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.

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.

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.

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.

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.

AI Jason. Покрывает ровно тот стек, за который выступает статья — query translation, гибридный retrieval, reranking и corrective-RAG цикл — в одной запускаемой сборке. Полезно как рабочая ментальная модель того, как выглядит пайплайн chunk → rerank → answer, когда он реально делает свою работу.

IBM Technology. Отъезжает от prompt injection к более широкому OWASP Top 10 для LLM — небезопасная обработка вывода, утечка чувствительной информации, избыточная агентность — ровно тот каталог режимов отказа, который нужно держать в голове, прежде чем выдавать scope на Gmail или HubSpot чему-либо.

IBM Technology. Пример Джеффа Крума с «купи SUV за $1» — самое чистое 10-минутное объяснение того, почему прямой и непрямой prompt injection — это разные проблемы и почему фильтрация не решает полностью ни одну из них. Прямо подходит к тезису статьи: нужны минимальные привилегии scope, выделенный аккаунт под агента и человек в цикле на всех необратимых действиях — а не более хитрый system prompt.

Bart Slodyczka. Практический воркфлоу в n8n, который подключается к Zendesk, Gorgias или Freshdesk, отвечает на тикеты RAG-обоснованным ответом и возвращает решённые тикеты обратно в базу знаний. Ближайшее совпадение на YouTube с архитектурой, которую описывает статья.

Liam Ottley. Агенты клиентской поддержки — это хлеб с маслом Лиама, и значительная часть этого курса отдана под RAG-обоснованных чат-ботов, логику эскалации и no-code стек, который он использует с реальными клиентами (Botpress, Voiceflow, Make, n8n). Раздел «анатомия агента» в частности ложится почти один-в-один на структуру статьи: триаж → ответ → действие → передача.

Nate Herk | AI Automation. Нейт — один из самых просматриваемых практиков именно по n8n, и этот мастер-класс идёт глубже, чем праймер Futurepedia: память, мультиагентные конфигурации, обработка ошибок, реальные бизнес-процессы. Берите его, когда ваш агент триажа лидов уже работает, и хочется его расширить.

OpenAI. Три минуты с командой o1, которая описывает момент, когда модель начала ставить под сомнение собственные рассуждения во время RL-обучения. Полезно как первоисточник к утверждению статьи, что chain-of-thought теперь происходит внутри модели, а не в вашем промпте.

AI Explained. Самое ясное объяснение без хайпа того, почему o1 (и по аналогии o3, R1, Claude extended thinking) обучен на корректность, а не на предсказание следующего токена, и что это значит для того, как с ним разговаривать. Посмотрите это, и совет статьи «перестаньте говорить think step by step, начните писать спецификацию» перестанет казаться произвольным.

Yannic Kilcher. Янник проходится по оригинальной статье Tree-of-Thoughts из Princeton/DeepMind — циклу generate-score-prune-backtrack, почему он поднимает точность на Game of 24 с 4% до 74% и где техника перестаёт быть оправданной при её 10-кратной стоимости в токенах. Полезно ровно тем, что заставляет увидеть ToT как алгоритм поиска, а не как магический префикс к промпту.

Anthropic. Два человека из команды Applied AI в Anthropic вживую собирают реальный промпт, послойно добавляя роль, структурированные секции и явные шаги размышления. Это самая авторитетная демонстрация на YouTube «как использовать chain-of-thought, не превращая его в ритуал», и она делает тезис статьи «перестаньте вставлять во всё “Let's think step by step”» конкретным.

Tina Huang. Быстрый каталог конкретных сценариев, размеченный по ChatGPT, Claude, Gemini и Perplexity. Хорош для того, чтобы посеять идеи, какой шаг вашего рабочего процесса на самом деле принадлежит какому инструменту, вместо того чтобы по умолчанию загонять всё в один чат-бот.

Matt Wolfe. Мэтт проходится по конкретному стеку, который использует каждый день — Claude для письма и Projects, Perplexity для исследований, плюс вспомогательный набор для транскрипции, фиксации и изображений — и честен в том, почему каждый инструмент заслужил своё место. Это ближайший аналог на YouTube к подходу статьи «выбери дефолт под каждую задачу».

Lawton Learns. Конкретный, готовый к копированию C.R.A.F.T. мета-промпт (Context, Role, Action, Format, Target audience), о котором статья говорит по духу. Полезно как первая запись в новой библиотеке — промпт, чья задача — генерировать хорошо структурированные промпты для всех остальных.