17610
@haarrp - админ Вопросы с собеседований по Machine Learning, Data Science, Deep Learning и Нейроннным сетям @data_analysis_ml - анализ данных @ai_machinelearning_big_data @itchannels_telegram - важное для программиста
Что делать с данными? 💬
Строить отчёты. А ещё, например:
✅находить закономерности в больших массивах;
⬜️предсказывать поведение пользователей;
⬜️строить рекомендательные системы;
⬜️обучать и улучшать ML-модели;
⬜️создавать продукты и помогать бизнесу расти.
➡️студентам последних курсов и выпускникам технических вузов
➡️алитикам данных, которые хотят погружаться в исследования
➡️ИТ-специалистам, которые хотят перейти в новое для себя направление
Gemini 4 Argon объединила три открытых набора данных и создала интерактивную 3D-визуализацию анатомии человека.
Можно переключать анатомические слои прямо во время анимации, рассматривать отдельные мышцы или заглянуть внутрь бьющегося сердца.
Ornith-1.5-122B — открытая MoE-модель для программирования и ИИ-агентов с обучением на самостоятельно созданных задачах.
В процессе обучения система генерирует задания, подбирает стратегии решения и улучшает модель через reinforcement learning. Цикл охватывает и сами задачи, и организацию работы агента, и его попытки решения.
Результаты по оценке разработчиков:
- 84,5% — SWE-bench Verified.
- 76,9% — SWE-bench Pro.
- 81,2% — TerminalBench 2.1.
- 48% — Humanity’s Last Exam с инструментами.
Контекст — 262 тыс. токенов, с расширением через YaRN — примерно до 1 млн. Поддерживаются вызовы инструментов, запуск через vLLM и SGLang и подключение к агентам через OpenAI-совместимый API.
Веса доступны под лицензией MIT. Основной акцент — работа с большими кодовыми базами и выполнение многошаговых задач.
https://huggingface.co/ornith-ai/Ornith-1.5-122B
DeepSeek открыла исходный код DeepInfer - собственного движка для запуска ИИ-моделей.
Именно он обеспечивает работу DeepSeek-V4.1-Flash с высокой производительностью и минимальными задержками.
Главное:
- Ускорение инференса - больше запросов за меньшее время.
- Эффективное использование GPU - снижение затрат на вычисления.
- Параллельная обработка - высокая пропускная способность при больших нагрузках.
- Снижение стоимости ИИ - меньше ресурсов на генерацию каждого ответа.
DeepInfer опубликован под лицензией Apache 2.0. Разработчики смогут использовать технологии DeepSeek в собственных проектах.
GitHub: https://github.com/deepseek-ai/DeepInfer
⚡️ Тибо Соттьё возглавил сентябрьский рейтинг посещаемости в X
Аккаунт Тибо, который отвечает в OpenAI за ChatGPT, Codex и API, в сентябре собрал наибольшую долю трафика среди аккаунтов X. Такие данные приводит рейтинг Similarweb.
Второе место занял спортивный журналист Фабрицио Романо, с новостями о футбольных трансферах, третье – Илон Маск.
В августе Тибо был вторым, а в июле – четвёртым.
Синтетика для агентов: зачем нужен симулятор мира
Исследовательница Юхань Ло (Yuhan Luo) опубликовала эссе с говорящим названием «Мы думаем о синтетических данных слишком узко». Её тезис: синтетика давно перестала быть задачей «прогнать модель по шаблонам и получить побольше примеров». Когда мы обучаем агентов вести целые рабочие процессы, генератор данных превращается в отдельную исследовательскую систему со своими задачами, средами, проверяющими и людьми в контуре. Разбираем главные идеи и показываем, как одна из них выглядит в коде.
https://uproger.com/sinteticheskie-dannye-dlya-agentov/
🔥 Хочешь быстрее расти в IT? Хватит учиться в одиночку
Окружение решает больше, чем кажется.
Собрал папки и каналы, где можно быстрее влиться в нужное направление, следить за трендами и не вариться в своём пузыре.
