Вайб-кодинг

Ещё Anthropic завезли продвинутый tool-use для Claude. Теперь Claude может:

Находить нужные инструменты по запросу Запускать их через Python-код Учиться на примерах использования

Это довольно серьёзный шаг для построения масштабируемых AI-агентов. https://anthropic.com/engineering/advanced-tool-use

Похоже, Anthropic нашли что-то, что позволило Claude Opus сильно прокачаться. 🚬 Он не просто работает заметно лучше, чем Sonnet 4.5, но ещё и стоит в два раза дешевле. Почти парадокс, но Anthropic явно сделали серьёзный рывок внутри компании.

Claude Scientific Skills. Сделай из Claude полноценного AI-ассистента для исследований, который умеет выполнять сложные многошаговые научные процессы — от математики до биологии, химии, медицины и других областей. Полностью open source. Уже доступно больше 123 навыков. 🌟 https://github.com/K-Dense-AI/claude-scientific-skills

Чёрная пятница на Stepik: забери -25% на курс по Cursor AI 👾 На нём учат, как создавать рабочие «промпты», отлаживать AI-сценарии, пользоваться инструментами как Composer, настраивать CI/CD, интегрировать с Git и в целом выстраивать процессы с AI в рамках проектов. В ближайшие 48ч курс доступен со скидкой 25% по промокоду «BLACKFRIDAY»: открыть курс на Stepik

Если вдруг пропустил: в начале недели Anthropic пофиксили одну из самых бесящих проблем на Claude.ai — упирание в лимит контекста посреди диалога. 😡 Теперь Claude сам умно сжимает ранние сообщения, когда ты начинаешь подходить к лимиту, так что диалог не обрывается и можно спокойно продолжать чат.

В разработке появился новый полезный инструмент для навигации по большим кодовым базам. Open-source проект mgrep предлагает более умный способ искать логику в проекте = вместо точных ключевых слов можно использовать обычный человеческий запрос. Инструмент понимает смысл поиска с помощью семантической модели и способен находить нужные фрагменты не только в коде, но и в PDF, изображениях и других файлах. mgrep также умеет индексировать проект в фоновом режиме и интегрируется с AI-инструментами вроде Claude Code и Codex, при этом уменьшая расход токенов. 🤓 Установить его можно через npm, а команда mgrep watch запускает индексацию проекта.

При работе с Claude Code иногда можно столкнуться с нестабильными API вызовами или лимитами, из-за чего генерация кода обрывается. Потом приходится вручную переключать API-ключи и перезапускать CC, что довольно утомляет. Поэтому один разработчик выложил на GitHub open-source инструмент для умного ротационного прокси для Claude Code — ccNexus. У него удобный визуальный интерфейс для управления конфигурацией. Можно добавить несколько API-ключей и форматов (Claude, OpenAI, Gemini и другие.) Если API-вызов в Claude Code падает, инструмент может автоматически переключиться на следующий ключ без перезапуска CC. Также доступна статистика в реальном времени: количество запросов, ошибки, расход токенов - всё показывается наглядно в интерфейсе. Достаточно просто скачать исполняемый файл под свою систему и запустить. Никаких зависимостей ставить не нужно, все данные хранятся локально. 🌟

Этот open-source интерфейс для чатов переносит фичи ChatGPT и Claude.ai в любой LLM. Можно использовать любую модель вместе с RAG, веб-поиском, MCP, deep research, code interpreter, кастомными командами и многим другим в одном месте. Поддерживается self-hosting и развёртывание в изолированных средах. Полностью открытый исходный код.

