программным модулем, который понимает любой ИИ. Это превращает хаотичный интернет в структурированную базу инструментов.

Всемирная антигравитация

2025-11-19T08:33:05.864Z

Google представил релиз Gemini 3.0 и новой IDE Google Antigravity, которые автор считает одним из самых значимых AI-событий года.

Gemini 3.0 — это новая флагманская мультимодальная модель Google:

1 млн токенов контекста, выдача до 64 тыс. токенов за раз.
Поддержка текста, изображений, аудио, видео и кода.
Использует sparse mixture-of-experts архитектуру (активируются только нужные «эксперты», как команды внутри большой компании).
Доступна в приложении Gemini, AI Studio, Vertex AI, CLI и в поиске Google.
По результатам бенчмарков обходит основные конкуренты (GPT-5, Claude 4.5, Grok 4.1) по reasoning, мультимодальности и кодингу.

Antigravity IDE — новая агентно-ориентированная среда для разработки:

Фокус не на файлах, а на задачах и агентах, умеющих самостоятельно планировать, писать, тестировать и валидировать код на разных этапах.
Поддерживает несколько моделей: Gemini 3, Claude Sonnet 4.5, GPT-OSS.
Встроенный браузер, терминал и редактор под управлением агентов.
Агент может полностью реализовать приложение или фичу по описанию разработчика, ведя всю логику и диалог.
Интерфейс agent-first, в отличие от классической IDE с навигацией по файлам.

Новые фичи и возможности Gemini 3:

Генерация интерактивных UI, визуальных и функциональных интерфейсов по запросу.
Новые режимы: Dynamic View и Visual Layout для генеративных интерфейсов.
Специализированные API: управление глубиной reasoning, resolution для media, strcuctured outputs.

Безопасность и лимитации: Gemini 3 показывает меньшую склонность к галлюцинациям и повышенную защиту от prompt injection. Основные ограничения — возможные вымышленные факты, замедления при сложных запросах, потеря контекста в очень длинном диалоге.

Пока видится единственный минус: ограниченный набор подключаемых языковых моделей. Хотя с другой стороны, флагманская Gemini 3 Pro, возможно, за счёт качества кода и скорости разработки сделает все остальные модели ненужными (но это неточно ;-)).

В сухом остатке: Google с Gemini 3 и Antigravity IDE совершает стратегический шаг к тотальному покрытию AI-инфраструктуры для разработчиков — интеграция моделей в повседневные сервисы и ставку на полуавтоматическую агентную разработку, выходя в лидеры по многим бенчмаркам рынка.

n8n или dify?

2025-11-18T10:37:31.035Z

Модная концепция сервисов в формате self hosted открыла известный ящик, из которого иногда выпрыгивают довольно мощные разработки для автоматизации бизнес-процессов.

Возник вопрос, а может ли новый многообещающий проект Dify, заточенный на работу с языковыми моделями и разработку ИИ-приложений, полностью заместить ставший очень популярным n8n (у которого работа с ИИ построена не так удобно)?

Решил разобраться в вопросе.

n8n — это открытая платформа, позиционирующаяся как универсальный движок автоматизации бизнес-процессов. Её ДНК восходит к идеологии Node-RED и Zapier: конечная цель — соединить почти любые системы и сервисы через API-интеграции, обработать данные, применить логику и запустить действия. n8n рассматривает AI как дополнительный инструмент в наборе (встроенные LLM-интеграции, обработка текста), но не ставит AI в центр своей архитектуры.

Dify — это AI-нативная платформа для разработки приложений на базе больших языковых моделей (LLM). Её архитектура "Beehive" (с версии 0.4.0) специально спроектирована для управления LLM-приложениями: оркестрация моделей, построение RAG-систем, управление промпт-цепочками, агентами и память контекста. Dify рассматривает традиционную автоматизацию как вспомогательную функцию.

Ядро рабочего процесса

Типы рабочих процессов

n8n предлагает один универсальный тип: Workflow (с визуальным редактором + возможностью писать JavaScript/Python).

