AI для Разработки — Claude | Cursor | Copilot

Unity CLI — теперь агенты рулят проектом из терминала 🤯 Unity выкатила Unity CLI, и это тот случай, когда «вайбкодинг игр» звучит уже не как шутка. Ставишь один бинарник (никаких зависимостей, сам лезет в PATH), и агент может работать с проектом прямо из терминала: тыкать объекты в сценах, искать и чинить баги, гонять сборку и проверять результат. В демо агенту прилетел баг-репорт — он сам нашёл отключённый коллайдер, включил его и проверил, что персонаж перестал проваливаться сквозь пол. Красота. И да, инструмент бесплатный. Под капотом всё заточено под автоматизацию: вывод можно попросить в JSON или TSV, ошибки идут в stderr, результат в stdout, коды возврата человеческие (0 — ок, 1 — ошибка, 130 — отмена). На headless-агенте логинится через сервисный аккаунт по переменным окружения — без браузера и ручных танцев. Все подробности — в блоге Unity. 🔥 — пойду скармливать агенту 👀 — гляну на своём пет-проекте @ai_for_dev

Как проектировать ML-системы: гайд от Чип Хуен Если ты пилишь ML не для домашних экспериментов, а под реальную нагрузку — это чтиво для тебя. Книга разбирает архитектурные решения для систем, которые должны работать и масштабироваться в продакшене. Главная мысль автора: ML-системы сложные и каждый раз разные, потому что всё упирается в данные, а данные везде свои. Поэтому вместо готовых рецептов тут — целостный подход: от зависимостей в данных до инструментов MLOps. Сразу предупрежу: это не туториал с копипастой кода, а про то, как думать над дизайном системы. Репозиторий на GitHub, переводов уже больше десятка. 🔥 — качну на выходные 😐 — я больше по практике Источник: github.com @ai_for_dev

Разрыв между пилотом и продом ИИ-агента: слой контроля Пилот проверяет возможности модели, но ничего не говорит о системе, которая должна снабжать её данными, ограничивать и контролировать. На стенде контекст готовят руками; в проде агент сам обращается к CRM, аналитическим хранилищам и сервисам через выданные ему учётные данные и инструменты. Вторая проблема — актуальность данных: корпоративные ландшафты (особенно банковские) обновляют аналитические хранилища раз в сутки, иногда раз в неделю. Модель отвечает мгновенно, но вчерашними данными, если нет потока свежих сведений в каталог, с которым она работает. Ключевой архитектурный вывод дискуссии (участники — «Диасофт», «Вебмониторэкс» и независимые архитекторы): проверку прав нужно выносить за пределы модели. Ограничения в системном промпте не являются механизмом безопасности. Требуется: — разграничение доступа вне LLM (авторизация на уровне сервисов, а не текста промпта); — изоляция данных по отдельным контурам; — контроль агента на уровне критичных продакшен-сервисов (аудит, лимиты, мониторинг служебного аккаунта). Полный технический разбор: Хабр 😐 — узнаю свою инфраструктуру 🤔 — надо выносить авторизацию @ai_for_dev

KiTTY воскрес — и его оживил ChatGPT Помните KiTTY, тот самый уютный форк PuTTY с сессиями в файлах и лаунчером в трее? Его забросили три года назад. А теперь его вкусности заботливо перенесли в свежую PuTTY 0.84k-r2 — и, внимание, перенос сделан почти целиком через ChatGPT/Codex. Что завезли: - сессии и настройки в отдельных файлах; - лаунчер в системном трее; - Ctrl+колесо — меняем размер шрифта на лету; - окно само запоминает размер и позицию; - Ctrl+Shift+клик открывает ссылку; - курсор больше не ломается в Midnight Commander. В ядро не лезли — только интерфейс и удобство. Лицензия MIT, всё по-честному. 🔥 — пойду накатывать 🤡 — доверил кодогенератору свой ssh Источник: habr.com @ai_for_dev

Один комбайн для всех кодовых нейронок Вышел Claudexor — штука, в которую можно запихнуть Claude Code, Codex, Cursor и OpenCode и рулить ими из одного окна. Локально, на своей машине, без телеметрии. Что умеет: • Подключить сразу несколько аккаунтов Claude и Codex и мгновенно переключаться между ними, не теряя контекст. • Устроить гонку агентов: несколько ИИ пилят одну задачу, а независимый арбитр сравнивает результаты и выбирает лучший. • Честно считает бюджет и квоты — неизвестная цена не превращается волшебно в ноль. • С версии 2.1 — профили подписок: если одна упёрлась в лимит, аккаунт можно автоматически отодвинуть в сторону. А теперь имба: автор перешёл с оплаты API на пачку подписок и уронил траты на токены с 15 тысяч до 2 тысяч в месяц. На сэкономленное можно и кофе взять. Забрать: тут. 🔥 — пойду скрещивать агентов 👀 — надо глянуть на трезвую @ai_for_dev

