AI для Разработки — Claude | Cursor | Copilot

Вайбкодинг: почему ваш проект — это ошибка выжившего Два года назад для веб-приложения нужно было знать язык, фреймворк, БД, деплой и дебаг. Сегодня достаточно уметь сформулировать задачу. Цифры говорят сами за себя: — 51% кода на GitHub в 2026 написан AI — 63% вайбкодеров — вообще не разработчики — 70% новых корпоративных приложений делают citizen developers, а не IT Красиво? А теперь честно про «прямой подход»: описал задачу → AI выдал код → потыкал → если не работает, кинул ошибку обратно в чат → повторил. Работает? Работает. В каком-то проценте случаев. И вот тут ловушка. Вы думаете: «у меня же всё работает, что не так?». А не так то, что вы не видите тысячи проектов, которые померли при первом «а давай теперь фильтр по диапазону дат». Выясняется, что вся логика зашита в HTML, данные летят одним запросом без пагинации, а менять проще переписать. AI создал новый жанр — «спагетти с красивой сервировкой». Снаружи чистые имена и структура, внутри — компонент авторизации дёргает таблицу заказов напрямую. Классика. 🤡 — узнал свой проект 🤔 — пойду рефакторить @ai_for_dev

Как дата-сайентисты реально живут с AI Чувак из Сбера написал на Хабре, как он каждый день пашет с LLM — и где эти LLM его подставляют. Короче, три главных юзкейса: - Код: автодополнение, объяснение чужих портянок, докстринги за тебя - SQL: сгенерить запрос, оптимизировать, разобрать план выполнения - Рефакторинг: теоретически можно скормить весь проект, на практике — поэтапно с ревью Из стека у автора: - GigaCode (на GigaChat) — похож на Copilot, но интеграция не такая гладкая - Cursor — для тех, кто любит докрутить промпты - DataGrip — база для SQL-рутины Главный прикол: нейронка любит тихо проглотить фильтр или джойн в SQL — запрос отработает, но вернёт не то. Сидишь потом, дебажишь цифры, которые не бьются. Вывод банальный, но честный: AI ускоряет, но не заменяет. Ревью никто не отменял. Статья целиком 🔥 — всё про меня 🤡 — пойду дебажить свои SQL @ai_for_dev

Считаем руду на конвейере: SAM2 размечает, YOLO угадывает Заказчик пришёл с задачей: над конвейером висит камера, надо посчитать долю оранжевой фракции руды (по цвету определяют химсостав). Раньше это делал геолог на глаз — «80% оранжевой, 10% серой, как-то так». Ночная смена в журнале часто молчала. Нужно 24/7 и без расхождений между сменами. Сначала попробовали тупо HSV-пороги. На статике красиво, на конвейере мрак: грязь на оранжевом камне по пикселям как серо-белая фракция. Плюс это instance segmentation — 1 большой камень и 5 мелких имеют одинаковую площадь, а гранулометрия совсем разная. Полигонная разметка вручную? Кадр содержит 100–900 камней вплотную, острые грани, без зазоров. Один кадр размечается ~1 час. На датасет 500 кадров — 500 часов размечика. Бюджет на этом помахал ручкой. Как выкрутились через SAM2 + YOLO → habr.com/articles/1034836 🔥 — практика, а не туториал 👀 — забрал в закладки @ai_for_dev

Один CLAUDE.md в корне — это ещё не среда агента Знакомая картина: в репе лежит CLAUDE.md (или AGENTS.md, или .cursor/rules), и в него натолкано всё подряд — продукт, архитектура, соглашения по коду, частые баги, ссылки на доки, советы агенту вроде «не лезь в легаси без необходимости». Работает, пока весь проект ещё в голове. Ломается ровно тогда, когда задача упирается в пару костылей полугодовой давности в соседних модулях, две интеграции с внешними API со своими причудами и архитектурное правило из чьих-то заметок полтора года назад. В один файл это физически не лезет. А если лезет — превращается в свалку, в которой агент находит нужное примерно так же, как живая команда в полном отпуске. Автор предлагает делить среду на три слоя: контекст под задачу (пол), архитектурные границы (стены), типизированная память (потолок). Без любого из трёх — агент тыкается вслепую. ✍️ — записал, буду перебирать 🤡 — у меня одна большая свалка @ai_for_dev