Разрабатывать приложения под Windows и добавлять туда AI-функции вроде распознавания изображений, генерации текста и прочего бывает долго и муторно, если настраивать модели и писать всё с нуля. Поэтому Microsoft выложила в открытый доступ инструмент AI Dev Gallery. Он сделан специально для Windows-разработчиков и помогает быстро подключать модели и интегрировать разные AI-возможности. Там есть больше 25 интерактивных примеров, которые покрывают работу с изображениями, текстом, голосом и другими задачами. Модели можно сразу просматривать и скачивать с Hugging Face и GitHub. Каждый пример включает полный исходник на C#, и его можно экспортировать в самостоятельный проект Visual Studio одним кликом, чтобы дальше спокойно дорабатывать. Установить можно через Microsoft Store или клонировать репозиторий и собрать проект в Visual Studio 2022 или новеe

На GitHub есть опенсорсный инструмент под названием Continuous Claude, который позволяет запускать Claude Code в цикле для одной и той же задачи, и можно указать сколько раз он должен выполниться. Если гонять Claude в цикле, он может автоматически создавать ветки, коммитить изменения, открывать PR, ждать пока все проверки пройдут, и потом мержить. Весь процесс идет без ручного участия. Кроме того, инструмент использует общий Markdown-файл для сохранения контекста, так что каждая итерация понимает, что было сделано до этого. Установить и запустить его можно через простые команды в терминале. Хороший вариант, если нужно обрабатывать большое количество повторяющихся задач в разработке. 👍

Это от Apple. Модель с открытым доступом, которая в реальном времени описывает то, что видит. Она называется FastVLM. Работает полностью локально прямо в браузере. Зацени демо и офигеешь 😐😐

Разработчики раскопали свежий репозиторий, который обещает превращать обычных кодеров в полноценных AI-инженеров. Внутри собраны лучшие научные статьи, блоги и визуальные схемы по ключевым темам: архитектуры моделей, токенизация, RAG, MCP и еще куча того, что многие слышали, но руки так и не дошли изучить. 🖥

Microsoft. Google. AWS. Все пытаются решить одну и ту же задачу для AI-агентов: Как построить графовые базы знаний, достаточно быстрые для LLM-приложений в реальном времени? FalkorDB это open-source графовая база данных, которая решает эту задачу, переосмыслив принцип работы графов. Она использует разреженные матрицы и линейную алгебру вместо классической обходной модели. Разберем, почему она такая быстрая. Обычные графовые базы данных хранят связи как связанные узлы и обходят граф по одному шагу. Но тут возникает проблема. Когда ты выполняешь запрос на поиск связей, база данных проходит через узлы и ребра примерно как по карте. В огромных графах знаний, используемых AI-агентами, это создает серьезное узкое место по производительности. А что если представить весь граф как математическую структуру? Здесь появляются разреженные матрицы. Разреженная матрица хранит только существующие связи. Никаких лишних данных, никаких пустых ячеек. Только реальные отношения между объектами. И вот ключевой момент: Когда граф представлен как разреженная матрица, запросы можно выполнять через линейную алгебру вместо обхода. Запрос превращается в математическую операцию, а не в пошаговый проход узлов. Математика быстрее обхода. Намного быстрее. Плюс разреженные матрицы делают хранение невероятно эффективным. Ты хранишь только то, что существует, поэтому огромные графы знаний можно держать в памяти, не сжигая ресурсы. Почему бы тогда просто не использовать Vector Search? Vector Search действительно быстрый, но он работает только с наивным сходством. Он находит похожие объекты, но теряет структуру. Графы фиксируют сложные связи между сущностями. Это дает AI-агенту контекст, который точнее и релевантнее, а не просто похож по смыслу. Что дает FalkorDB: ↳ Очень быстрая многопользовательская графовая база ↳ Эффективное хранение через sparse matrix ↳ Совместимость с OpenCypher (тот же синтаксис, что у Neo4j) ↳ Спроектирована специально под LLM-приложения и память агентов ↳ Работает поверх Redis, упрощая деплой Старт занимает одну Docker-команду. Я протестировал Python-клиент и разница в производительности чувствуется сразу. Если ты делаешь AI-агентов, которым нужен доступ к связанным данным в реальном времени, стоит обратить внимание. И что особенно приятно она полностью open-source.