Dify предлагает многоуровневые типы для разных сценариев:

Workflow — autonomous AI workflows с drag-and-drop
Chatflow — workflow с памятью и интерфейсом чатбота
Chatbot — быстрое создание LLM-чатбота (простая конфигурация)
Agent — интеллектуальный агент с итеративными рассуждениями и Function Calling
Text generation — ассистент для текстогенерации

Этот многоуровневый подход позволяет выбрать сложность в соответствии с задачей: если нужен простой чат, не нужно проектировать полноценный workflow.

Модель управления интеграциями

n8n: 400+ встроенных коннекторов к CRM, ERP, базам данных, маркетинг-платформам. Это дефакто стандартная база. Расширяется через пользовательские ноды (custom nodes).

Dify: Сосредоточена на AI-ориентированных интеграциях: подключение моделей (OpenAI, Claude, Qwen, DeepSeek, локальные LLM), knowledge bases (RAG), APIs для инструментов. С версией 0.4.0 поддерживает OpenAPI Specification и MCP (Model Context Protocol) серверы.

Практический пример интеграции:

Если нужно вытащить данные из Битрикс24, преобразовать их и отправить в Telegram — n8n это нативно решает через готовые коннекторы.
Если нужно вытащить данные, передать их в LLM для анализа, используя при этом custom knowledge base, а результат вернуть в формате markdown — Dify это решает более элегантно, но для Битрикс24 может потребоваться доп. настройка API.

Целевая аудитория и сложность

Суть: n8n требует "думать в категориях потока данных и систем", Dify требует "думать в категориях моделей и контекста".

Развёртывание и контроль данных

Для организаций с жёсткими требованиями compliance (финсектор, государство) — n8n предпочтительнее благодаря полному on-prem контролю.

Ключевые функциональные различия

Автоматизация и оркестрация

n8n превосходит в сложных многошаговых автоматизациях:

Условная логика, циклы, параллельное выполнение, вложенные workflows (sub-workflows)
Scheduling, webhooks, event-driven triggers
Пакетная обработка данных (batch jobs)
Экспорт данных из БД → отправка по расписанию

Dify ограничена в классической автоматизации:

Базовые триггеры (вебхук, чат)
Ограниченные опции для scheduling
Лучше для синхронных или квази-асинхронных потоков

Управление LLM и AI

Dify кардинально превосходит:

Встроенная система переключения моделей
Управление версиями промптов и A/B-тестирование
RAG Engine: модульная архитектура с ETL, embedding, indexing, retrieval
Встроенная оценка (evaluation) результатов AI
Context injection, memory management для многооборотных диалогов
Function Calling: более гибкое назначение tools для агентов (поддерживает любые модели через workarounds)

n8n требует ручной конфигурации:

LLM вызывается через обычный API-ноду
Function Calling требует пользовательской логики
Нет встроенного RAG-движка (нужно интегрировать внешние сервисы)
Нет встроенной системы управления промптами

Блоки задач: Когда использовать что

n8n идеален для:

Корпоративная интеграция систем — соединение CRM, ERP, HR-систем, баз данных, маркетинг-платформ в единую автоматизацию.
Пакетные данные-pipelines — экспорт из БД каждый час → обогащение → отправка в другую систему.
Event-driven автоматизация — при события в Jira создать задачу в Notion, отправить Slack-notification.
Backend-focused workflows — когда человек не участвует, это чистая система-на-систему автоматизация.
Комбинированные AI + Automation — например, "обработать данные → запустить AI-анализ → сохранить результат в БД → отправить отчёт". Здесь n8n может соединить всё в одном workflow.
Complex logic — множество условных операторов, циклов, вложенных процессов.

Практический пример n8n:

Trigger: Каждый день в 9:00 → Получить список лидов из CRM → Обогатить данные (API external service) → Сегментировать по score (JS-ноде с условиями) → Для каждого сегмента: отправить email, обновить поле в CRM → Залогировать результат в Google Sheets

Dify идеален для:

LLM-приложения с Rich AI — многооборотные чаты, AI-ассистенты, где контекст и память критичны.
RAG-системы — документ-ориентированные ассистенты, где нужно интегрировать knowledge base и LLM.
Агентные системы — когда AI должен автономно выбирать инструменты, думать и действовать.
Быстрое прототипирование LLM-приложений — с нуля до production за часы, не дни.
Управление версиями и оценка промптов — A/B-тестирование разных версий LLM-приложений.
Опыт пользователя (UX)-ориентированные потоки — где пользователь активно участвует в диалоге.