70% кода пишет AI, а ты теперь редактор Соло-дев прожил год в режиме «Claude Code на Max-подписке» и поделился наблюдениями без хайпа и без хайтерства. $200/мес — дороже сериала, дешевле джуна за два дня. В проде у него мессенджер, AI-платформа, marketing-инструменты и десктоп на Rust + Tauri. 70% кода в репах — совместная работа с AI. Что поменялось: CRUD, формы и бойлерплейт — минуты вместо часов. Не потому что человек печатает быстрее, а потому что он больше не печатает. Формулируешь → проверяешь → правишь. А «почему три уровня кэша, а не два» и «какие индексы класть в SQLite» — это всё ещё человек. Дискуссии «AI заменит программистов / AI это просто хайп» автор честно посылает. Реальность скучнее: рутину забирает машина, контекст и архитектура остаются у тебя. Криптографию и сложные миграции в прод пока страшновато — баги AI лепит регулярно. Читать целиком 😎 — звучит как мой обычный день 🤔 — а у меня пока процентов 30 @ai_for_dev

AI у всех есть, а толку ноль Знакомая картина: компания занесла Anthropic пару миллионов, у всех Copilot, ChatGPT Enterprise где-то крутится, а на ретро всё те же грабли. Личная продуктивность растёт, командная стоит. Роберт Глазер хорошо разложил, почему так. В одной компании одновременно: сеньор делегирует root-cause агенту и за час получает решение, которое заняло бы две недели. Рядом джун коммитит красивый код, не подозревая, какую архитектурную дичь туда зашил агент. Саппорт тихо автоматизирует тикеты, потому что знает, где болит — а Center of Excellence про это даже не спросил. Вывод: единица адопшна — это не команда, это цикл работы внутри команды. Мерить надо не «сколько промптов в день», а учится ли команда быстрее. Автор предлагает качать три ветки: — Agent Operations: кто запущен, куда лезет, что аудируется — Loop Intelligence: где AI реально помогает, а где — сайд-квест в никуда — Agent Capabilities: как открытия одной команды доходят до соседей 🔥 — отправлю своему CTO 🤡 — у нас как раз про лицензии спрашивают @ai_for_dev

ИИ-слоп топит open source, и это не шутка Схема одна и та же: чел открывает для себя агентов, генерит «новый Kafka на Коболе», просит Claude написать восторженный блогпост и раскидывает ссылку по всем Slack-чатам и сабреддитам, куда дотянется. На GitHub — звёзды не выпрашивай, на issues — отвечать не буду, на PR — посмотрю когда-нибудь. Проблема не в самих проектах (их можно проигнорировать), а в асимметрии затрат: сгенерировать — 5 минут, отревьюить галлюцинирующий PR — пара часов мейнтейнерского времени. И когда такого потока становится много, людям, которые реально тащат проекты, проще закрыть инбокс, чем разгребать. Хабр-статья разбирает, как ИИ-слоп тихо убивает онлайн-сообщества — и почему «остановись после этапа 2» лучше, чем массовый промо-спам. 😐 — больно знакомо 🤷 — таков рынок @ai_for_dev

Чел собрал AI-директора и послал RAG лесом На Хабре подробный разбор: как сделать AI-агента для конторы на 20 человек, который реально работает. Зовут Лира, стек простой как валенок — FastAPI, SQLite, Claude Haiku 4.5 и кастомный планировщик. Что умеет: — знает всех сотрудников в лицо (ну, по профилю) — услышал в чате «доделаю auth до пятницы» — в четверг напомнит — видит кто реально двигает цели, а кто буксует — шлёт гендиру утренние сводки «что было у команды» — отвечает и боссу, и работягам — но с разным контекстом Самое сочное: автор послал векторную базу с RAG и сделал типизированную память + граф знаний организации. Аргументы железные: для маленькой компании семантический поиск по эмбеддингам — это из пушки по воробьям, плюс куча проблем с устаревшими фактами и разной уверенностью в данных. UI не показывает (коммерческий продукт), зато технические кишки расписаны душевно. 🔥 — пойду перечитывать 🤩 — без RAG жить можно @ai_for_dev