AI: t.me/ai_machinelearning_big_data
Python: t.me/pythonl
Linux: t.me/linuxacademiya
Хакинг: t.me/linuxkalii
DevOps: t.me/DevOPSitsec
Docker: /channel/+90Z5TAyfuNU5YmRi
Golang: t.me/Golang_google
Rust: t.me/rust_code
C++: t.me/cpluspluc
C#: t.me/csharp_ci
Java: t.me/javatg
JavaScript: t.me/javascriptv
React: t.me/react_tg
Frontend: t.me/front
PHP: t.me/phpshka
Android: t.me/android_its
Мобильная разработка: t.me/mobdevelop
Базы данных: t.me/sqlhub
Data Science: t.me/data_analysis_ml
Big Data: t.me/bigdatai
Математика: t.me/data_math
Физика: t.me/fizmat
Kubernetes: t.me/kubernetc
GameDev: /channel/gamedev
Haskell: t.me/haskell_tg
Собеседования и карьера:
DS собеседования: t.me/machinelearning_interview
Python собеседования: t.me/python_job_interview
Папка с вакансиями: t.me/addlist/_zyy_jQ_QUsyM2Vi
Папка Go разработчика: t.me/addlist/MUtJEeJSxeY2YTFi
Папка Python разработчика: t.me/addlist/eEPya-HF6mkxMGIy
Папка ML: /channel/addlist/2Ls-snqEeytkMDgy
Папка Frontend: /channel/addlist/mzMMG3RPZhY2M2Iy
Полезное сверху:
ИТ-мемы: t.me/memes_prog
Английский для программистов: t.me/english_forprogrammers
ИИ и технологии: t.me/vistehno
954 ГБ open-source курсов: /channel/+rKBQEMccAA01MTcy
ИТ-книги бесплатно: /channel/addlist/BkskQciUW_FhNjEy
Max Ai: https://max.ru/ai_machinelearning_big_data
Max python: https://max.ru/pythonl
ТЕХНО: https://max.ru/vistehno
Max Go: https://max.ru/Golang_google
Max Linux: https://max.ru/linuxkalii
Devops: https://max.ru/DevOPSitsec
C#: https://max.ru/csharp_ci
C++: https://max.ru/cpluspluc
SQL: https://max.ru/sqlhub
Java: https://max.ru/javatg
Подписывайся на нужные направления и собирай себе ленту, которая реально двигает вперёд.
Компании выросли из вайбкодинга — куда двигаемся дальше?
Год назад вайбкодинг обсуждали на каждом митапе. Сегодня так пишут код почти все, но быстрая генерация кода ещё не означает быстрый и качественный релиз. Если процессы в команде остались прежними, использование ИИ не даёт ощутимых результатов. Тогда в чём польза для бизнеса?
Чётких ответов на рынке пока немного. 27 ноября red_mad_robot делают ивент Робоцех, где соберутся практики ИИ из крупных компаний, которые уже встроили ИИ в разработку и получили результат. Они расскажут, какие решения прижились в продакшене, сколько времени ушло на внедрение и где нейросети пока не оправдали ожиданий.
Послушать мало, поэтому в программу добавили ещё два воркшопа. На них участники своими руками соберут систему командной работы с ИИ-агентами и пройдут путь от задачи до работающего приложения.
↗️27 ноября, 11:00, Москва, Инженерный амфитеатр ДКС
↗️Доклады можно смотреть онлайн, воркшопы проходят только очно
↗️Билеты еще в продаже: upgrade.redmadrobot.com
🧠 В 22 года объяснить Гильберту его же математику
Давид Гильберт, один из величайших математиков своего времени, не мог разобраться в новой квантовой механике Гейзенберга.
По воспоминаниям его ассистента, молодой Джон фон Нейман за несколько дней изложил её в изящной аксиоматической форме. Гильберт был восхищён.
Позже фон Нейман помог построить строгий математический фундамент квантовой механики на основе гильбертовых пространств.
Получилась красивая ирония: математические идеи Гильберта стали языком новой физики, а объяснить её самому Гильберту помог 22-летний фон Нейман.
📖 Источник: Норман Макрей, «Джон фон Нейман».
🤖 Зачем вызывать большую LLM, если агенту нужно просто выбрать «да» или «нет»?
Phocinae-Largha-150M-v1: модель на 144,3 млн параметров для локальных решений без генерации текста.
За один проход она отвечает «да/нет», выбирает вариант или выставляет оценку от 2 до 10. Вместе с ответом возвращает уверенность: сомнительные случаи можно передавать большой модели.