Практический пример Dify:

Chatflow: Пользователь задаёт вопрос → Поиск в knowledge base (RAG) → Передача контекста + истории чата в LLM → LLM выбирает инструмент (например, "поиск в БД" или "generate report") → Выполнение инструмента → LLM формирует финальный ответ с контекстом → Ответ пользователю + сохранение в memory

Гибридные сценарии: Комбинирование n8n + Dify

Наиболее мощный подход для предприятия — использовать оба инструмента в тандеме:

Сравнительная таблица

Финальный вывод

Нет, это специализированные инструменты:

n8n — универсален для системной интеграции и автоматизации, но неоптимален для LLM-ориентированных задач (требует слишком много ручной работы).
Dify — универсален для AI-приложений и LLM-оркестрации, но не заменяет n8n для backend-автоматизации (недостаёт интеграций).

Блоки задач:

n8n-домен: Интеграция систем, пакетная обработка, сложная логика, event-driven workflows, multi-step automations.
Dify-домен: Чаты, RAG-системы, агенты, управление версиями промптов, многооборотные диалоги, прототипирование LLM-приложений.

Рекомендация для разработчика с вашим профилем:

Учитывая ваш опыт с n8n и интерес к AI/ML, оптимальная стратегия:

n8n для основного слоя автоматизации (workflow, интеграции, scheduling).
Dify как специализированный микросервис для LLM-задач (опубликовать как API из Dify, вызывать из n8n).
Это даёт лучшее из двух миров — мощность n8n в интеграциях и лучший UX Dify для AI.

Google готовится выпустить Gemini 3.0 Pro уже на следующей неделе. Что ожидается

2025-11-17T10:18:40.232Z

Gemini 3.0 Pro — следующий флагманский ИИ от Google, значительно опережающий предыдущие версии по возможностям:

Контекстное окно до 1 млн токенов: модель сможет эффективно работать с большими массивами данных, кодом или книг.
Улучшенное структурированное рассуждение: появилась способность пошагового решения сложных задач и самокоррекции.
Впечатляющая генерация SVG и UI: Gemini 3 Pro, по тестам, обходит конкурентов (Claude 4.5 Sonnet) при создании сложных SVG и фронтенд-компонентов.
Мультимодальная обработка (текст, изображения, код, аудио, видео) — новая архитектура multi-tower.

Сравнительные тесты:

Модель занимает топовые позиции на тестах ARK AGI 2 и Kingbench, но официальные тесты ещё не опубликованы.
В ряде задач Gemini 3 Pro пока отстаёт по консистентности, однако сильно выросла в креативности.

Nano Banana Pro:

Анонсирован как отдельный продукт для генерации изображений профессионального уровня (расширение успеха Nano Banana на базе Gemini 2.5).
Нацелен прежде всего на медиа-агентства и создателей контента: улучшенное качество и интеграция с Google Vids, Slides и другими Workspace-инструментами.
Предположительно, “Pro”-версия будет работать на полной мощности Gemini 3 Pro.

Общий вывод: релиз Gemini 3 Pro и Nano Banana Pro — это стратегический ответ Google на решения от OpenAI (GPT-5 Codex) и Anthropic (Claude 4.5 Sonnet). Ожидается глубокая интеграция ИИ во всю экосистему Google, включая Vertex AI и программируемые агенты корпоративного уровня.

Официальные спецификации, цены и финальные тесты появятся после релиза. Все выводы основаны на публичных утечках и раннем тестировании.

GPT-4o mini. Love this game

2024-07-18T20:00:31.222Z

Новость-молния: OpenAI выпустил облегчённую версию GPT-4o

1. Доступность и экономичность:

GPT-4o mini позиционируется как самая экономичная модель от OpenAI, призванная сделать ИИ доступнее.
Стоимость использования модели составляет 15 центов за миллион входных токенов и 60 центов за миллион выходных, что значительно дешевле GPT-3.5 Turbo и других передовых моделей.
"Мы ожидаем, что GPT-4o mini значительно расширит спектр приложений, построенных с использованием ИИ, сделав интеллект гораздо более доступным."