OpenHuman: ИИ-секретарь, который сам ходит на созвоны вместо тебя Опенсорсный десктопный агент — ставится в пару кликов, без терминала. Главная фишка: маскот, который реально присоединяется к Google Meet как участник, говорит голосом и потом помнит, о чём договорились — неделями. Что внутри: — 118+ интеграций: GitHub, Slack, Gmail, Notion, Linear, Jira и далее по списку — локальные модели, шифрование на диске — ничего наружу — контекст копится между сессиями, не сбрасывается — Windows, macOS, Linux Код и бинарники: github.com/tinyhumansai/openhuman. Статус — early beta, шероховатости обещают честно. 🔥 — self-hosted gang 👀 — надо потрогать на выходных @ai_for_dev

Когда SQL-запрос выглядит как макароны — на помощь идёт SQL Crack SQL Crack — расширение для VS Code, которое разбирает любой запрос на интерактивную схему прямо в редакторе. Кликаешь на колонку — видишь, откуда она пришла через все JOIN'ы и агрегации. Двойной клик по CTE — разворачивается в отдельное облачко. По вайбу — это JSON Crack, но для SQL. Узлы раскрашены по типам (Table синий, Join розовый, Aggregate янтарный), есть мини-карта, undo/redo для layout'а и режим сравнения двух запросов side-by-side. Самое вкусное: Query Statistics считает complexity score, глубину CTE и performance score от 0 до 100. Workspace Analysis рисует граф зависимостей по всему проекту — кто кого читает, кто куда пишет. Для больших графов (100+ узлов) автоматически кластеризуется, чтобы редактор не лёг. 🔥 — пойду распутывать легаси-запросы 👀 — надо натравить на наш DWH @ai_for_dev

Синдром Малевича: AI не уравнитель, а усилитель Вайбкодинг создаёт иллюзию, что синтаксис учить больше не надо — Claude Code сам всё напишет. Только вот незадача: AI делает сильных инженеров сильнее, а слабых — слабее. Логика простая. Сеньор пользуется LLM как ускорителем — он видит, где модель галлюцинирует, и правит. Джун, который не понимает, что генерится, штампует скрипты, превращающиеся в легаси, которое потом никто не разгребёт. Автор статьи проводит аналогию с Малевичем: «Чёрный квадрат» кажется простым, но к моменту его создания художник был мастером с академической базой и десятками работ. Минимализм без фундамента не работает — ни в живописи, ни в коде. Зарплаты джунов уже упали ниже средней по стране. Грустная новость для тех, кто рассчитывал, что AI откроет лёгкий вход в индустрию. 😎 — мидлам пока спокойно 🤡 — навайбкодил легаси, сам же и разгребай @ai_for_dev

Fragnesia (CVE-2026-46300): третья LPE-уязвимость в ядре Linux Исследователи раскрыли продолжение серии Copy Fail — уязвимость Fragnesia позволяет непривилегированному локальному пользователю получить root. Рабочий эксплойт уже в открытом доступе, патчи готовятся. Корень — в подсистеме xfrm-ESP (реализация ESP-in-TCP, RFC 8229). Из-за логической ошибки при выполнении AES-GCM по месту возникает возможность перезаписать 1 байт в страничном кэше по выбранному смещению. Итеративно подменяется содержимое любого закэшированного файла, включая /usr/bin/su с suid root. Уязвимость затрагивает ядра, выпущенные после 5 мая — побочный эффект исправления Dirty Frag. Первый предложенный патч признан недостаточным, готовится второй. Условие эксплуатации — разрешённые user namespaces. В Ubuntu они отключены по умолчанию, но могут быть включены через AppArmor или kernel.apparmor_restrict_unprivileged_userns=0. Полный разбор и ссылка на эксплойт 😐 — пора патчить продакшен 🤔 — проверю свои хосты @ai_for_dev