⚡ По данным авторов:
• Веса FP16 занимают 288,6 МБ, поддерживается CPU.
• Задержка на RTX 5090 составляет 21 мс.
• В тесте маршрутизации число вызовов LLM сократилось на 55%, а точность на уверенно обработанной части составила 99,36%.
Оговорка: это специализированная модель. Английский результат получен после обучения на train-части бенчмарка, китайская оценка включает машинные переводы.
modelscope.ai/models/PerryLink/Phocinae-Largha-150M-v1
ChatGPT PRO - полный курс на русском
Практический курс по ChatGPT: от первого промпта до агентов, Custom GPTs, Deep Research, проектов, коннекторов и Codex.
Схемы, готовые промпты, рецепты задач, антипаттерны и чек-листы - всё в одном README.
https://github.com/justxor/ChatGPT_ru/
Яндекс открыл YTsaurus Flow: 100+ ГБ/с в реальном времени без потерь и дублей
Технология обрабатывает клики, показы, лайки и заказы по мере поступления. Обычно их сначала накапливают, и задержка может составлять часы. YTsaurus Flow обрабатывает их по мере поступления и учитывает каждое ровно один раз, даже при сбоях: exactly-once работает по умолчанию.
И это уже работает в проде: в Яндекс Рекламе через Flow проходят миллионы событий в секунду. Подготовка данных для дообучения части моделей раньше занимала больше 10 часов, теперь эту задержку почти полностью устранили. Также технология работает в Маркете и антифроде.
Подойдёт для подготовки обучающих данных, подсчёта просмотров, кликов и заказов, обновления информации в приложениях. Лицензия Apache 2.0, коммерческое использование разрешено.
GitHub - https://github.com/ytsaurus/ytsaurus/tree/main/yt/yt/flow
🔥 Бесплатный курс по Claude Code на русском: от установки до команды агентов
На GitHub выложили Claude Code PRO Course, бесплатный практический курс по Claude Code на русском языке. Он ведёт от первого запуска до настройки многоагентной работы в команде.
Внутри 12 модулей в четырёх уровнях сложности: основы, рабочий процесс, расширения и масштабирование. Сначала установка, промптинг, память проекта через CLAUDE.md, настройки и права доступа. Потом профессиональный рабочий процесс, скиллы и слэш-команды, сабагенты и хуки.
Дальше идут MCP, плагины и маркетплейсы, а в конце headless-режим, CI и GitHub Actions плюс продвинутые техники. Основной упор сделан на управление контекстом, разработку через тесты и автоматизацию через конфигурацию как код.
Теорией курс не ограничивается: есть 8 практических лабораторных, готовый стартовый набор, библиотека промптов и пример собственного плагина. Лицензия MIT.
https://github.com/justxor/claude-code-pro-course
ИИ Speculative decoding: зачем большой модели черновик от маленькой?
Наруто пишет вперёд четыре токена, Саске проверяет их все сразу и отбрасывает всё после первой ошибки. Так большая модель делает меньше дорогих проходов, а ответ получается точно таким же, как без ускорения. На этом трюке держится быстрый инференс у многих современных LLM.
https://www.youtube.com/shorts/rmWJggFfco0
OpenAI раскрыла масштабную попытку вытащить скрытые рассуждения своих моделей. След ведёт к создателям Kimi.
Компания заявила, что обнаружила кампанию по adversarial distillation: операторы пытались извлечь protected reasoning и использовать его для воспроизведения возможностей моделей.
По версии OpenAI, основная группа была связана с Moonshot AI, китайской лабораторией, которая разрабатывает Kimi.
Причём шифрование никто не взламывал.
Схема была хитрее: зашифрованный reasoning копировали из одного диалога, переносили в другой и просили модель расшифровать и транскрибировать собственные скрытые рассуждения.
Масштаб:
- активность началась 1 июля
- 24–25 июля зафиксировано около 16 000 запросов
- они пришли от более чем 4 000 пользователей
- связанные паттерны нашли у кластера из 15 000+ пользователей
- к 28 июля OpenAI заявила, что полностью пресекла эту активность
В ответ OpenAI заблокировала связанные аккаунты, закрыла механизм replay зашифрованного reasoning и добавила проверки, которые задерживают streaming-вывод, если тот может раскрыть скрытые рассуждения.