2. Возможности и производительность:

GPT-4o mini демонстрирует превосходные результаты в задачах, связанных с текстом и мультимодальными рассуждениями, превосходя GPT-3.5 Turbo и другие небольшие модели.
Модель поддерживает те же языки, что и GPT-4o, и показывает высокую производительность в таких задачах, как извлечение структурированных данных и генерация ответов в электронной почте.
"GPT-4o mini превосходит GPT-3.5 Turbo и другие небольшие модели по академическим тестам как по текстовому интеллекту, так и по мультимодальным рассуждениям".
GPT-4o mini имеет окно контекста 128 тыс. токенов, поддерживает до 16 тыс. выходных токенов на запрос и обладает знаниями до октября 2023 года.
В будущем планируется добавить поддержку изображений, видео и аудио.

3. Безопасность:

Безопасность заложена в основу модели с самого начала и подкрепляется на каждом этапе разработки.
GPT-4o mini использует те же меры безопасности, что и GPT-4o, включая фильтрацию данных, обучение с подкреплением на основе отзывов пользователей (RLHF) и привлечение внешних экспертов для выявления потенциальных рисков.
"Безопасность встроена в наши модели с самого начала и подкрепляется на каждом этапе нашего процесса разработки."

4. Доступность и дальнейшие планы:

GPT-4o mini уже доступна в API Assistants, Chat Completions и Batch API, а также в ChatGPT (Free, Plus, Team).
В ближайшее время планируется добавить возможность тонкой настройки модели.
OpenAI стремится к дальнейшему снижению стоимости и повышению возможностей моделей, делая ИИ неотъемлемой частью повседневной жизни.

5. Сравнение с другими моделями:

Оцените сравнительные данные по производительности GPT-4o mini, Gemini Flash, Claude Haiku, GPT-3.5 Turbo and GPT-4o в различных тестах, таких как MMLU, MGSM, HumanEval и MMMU.
GPT-4o mini показывает лучшие результаты в большинстве тестов.

В целом, GPT-4o mini представляет собой значительный шаг вперед в области доступного и эффективного ИИ, открывая новые возможности для разработчиков и пользователей.

Google NotebookLM. Отличные новости

2024-07-15T19:34:07.180Z

Для тех, кто работает с материалами в сети.

Google запускает NotebookLM в более чем 200 странах, включая Россию. NotebookLM - это AI-приложение для заметок, работающее на базе языковой модели Gemini от Google. Оно призвано улучшить процесс сбора, организации и поиска информации. Отличительной особенностью NotebookLM является возможность загружать документы и задавать вопросы по их содержанию. Приложение предоставляет точные ответы с указанием источников информации, а также умеет суммировать документы и создавать тезисные конспекты. NotebookLM интегрируется с другими сервисами Google, такими как Google Drive, и доступен бесплатно для всех пользователей с аккаунтом Google.

Как NotebookLM отличается от Notion?

NotebookLM и Notion - это инструменты для создания заметок, но NotebookLM отличается от Notion тем, как он работает с информацией. Вот основные отличия:

NotebookLM фокусируется на анализе загруженных документов, в то время как Notion больше подходит для создания заметок с нуля и организации информации. С помощью NotebookLM можно загружать различные файлы, такие как документы Google, PDF-файлы и текстовые файлы, а затем задавать вопросы по их содержанию. Notion же предоставляет более широкие возможности для форматирования текста, создания таблиц, баз данных и других элементов, что делает его похожим на цифровой блокнот.
NotebookLM использует искусственный интеллект (ИИ) для анализа и синтеза информации из загруженных документов, в то время как Notion полагается на возможности пользователя по организации и обработке информации. NotebookLM может создавать краткие содержания, предлагать вопросы по тексту и находить нужную информацию, основываясь на контексте загруженных документов. Notion же предоставляет инструменты для организации информации, но не обладает функциями ИИ для ее анализа.
NotebookLM тесно интегрирован с другими сервисами Google, такими как Google Drive, что делает его удобным инструментом для пользователей экосистемы Google. Notion, с другой стороны, позиционируется как независимая платформа.
Таким образом, NotebookLM больше подходит для работы с большими объемами информации, уже имеющимися в электронном виде, в то время как Notion больше подходит для создания заметок с нуля, организации проектов и совместной работы.

