<?xml version="1.0" encoding="utf-8" standalone="yes"?><rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom"><channel><title>Weave Router on AI-Uchi — Всё об искусственном интеллекте</title><link>https://ai-uchi.ru/tags/weave-router/</link><description>Recent content in Weave Router on AI-Uchi — Всё об искусственном интеллекте</description><generator>Hugo</generator><language>ru</language><lastBuildDate>Sat, 03 Oct 2026 14:00:00 +0300</lastBuildDate><atom:link href="https://ai-uchi.ru/tags/weave-router/index.xml" rel="self" type="application/rss+xml"/><item><title>Weave Router: open-source маршрутизация моделей для кодинг-агентов</title><link>https://ai-uchi.ru/articles/weave-router-open-source-marshrutizaciya-modelej-kodinga/</link><pubDate>Sat, 03 Oct 2026 14:00:00 +0300</pubDate><guid>https://ai-uchi.ru/articles/weave-router-open-source-marshrutizaciya-modelej-kodinga/</guid><description>&lt;h2 id="когда-один-llm--уже-недостаточно"&gt;Когда один LLM — уже недостаточно&lt;/h2&gt;
&lt;p&gt;В 2026 году у разработчиков под рукой десятки сильных языковых моделей: GPT-6 Astra, Claude Fable 5, DeepSeek V4, Gemini 3.5 Flash и многие другие. Но почти все кодинг-агенты работают по одному и тому же принципу: выбирается одна модель — и она отвечает на все задачи подряд, от тривиального переименования переменной до сложного рефакторинга многоуровневой архитектуры.&lt;/p&gt;
&lt;p&gt;Это неэффективно и дорого. Большинство агентов решают все задачи с помощью одной и той же LLM. Такой подход разумен с точки зрения провайдера, который заинтересован в предсказуемых затратах на обслуживание, но он игнорирует реальные потребности пользователей, для которых приоритет — качество на уровне задачи и экономическая эффективность.&lt;/p&gt;</description></item></channel></rss>