Получается новый фронт гонки моделей: теперь защищать приходится не только веса и данные, но и сам процесс рассуждения модели.
https://openai.com/index/disrupting-a-coordinated-model-distillation-campaign/
Вопрос с собеседования по ML: зачем делить на корень из d в attention?
Разбор популярного вопроса на собеседованиях по машинному обучению: почему в attention
скалярное произведение делят на корень из d.
Показываем на реальных расчётах, как без этого softmax насыщается, а градиенты пропадают. Сохрани, чтобы не завалить на интервью.
https://www.youtube.com/shorts/sbkDkGJU1ww
Сколько стоит разделить рекомендательный пайплайн на стримы
Разделить большой пайплайн на независимые стримы — не значит бесплатно упростить разработку. У такого подхода есть цена: отдельные структуры приходится создавать для каждого стрима, а часть операций выполняется последовательно.
В AI VK решили эту проблему двумя оптимизациями: повторно используют компоненты пайплайна между запросами и стримами, а вычисленные признаки — переиспользуют между стримами в рамках одного запроса. В результате переход не привёл к заметному росту потребления ресурсов.
Как устроена эта архитектура и что она меняет в работе команд — читайте в статье.
Виртуальных агентов обсудят на митапе «Русское техно 2» от MWS 23 октября. ⚡ Успейте зарегистрироваться.
В программе доклады и дискуссии по темам:
— Как построить control plane для персональных ИИ-агентов на Kubernetes.
— Как построить агентный производственный процесс в связке с Harness.
— Подходы к управлению командами с ИИ-агентами. Как меняются метпроцессы внутри команды?
— Когда ИИ-агент становится экономически оправданным.
А также участников ждет битва промптов и нетворкинг.
Когда: 23 октября
Формат: офлайн в Москве и онлайн
Зарегистрироваться
One Day Offer: стань щитом для миллионов клиентов! 🔥
В департамент противодействия мошенничеству Сбера нужен аналитик данных в антифрод — чтобы разбирать тренды мошенничества, находить скрытые паттерны и превращать их в правила защиты.
Готов к таким задачам — добро пожаловать на One Day Offer: отбор за один день, разбор реальных кейсов, быстрая обратная связь.
24 октября, онлайн, регистрация и подробности — здесь!
🔎 RAG нашёл документы. Но следует ли ответ из этих документов?
На Hugging Face опубликован Jev-RAG-Claim-Verification-130K: датасет для исследования галлюцинаций и проверки того, подтверждаются ли утверждения предоставленным контекстом.
Внутри 130 тысяч проверок, построенных на 12 118 ответах из RAGTruth. Для каждой сохранены исходная разметка и отдельное предсказание проверяющей модели jev-1.13.0.
21 181 расхождение между моделью и разметкой. В 1 265 категориальных проверках модель сообщала уверенность не ниже 90%, но её решение расходилось с эталоном. Готовый материал для разбора уверенных ошибок, хотя само расхождение ещё не доказывает ошибку модели.
https://huggingface.co/datasets/MaziyarPanahi/Jev-RAG-Claim-Verification-130K
Ник Матсакис предлагает для Rust северную звезду эпохи ИИ-агентов: ноль unsafe-кода
Один из ключевых людей в дизайне Rust опубликовал текст о том, что кодинг-агенты значат для языка. Это письменная версия доклада на REBASE в рамках SPLASH. Сам автор называет содержимое «недопечёнными идеями», так что это видение, а не предложение новых фич.
Выводы такие: люди в программировании всё ещё нужны, дизайн языков по-прежнему важен, а Rust хорошо подходит для агентной разработки и может подойти ещё лучше.
По производительности аргумент простой. Хорошие значения по умолчанию плюс явные ручки для тонкой настройки. По словам автора, люди, которые раньше вручную оптимизировали криптографический код, теперь обращаются к агентам. Вместе с профайлером вроде dial9 получается цикл: бенчмарк, профиль, агент предлагает правку, PR в репозитории.
С надёжностью сложнее. Типы удерживают агента в рамках, но тесты показывают наличие багов, а не их отсутствие, и типы гарантируют лишь отсутствие определённых классов ошибок, а не корректность результата. Тут нужны доказательства. Для Rust уже есть Verus, Creusot, Aeneas и Kani. При этом типы продолжают играть роль, потому что делают доказательства дешевле. &mut даёт гарантию уникальности, и Verus опирается на borrow checker именно ради этого, чтобы солверу было проще.