В NotebookLM можно загрузить до 50 источников на каждый блокнот. Каждый источник может содержать до 500 000 слов.

Чтобы использовать NotebookLM, необходимо иметь аккаунт Google. Сервис бесплатен. Интеграция с Google Drive и другими сервисами Google может улучшить работу с приложением, особенно для профессионального использования.
Важно отметить, что, хотя NotebookLM может получать доступ к Google Drive, Google утверждает, что не использует никакие данные, загруженные пользователями в NotebookLM, для обучения своих алгоритмов.
Любая личная или конфиденциальная информация в ваших источниках будет оставаться конфиденциальной, если вы не решите поделиться своими источниками с соавторами.

При разработке NotebookLM использовалась языковая модель Gemini от Google. Эта модель является новейшей разработкой Google и поддерживает контекстное окно размером до 1 миллиона токенов. Большая размер окна контекста позволяет модели "запоминать" больше информации из загруженных документов и точнее отвечать на вопросы пользователя.

Основная цель, которую преследовали разработчики NotebookLM, - улучшить то, как люди фиксируют, упорядочивают и находят информацию, решая проблемы, связанные с традиционным ведением заметок.

Существуют следующие проблемы традиционных методов ведения заметок:

Неэффективность: Традиционные методы могут быть медленными и трудоемкими, особенно при работе с большими объемами информации.
Трудности с организацией: Сложно упорядочивать большие объемы информации, что затрудняет поиск нужных данных в дальнейшем.
Времязатратность поиска: Поиск конкретных данных в больших объемах заметок может занимать много времени.

NotebookLM призван решить эти проблемы, предлагая следующие преимущества:

Организация и поиск информации: NotebookLM позволяет загружать документы и создавать несколько блокнотов по конкретным темам, а затем быстро находить нужную информацию с помощью запросов.
Автоматическое обобщение и создание заметок: ИИ может суммировать документы, создавать планы и генерировать заметки из источников, что экономит время и силы пользователя.
Повышенная достоверность: Встроенные цитаты позволяют пользователям проверять источник информации, что повышает надежность заметок.
В целом, разработчики NotebookLM стремились создать инструмент, который сделает ведение заметок более эффективным, организованным и удобным, используя возможности искусственного интеллекта для решения известных проблем традиционных методов.

Настоятельно рекомендую попробовать (с неевропейским ВПН)

Или настройте программу YogaDNS.

Геткурс + Битрикс24. Прохождение курсов и синхронизация с CRM-системой

2024-06-27T15:54:52.121Z

Уффф... Вот это кейс! Синхронизация работы GetCourse с Битрикс24.

В наше агентство поступил нестандартный запрос. Нужно освободить кураторов от ручного ведения прохождения курсов учениками. Оно велось в таблице гугл с периодическим ручным отслеживанием в геткурсе. Это нужно, чтобы ученики проходили курс до конца и попадали на следующий этап - продажа клубной подписки. Та ещё работка.

После прохождения курса заказчик планировал переводить учеников в воронку продажи участия в закрытом клубе. А делать продажи, как известно, лучше в сервисе, который для этого предназначен. То есть, CRM-система.

Задача

Переводить заказы учеников в CRM-систему
В автоматическом режиме отслеживать прохождение курсов учениками, бодрить их сообщениями в Телеграме, оповещать кураторов с тем, чтобы они активировали учеников с помощью коуч-сессий.

Сложность заключалась в том, что у Геткурса не такой развитый API. По этой причине в Маркете Битрикса не нашлось приложений, которые могли бы хоть как-то решить задачу. Поэтому предстояло парсить названия заказов и распределять их по отдельным воронкам в битриксе (под каждый из четырёх курсов была сделана своя воронка). Ведь ученик мог купить как отдельный курс, так и пакет.

При переходе с модуля на модуль с помощью процессов Геткурса получаем информацию в битриксе и переводим с этапа на этап.

Как решили

Стандартных средств и тарифных возможностей было недостаточно. Реализовали с помощью сервиса n8n и базы данных MySQL как дополнительных инструментов. Получился приличный набор сценариев, который помог обойти функциональные ограничения.