Техдолг никуда не делся — мы просто платим за него токенами Сейчас модно говорить: зачем нанимать команду, если можно кинуть задачу модели, и она всё сделает за минуты. Зерно правды есть, но автор с Хабра добавляет важную оговорку. Раньше всё крутилось по кругу: техдолг → скорость падает → нанимаем ещё людей (побольше джунов, подешевле) → коммуникаций больше → регрессий больше → техдолг растёт. По сути компания просто оплачивала долг новыми инженерами, пока могла. Теперь вместо пяти разработчиков «нанимаем» в тысячу раз больше вычислений. Модель не тянет? Крутим окно контекста, докидываем агентные циклы, берём модель помощнее или просто генерим ещё раз. Выглядит реально круто и какое-то время держит скорость. Вот только LLM не убирает сложность системы. Долг просто сменил валюту: был в людях — стал в токенах. А чем страшнее кодовая база, тем дороже модели её вообще понять. 🤔 — узнал свой проект 😎 — токены дешевле джунов @ai_for_dev

Кидаешь репозиторий — получаешь готовый учебник по нему Знакомая боль: открыл чужой проект и сидишь как в тумане, не понимая, откуда что растёт. Вот этот инструмент как раз про это. Ллмка проходит по всему коду, понимает, как устроен проект, и лепит понятный туториал с главами. Внутри — примеры кода, схемы и таблицы, чтобы не приходилось держать всю архитектуру в голове. Построен на Pocket Flow — LLM-фреймворке в 100 строк. Уже нагенерил разборы CrewAI, DSPy, Browser Use и кучи других библиотек. И да — open source, бесплатно, лицензия MIT. 🔥 — забираю в закладки 👀 — гляну на своём легаси Источник: github.com @ai_for_dev

Скармливаешь репу — получаешь учебник Знакомое чувство: открыл чужой проект и сидишь как в тумане? Вышла бесплатная тулза, которая лечит именно это. Tutorial-Codebase-Knowledge сам обходит GitHub-репозиторий, разбирается как всё работает и собирает тебе понятный гайд с диаграммами и табличками. По сути — AI-агент, который читает код за тебя и объясняет по-человечески. Внутри — крошечный LLM-фреймворк Pocket Flow на 100 строк. В примерах уже готовые разборы CrewAI, Browser Use, Celery и других — всё сгенерено нейронкой, руками никто не писал. Лицензия MIT, платить не надо. Забираем на GitHub. 🎉 — халява, тащу 😎 — гляну на выходных Источник: github.com @ai_for_dev

Локальный LLM-триаж SAST на Qwen2.5-Coder-14B в закрытом контуре Отчёт AppSec-инженера «Ростелекома» об инференсе на локальных моделях без выхода во внешний мир. Цель узкая: можно ли делегировать модели часть SAST-срабатываний и принимать ответ только на проверяемых признаках. Стек стенда: - vLLM как inference-сервер - Qwen2.5-Coder-14B в AWQ-квантизации - RTX 4080, 16 ГБ VRAM, закрытый контур, ручная разметка Ключ подхода — evidence package. Модель получает не сырой finding, а карточку с проверяемыми полями: CWE, trace (source → sink), sanitizer, контекст кода, история решений, env_label. На выходе — строгий JSON, иначе ответ не принимается. Пример карточки: rule Hardcoded Credentials (secret-scan), CWE-798, severity High, trace source → assignment → (sink not in payload). Реальный ключ это или плейсхолдер — по одной строке не сказать, а таких строк тысячи. Именно тут строгий контракт признаков отсекает уверенные, но необоснованные вердикты. Подход вдохновлён ZeroFalse. Это не «LLM против SAST», а карта зон, где локальная модель опирается на факты, а где обязана вернуть решение человеку. Полный разбор 😐 — знакомая проблема 🤔 — надо проверить подход @ai_for_dev