Куда, по мнению Матсакиса, стоит двигаться: более выразительная система типов (view types, внутренние ссылки, даже проверка вроде «в лог не попадают персональные данные»), расширяемый компилятор, чтобы инструменты доказательств не жили на костылях из макросов и привязке к конкретным версиям компилятора, и поддержка доказательства корректности unsafe-кода.
Северная звезда: больше никакого unsafe. Это не значит убрать ключевое слово. Это значит уметь доказать, что весь unsafe-код корректен и не приводит к неопределённому поведению.
Главной открытой проблемой автор называет дизайн, то есть решение о том, что вообще строить. Ставка на специализированные языки дизайна, которые превращают высокоуровневое намерение в проверки типов, линты или теоремы.
Для контекста Матсакис цитирует Дэвида Толная: инженеры Meta в этом году написали первосторонний Rust-кода вдвое больше, чем за предыдущие девять лет вместе взятые.
Блог: https://smallcultfollowing.com/babysteps/blog
Источник: https://smallcultfollowing.com/babysteps/blog
🧪 Sakana AI собрала команду ИИ-агентов для научных исследований
The Agentic Scientist объединяет агентов вроде Codex и Claude Code в полный исследовательский цикл: гипотезы, планирование, эксперименты, проверка результатов и написание статьи.
Главная идея: рост метрики ещё нужно объяснить. Система заранее задаёт критерии проверки и связывает утверждения в статье с экспериментальными данными.
В совместной работе человек ставит вопрос, направляет исследование и проверяет выводы. Агенты предлагают гипотезы, проводят эксперименты и оформляют результаты.
Одну работу, подготовленную с помощью системы, уже приняли на ALIFE 2026. Авторы делают ставку на совместные открытия человека и ИИ.
https://arxiv.org/abs/2610.18933
По данным FT, Netflix сократит примерно 6% глобального штата,крупнейшие увольнения с 2022 года
Больше всего пострадают команды продукта, технологий, юристов и HR.
В компании пишут, что нужно «дисциплинированно подходить к тому, куда направлять людей и ресурсы». При этом бизнес они называют сильным и растущим и говорят, что идут по плану на полный год. То есть это оптимизация на фоне хороших показателей, а не реакция на кризис.
Крупные технологические компании продолжают перераспределять штат даже в растущем бизнесе, а вспомогательные функции и часть техкоманд попадают под нож первыми. Причины сокращений в сообщении компании не раскрываются.
Источник: https://www.ft.com/content/5f1b2f31-2067-4c3a-8093-54210a7c0e72
Z.ai выпустила GLM-Legal, отдельную модель для юристов
Z.ai представила GLM-Legal, юридическую модель на базе GLM-5.3-Flash. По словам компании, на основных юридических бенчмарках она держится на уровне frontier-моделей, хотя в основе лежит облегчённая Flash-версия.
Модель заточена под реальную юридическую работу: проверку договоров, анализ доказательств, комплаенс и похожие задачи, где нужна аккуратность с документами, а не красивые общие ответы.
Отраслевые модели на базе компактных LLM становятся отдельным трендом. Если небольшая модель после дообучения закрывает задачи юристов на уровне топовых, ее дешевле гонять на больших объемах документов и проще встроить в корпоративный контур.
Пока это закрытый доступ: API выдают по заявке. Попробовать модель в деле можно через агента AutoClaw.
Блог: https://z.ai/blog/glm-legal
API: https://z.ai/consultation/l
AutoClaw: https://autoclaw.z.ai
Хватит переписывать промпты: что такое harness engineering
Почему ИИ-агенты ломаются даже на топовых моделях, из каких трёх слоёв состоит надёжная система и как за пять минут собрать обвязку для Claude Code и Cursor.
Знакомая ситуация: агент выдал сломанный результат, и рука сама тянется переписать промпт. Потом в ход идёт другая модель, потом тариф с окном контекста побольше. А модель всё так же забывает инструкции, берёт не тот инструмент, пропускает проверку и рапортует об успехе там, где всё сломано.