Помимо реализованного алгоритма для регистрации новых учеников смогли перенести базу клиентов, уже проходящих обучение.

В общем, вывели работу заказчика на новый уровень 👍

Кстати, схема универсальная: точно так же может быть реализована в связке с amoCRM 🔥

Вам надо?

Если у вас есть похожая задача, мы знаем, как её решить. Напишите нам на почту khibinytime@mail.ru.

Академия трекеров, (кейс, чат-бот помог увеличить выручку)

2024-06-11T14:26:35.123Z

Вот приятно такое читать про свою работу нашего агентства, ей-богу :). Привожу почти дословно про чат-бота для "Академии трекеров", с помощью которого кратно упростили процедуру тестирования для получения гранта на обучение на курсе "Трекер предпринимателей" и увеличили выручку. Реализовали на конструкторе Salebot. Здесь всё: квизы, нейросети, интеграция с гугл-таблицами. Передаю слово маркетологу Академии Екатерине Долженко :) 👇

Вход в курс Академии всегда был через тестирование. Начинали с теста в гугл-таблицах, потом сделали тестирование в поп-апе на сайте, потом сделали имитацию чата на отдельной странице сайта, где задавали вопросы и получали ответ, теперь чат-бот в телеграм.

Раньше мы вели рекламу на сайт, пользователь должен был прочитать весь сайт и внизу увидеть, что у нас можно пройти тест и получить грант на обучение.

Из 100% людей, которые начинали тестирование на сайте в чат-боте, заканчивали его 20%. Сотни тысяч в трубу 🙂.

Сейчас мы сделали тест - часть рекламы из телеграм-каналов вели на сайт и там в трех местах была кнопка для перехода в чат-бота. Часть рекламы вели сразу в бота.

Результаты:
Конверсия в активацию бота в телеге, без смены площадки, естественно, лучше. 140 руб. старт бота, в среднем.

Доходимость в боте до конца составила 39%, что в 2 раза выше, чем в предыдущем варианте. При том, что вопросов стало в 3 раза больше + тестирование идет этапами (сегодня ответил на вопросы первого этапа, через неделю открылся второй и так далее). И С ЭТИМ ВСЕМ +20% к доходимости!

3% людей не захотели ждать окончательных результатов и купили курс, воспользовавшись небольшим промокодом в благодарность за участие.

Раньше из 100% выданных грантов на частичную оплату обучения, им пользовались примерно 15-30%. Сейчас 50%.

Влияние чат-бота в деньгах - плюс 500 000 рублей к запланированной сумме. Это и люди, которые воспользовались грантом и доплатили по паре тысяч, и люди, которые благодаря боту убедились в адекватности материалов и легче решились на покупку более дорогого тарифа.

Благодаря обученному chatGPT не пришлось тратить время на проверку ответов, а это 4007 ответов на вопросы первого этапа, 1072 на вопросы второго этапа, 180 - вопрос третьего этапа.

Статистика, в целом, стала прозрачной - мы видим, сколько человек зашло и сколько теряется с каждым новым вопросом. Есть данные - значит можем принимать решения. Раньше их не было - только вручную считать и вести учет.

Также бот решил нашу давнюю проблему - люди могли пройти тест на сайте/в чате и забывали о нем, пока мы не пришлем письмо с итогами. С емейл-рассылками нам не удается подружиться, а вот сделать рассылки для бота оказалось несложно 🙂. Присылали полезные материалы раз в несколько дней, что позволило людям не забывать о предстоящих этапах и получать пользу. То есть смогли вовлечь людей.

Теперь отслеживаются utm-метки и метки с тг-каналов. Значит, можно точно посчитать стоимость активации, количество продаж с конкретного канала, качество аудитории (!!!) и вообще изучить весь путь конкретного пользователя бота.

И отдельно обязательно упомянуть табличку гениальную, которая была сделана чётко по нашим хотелкам: и с метриками, и с рейтингом, который подтягивался на тильда-сайт, и возможностью ставить часть оценок вручную, которые потом пробрасывались в бота.

Чудо-юдо-рыба-табличка-бот )))!