grep против векторов: как агенты ищут код Спор старый как мир: как AI-агенту найти нужный кусок кода в репе? Винай Пернети из Augment Code топит за семантику, а не за grep. Логика простая. Окно контекста у агента маленькое, и каждый раз надо натащить туда правильные куски кода. Claude Code и Codex делают это через grep. Augment пошёл другим путём: эмбеддинги, retrieval-модель, векторная база — и код достаётся за суб-миллисекунды. Самое интересное — где это реально выстреливает. Пернети честно говорит: на публичных open source репах толку мало, потому что модели их уже запомнили и сами знают, где что лежит. А вот на больших приватных кодовых базах, которые модель в глаза не видела, семантика начинает рулить. Весь разговор — на arstechnica.com. 🤔 — а grep-то живее всех живых 😎 — почитаю на выходных @ai_for_dev

Ассистент, а не агент: делаем LLM-систему, которая не бесит Владимир Суворов (Senior Data Scientist, пилит open-source AutoML-фреймворк OutBoxML) на пальцах объясняет, чем ассистент отличается от агента — и почему для прода он выбирает первого. Аналогия простая. Нужно закрыть задачу — можно отдать на аутсорс, а можно нанять человека в штат. Агент = аутсорс. Кинул ТЗ, ждёшь результат. Как он туда шёл, сколько раз перечитал документ и сколько токенов спалил — загадка. Ассистент = штатный сотрудник. Ты сам выдаёшь инструменты, пишешь должностную инструкцию и регламентируешь каждый шаг. Дольше настраивать, зато система полностью управляемая. И главная боль автономного агента — не цена, а доверие: свёрился ли он реально с твоим сводом правил или дофантазировал из обучающих данных? У ассистента такого вопроса нет — свод грузится в контекст на каждом запросе. Разбор с пайплайном и сменными интерфейсами — на Хабре. 👏 — согласен, штат рулит 🤔 — агенты тоже норм @ai_for_dev

Langflow: собираешь ИИ-агентов мышкой, как в Scratch Помните blueprints из Unreal или Scratch из детства? Langflow примерно про это, только для ИИ-агентов. Перетащил ноды на холст, соединил стрелочками — и вот рабочий пайплайн, без ручного бэкенда. Внутри всё крутится вокруг потока (Flow): он берёт вход, гоняет его через LLM, базы и агентов и выдаёт ответ. Тестируешь прямо в чате — удобно дебажить RAG, тулзы и субагентов, просто выводя нужное в вывод. Понравился прототип? Жмёшь — и он превращается в API. Приятные мелочи: локальное развёртывание, интеграция MCP и внешних API, экспорт потоков и всего проекта в .json (потом хоть LLM-кой ковыряй), и куча шаблонов под чат-ботов и RAG. 🔥 — мышкой, а не кодом 🤡 — опять ноды таскать Источник: habr.com @ai_for_dev

«WWW для ИИ» — теперь без подписки? Некоммерческая Current AI замахнулась построить открытую AI-инфраструктуру для всех и бесплатно. Смысл простой: соединить кучу разрозненных моделей и сервисов в одну сеть, чтобы мы, разработчики, могли комбинировать их без платных шлюзов и вендор-локина. Прям как старый добрый веб — открытый для всех. Это не только манифест: уже выкатили Suno Sutra — офлайн-девайс на 22 языка, и он open-source, бери и допиливай. Плюс за спиной $400 млн от фондов и правительств, так что это не два энтузиаста в гараже. Звучит как утопия в пику закрытым экосистемам OpenAI и Google. Взлетит или нет — вопрос, но идея приятная. Источник 🕊️ — за открытый веб 🤡 — верю, когда увижу @ai_for_dev

Росатом собрал свой конструктор ИИ-агентов Госкорпорация показала платформу «Когнитрон» — обучай и разворачивай модели, лепи ИИ-помощников и агентов. Умеет в текст, картинки, аудио и видео. Самое интересное для нас: дообучение LLM на данных компании вообще без разработчиков. То есть агентов клепает бухгалтер, а не мидл за деньги. No-code во все поля — от помощников юристам до проектирования атомных станций. В мае 2026 попала в реестр российского ПО. Публичного доступа и SDK, правда, не завезли — внутрикорп-история. 🤔 — посмотрим 🤡 — опять без API Источник: habr.com @ai_for_dev