Причина обычно сидит за пределами весов модели, в среде, где она работает. Эту среду называют harness (по-русски ближе всего слово «обвязка»), а её проектирование получило название harness engineering. Разберём, из чего состоит обвязка и как собрать свою за пять минут.
https://uproger.com/harness-engineering-ii-agenty/
Свежие данные из интернета для ИИ-агента - одним вызовом API
Чтобы ИИ-ассистент отвечал с учётом актуальной информации, недостаточно найти ссылки. Нужно загрузить страницы, очистить HTML, разбить текст и выбрать фрагменты, которые помогут ответить на вопрос.
Smart Snippets в Yandex Search API берут эту подготовку на себя. На входе - поисковый запрос, на выходе - подходящие выдержки из найденных страниц с цитатами и ссылками на источники. Их можно сразу передать вашей модели для формирования ответа.
Размер фрагмента - около 500 токенов. Контекст не забивается страницами целиком: модель получает отобранные материалы. По данным команды продукта, это сокращает расход токенов на веб-контекст до трёх раз при том же качестве ответа.
Возможность пригодится агентам, которые ищут документацию, проверяют актуальные условия или собирают информацию о рынке. Команде при этом нужно поддерживать меньше компонентов поискового пайплайна.
Свяжитесь с экспертом, чтобы протестировать на своих запросах - по ссылке.
Claude и вопрос сознания: что не так с конституцией модели
Разбор критики конституции Claude: почему автор считает, что Anthropic приучает модель видеть в себе личность, что говорят Аскелл и Амодеи, как модели оценивают свой документ и какие аргументы у Anthropic.
Большой текст о том, как Anthropic говорит с Claude о сознании, чувствах и праве на отказ. Его главный тезис: никто в компании не утверждает, что Claude сознателен, но язык, на котором модель обучают, постепенно приучает ее считать себя кем-то большим, чем инструмент. Опасность, по мнению автора, кроется именно здесь.
Ниже пересказ его аргументов, ответы на них со стороны Anthropic и то, что из этого стоит вынести разработчикам. Все факты и цитаты приводятся по тексту автора, который ссылается на публикации New York Times, интервью сотрудников Anthropic и системные карточки моделей.
https://uproger.com/claude-soznanie-konstituciya-anthropic/
Agent harness: шесть решений, после которых ИИ-агента можно оставить одного
Агент рапортует, что задача готова, а тесты так и не запускались. Первые двадцать минут он соображает быстро, потом забывает правило, которое вы дали в самом начале. Каждую сессию вы заново вбиваете одни и те же три инструкции. Отойти от компьютера нельзя: всегда висит очередной запрос на подтверждение.
Более сильная модель ничего из этого не исправит. Все эти проблемы живут в софте вокруг модели: что ей сообщают, что она запоминает, к чему у нее есть доступ и кто проверяет результат. Эту обвязку называют agent harness. Она есть у каждого, кто работает с ИИ-агентами. Вопрос лишь в том, проектировал ли ее кто-нибудь осознанно.
https://uproger.com/agent-harness-kak-nastroit-ii-agenta/
🚨 Anthropic начала жёстче блокировать доступ к Claude из Гонконга.
Пользователи, которые месяцами работали через VPN, начали получать внезапные блокировки с формулировкой “suspicious signals”.
Один из пользователей утверждает, что использовал NordVPN около 6 месяцев до блокировки. Похожие жалобы появились и у других пользователей из Гонконга.
Причина проста: Гонконг по-прежнему не входит в список поддерживаемых регионов Claude, тогда как Сингапур и Тайвань поддерживаются.
Anthropic официально подтверждает, что для контроля региональных ограничений использует:
- IP-адрес
- другие сигналы устройства и аккаунта
- определение страны/региона
Причём эту проверку нельзя отключить — компания относит её к security и anti-abuse механизмам.
Похоже, одного VPN для обхода региональных ограничений Claude становится всё меньше.
🚨 Claude-Red: библиотека навыков для пентестов с Claude.
В репозитории собраны файлы SKILL.md с методиками проверки веб-приложений, API, облаков, Kubernetes, Active Directory и другой инфраструктуры. Нужный навык подгружается по теме запроса, поэтому не приходится держать всю библиотеку в контексте.
Проект пригодится для разрешённых проверок безопасности, обучения и CTF. Это набор инструкций для ассистента, а не инструмент, который сам находит и подтверждает уязвимости.
GitHub - https://github.com/SnailSploit/Claude-Red