Серьезный прорыв. Кто-то наконец пофиксил почти все главные проблемы Jupyter Notebook. Формат .ipynb застрял в 2014 году. Он создавался для другого времени, т.е. без облачной совместной работы, без AI-агентов и без нормальных командных процессов. Меняешь одну ячейку и в git diff улетает 50+ строк бесполезного JSON-мусора. Код-ревью превращается в клоунаду. 😬 Хочешь расшарить одно подключение к базе между ноутбуками? Настраивай отдельно в каждом. Нужны комментарии или права доступа? Удачи. Jupyter ок для соло-аналитики, но разваливается, когда команда строит продакшн-системы с AI. Deepnote только что открыл исходники решения (Apache 2.0). Они сделали новый стандарт ноутбуков, который реально подходит современным рабочим процессам: → Читаемый YAML. В diff отображаются реальные изменения, а не тонны JSON. Нормальные код-ревью наконец возможны. → Проектная структура. Несколько ноутбуков могут делить интеграции, секреты и настройки окружения. Один раз настроил = везде работает. → 23 новых блока. SQL, интерактивные инпуты, графики и KPI как полноценные элементы. Можно строить дата-приложения, а не просто аналитические ноутбуки. → Поддержка нескольких языков. Python и SQL в одном ноутбуке. Современная работа с данными давно не в одном языке. → Полная обратная совместимость. Любой Jupyter ноутбук можно сконвертировать в Deepnote и обратно одной командой:

npx @deepnote/convert notebook.ipynb

После этого можно открыть его в VS Code, Cursor, WindSurf или Antigravity. Миграция занимает секунды. Облачная версия добавляет совместное редактирование в реальном времени, комментарии, права доступа и лайв-коллаб. И это полностью open-source

Режим Plan в Claude Code долго недооценивали, а теперь он стал ещё лучше. Он заметно повышает шанс получить нужный результат с первого раза. Меньше итераций, меньше микроменеджмента, итого итоговый результат лучше. Попробуй: Shift + Tab дважды. Теперь Plan Mode поднимает сразу несколько саб-агентов, которые параллельно изучают кодовую базу и генерируют планы с разных точек зрения. После этого он задаёт уточняющие вопросы, прежде чем выбрать стратегию. Итог — более продуманный и полный план ещё до того, как Claude напишет хоть одну строку кода. Пример: когда автор разрабатывал UX для multi-subagent режима (который ты видишь в видео), Claude создал два плана - один быстрый и хакающий проблему, второй более чистый и архитектурный. Главный агент совместил оба подхода, учитывая запрос, и выдал реально хорошее решение. Вот в такие моменты Plan Mode раскрывается лучше всего. Теперь Claude сохраняет plan-файлы в файловой системе, и ты можешь редактировать их через /plan open. Все изменения автоматически синхронизируются с контекстом Claude, так что если план не идеален, то можешь дотюнить его под себя. Совет: можно включить Plan Mode по умолчанию через /config. 😐 Подробнее: тык

🎧🎧🎧

Появился новый проект: AI Researcher Это многоагентная система на базе Gemini 3, которая автономно запускает ML-эксперименты. Ты просто задаёшь исследовательский вопрос, а дальше система сама: - проектирует эксперимент - поднимает отдельных агентов со своими GPU для выполнения задач - пишет итоговую научную работу И самое приятное.. проект с открытым исходником. 😜

Anthropic работает над новым процессом создания Skills, где сам Claude сможет генерировать Skill по описанию пользователя.

Anthropic выпустили Claude Opus 4.5 — новый ТОП-1 в кодинге. Модель набрала 80,9% на SWE-бенче, это лучший результат по программированию среди всех ИИ. При этом модель стала в три раза дешевле: всего $5 / $25 за 1 млн входных/выходных токенов. Правда, даже с пониженной ценой она остаётся примерно вдвое дороже Gemini 3 Pro. Попробовать уже можно в Claude (только с подпиской)

Анджей Карпати выложил в опенсорс LLM Council — симулятор совета LLM, где несколько моделей с разными ролями спорят и выбирают лучший ответ на ваши вопросы И всего за сутки проект уже собрал больше 2 тысяч звёзд на GitHub. 😎