Дизайним как в Apple, только через npx Чувак из Vercel и Linear выложил набор skills для тех, кто пилит интерфейсы. Внутри есть модуль apple-design — это принципы дизайна и анимаций с WWDC, но переваренные и переведённые под веб. Самое сочное — он реально ловит агента за руку, когда тот лепит ease-in на появление вместо ease-out или ставит жирную границу вместо мягкой тени. Все эти мелочи копятся, и из-за них интерфейс выглядит либо огонь, либо «ну такое». Ставится одной строкой:

npx skills@latest add emilkowalski/skills

Бесплатно, без ограничений. Годный способ вытащить из AI интерфейсы получше. Код и описание — на GitHub. 🔥 — залил в проект 😎 — на выходных потыкаю Источник: github.com @ai_for_dev

Опенсорсный Palantir? Встречайте OpenPlanter 🤯 Нашёлся опенсорсный ИИ-агент для расследований — OpenPlanter. Скармливаешь ему кучу разных данных (реестры компаний, контракты, лоббизм, финансы кампаний), а он сам находит связи между людьми, фирмами и сделками, строит граф и показывает, откуда взял каждый факт. Работает автономно: сам читает файлы, гоняет команды в shell, лезет в веб-поиск и даже плодит под-агентов. Есть десктоп на Tauri и Python CLI — что больше по душе. Модели на выбор: OpenAI, Anthropic, OpenRouter, Cerebras или локальная Ollama, если не хочешь светить данные наружу. Поставить CLI — минутное дело:

pip install -e .
openplanter-agent --workspace ./data

Код и бинарники под все ОС — на GitHub. 🔥 — self-hosted банда, налетай 👏 — пошёл ставить звезду @ai_for_dev

Кто-то воссоздал UI Claude Code и Codex — и раздаёт бесплатно 🤯 Гении собрали интерфейсы Claude Code, Codex и Grok в виде готовых ShadCN-компонентов. Просто вставляешь в своё приложение или CLI — и не пилишь всё руками. Что внутри: → промпты и сообщения чата → вызовы инструментов → diff'ы кода → диалоги запроса разрешений → списки задач и slash-команды Идеально, если пилишь AI-приложение, TUI или CLI и не хочешь собирать интерфейс с нуля. Всё тут: theswerd/brainless 🎉 — халява, беру 👀 — надо потыкать @ai_for_dev

Агент, который живёт прямо в твоём телефоне Нашли OpenDroid — open-source AI-агент для Android, который реально *делает дела*, а не просто болтает. Скажи ему «проверь погоду, и если дождь — напиши жене, что опоздаю, и поставь будильник» — он сам разложит это на шаги, выполнит каждый, проверит результат и подстроится, если что-то отвалилось. Фишки: - тапает по экрану, вводит текст, открывает приложения - помнит контекст между сессиями - дружит с GPT, Claude, Gemini и локалками через Ollama - умеет крутить модели прямо на устройстве Забираем на GitHub 🔥 🔥 — пойду пробовать на своём 🤡 — телефон сам себе злодей @ai_for_dev

Kimi CLI: китайский ответ Claude Code MoonshotAI выкатили Kimi CLI — открытого агента, который живёт прямо в терминале и, по слухам, «уничтожил» Claude Code 😎. Читает и правит код, гоняет команды, сам лазит по вебу и планирует шаги. Почему интересно: • Жмёшь Ctrl-X — и это уже обычный shell, команды без выхода из агента. • Есть расширение для VS Code, а через ACP им рулят Zed и JetBrains напрямую. • MCP настраивается прямо в чате — руками JSON ковырять не надо. Ставится одной строкой:

curl -LsSf https://code.kimi.com/install.sh | bash

Потом kimi, вход через /login — и погнали. Лежит всё на GitHub. 🔥 — сегодня же ставлю 🤡 — опять новый CLI @ai_for_dev

Найдёшь пять багов в коде, который дёргает LLM? Казалось бы, что тут сложного: импортировал клиент, кинул промпт, забрал ответ. Три строки, как в любом туториале. Только все туториалы заканчиваются ровно там, где начинается прод. Дальше — классика жанра: - asyncio.gather запускает десять тысяч корутин разом, провайдер захлёбывается 429, и чем сильнее долбишься — тем меньше проходит. - Таймаут отвалился на клиенте, а модель дописала ответ и деньги сняли. За одну генерацию платишь как за четыре. - CI краснеет: тест на равенство строк умер в тот день, когда temperature=0 отдал два разных ответа подряд. Лечится семафором, подсчётом лимита по токенам и уважением к заголовку retry-after-ms. Пять мест, где сеть мстит за отношение к ней как к локальной функции. 🔥 — залетаю читать 😁 — узнал свой прод @ai_for_dev