HTML вместо markdown — и куда его деплоить за 10 минут Claude и Codex всё чаще выдают HTML вместо .md — и это реально удобнее: структура, цвета, диаграммы, дашборды. Презентации, планы, мокапы — всё лучше живёт в браузере, чем в монохромном маркдауне. Thariq из Anthropic собрал подборку примеров с промптами: html-effectiveness. Но он не рассказал главное — как пошарить ссылку, а не файл. Лови три способа: 1) Cloudflare Pages — ставишь npm i -g wrangler, дальше CLI. 500 деплоев в месяц бесплатно, ссылка project.pages.dev. 2) Vercel — npm i -g vercel. 100 GB трафика — для одноразовых страничек это бесконечность. 3) Netlify Drop — вообще без CLI. Перетащил файл в браузер — получил ссылку. Топ для лентяев. Настройка минут 10, в основном на логин. Дальше просто говоришь агенту:

Задеплой и пришли ссылку

И он сам всё сделает. 🔥 — пойду деплоить свои простыни 🤡 — markdown ещё жив, не хороните @ai_for_dev

ClearML Agent: бесплатный GPU в Colab — теперь по-взрослому Ситуация знакомая: ноутбук в Colab есть, идея есть, а как нормально запустить эксперимент на удалёнке без копипасты — непонятно. Тут на сцену выходит ClearML Agent. Что умеет: — клонирует твой репозиторий, ставит зависимости, поднимает окружение и запускает код — как будто ты сидишь локально — слушает очереди задач и тащит их по приоритету — рулит GPU через --gpus, можно гонять и в CPU-only — собирает в один кластер локальные машины, облако и хоть бабушкин ноутбук — весь stdout, установка зависимостей и клоны — в UI, не надо лезть в ssh — гиперпараметры, аргументы CLI, docker-образ — меняются через UI/SDK, код трогать не надо — дружит с Kubernetes, bare-metal и SLURM Ты пишешь Task.init(...) локально, агент на Colab подхватывает таск из очереди, воссоздаёт окружение по diff-патчу и крутит обучение. По сути — бесплатный удалённый GPU без боли. Разбор на Хабре · app.clear.ml 🔥 — пойду гонять на халявном Colab 👀 — надо потыкать на выходных @ai_for_dev

Локальный TTS, от которого ElevenLabs нервно курит Inworld выкатил Realtime TTS-2 в on-device preview — тот самый движок, что держит первое место в чарте Artificial Analysis. Теперь крутится локально на телефоне или ПК, без облака и без подписочной кабалы. Что умеет: • Клон голоса по 15 секундам аудио • Сгенерить голос «с нуля» по описанию — тёплый баритон, нервный подросток, что угодно • Эмоции, тон, паузы — всё рулится в реалтайме • 100+ языков в одной сессии, русский есть • Задержка 120–200 мс Поиграться в браузере: realtime.ai. Подать заявку на локальную версию: inworld.ai/on-device. 🔥 — оффлайн-TTS, мечта 👀 — гляну что с русским @ai_for_dev

MCP-серверы на FastMCP: 7 граблей, на которые наступают все FastMCP упрощает выкатку инструментов для LLM-агентов, но «упрощает» ≠ «защищает от себя». Автор посмотрел десятки серверов (даже гугловый Google Ads MCP) и собрал коллекцию одних и тех же ошибок. Топ косяков: — Забыли пометить мутирующие операции. Claude Code и ChatGPT в итоге либо душат пользователя подтверждениями на каждый чих, либо молча одобряют DROP TABLE. В спеке от 2025-03-26 завезли ToolAnnotations — буквально одна строка:

python
@mcp.tool(annotations=ToolAnnotations(
    readOnlyHint=False,
    destructiveHint=True
))
def create_campaign(...): ...

— Голые API-примитивы наружу. Делаете один search() с GAQL и думаете «LLM разберётся». Не разберётся. Будет галлюцинировать запросы снова и снова. — Дальше по списку: кривая обработка ошибок, ответы по 50k токенов на пустяк и дыры в безопасности. Если пишете MCP-сервер — пробегитесь глазами, это реально one-liner-фиксы, которые спасут от потери данных. 🔥 — пойду размечать свои tools 👀 — а у меня все косяки в комплекте @ai_for_dev

Если if тормозит — выкини if Современный CPU обожает предсказывать ветвления. Когда данные случайные, предсказатель промахивается, конвейер сбрасывается, и ваш красивый цикл едет со скоростью трактора. Классика: копируем числа < 500 в новый массив. Версия «как учили»:

for (int i = 0; i < SIZE; i++) {
    if (numbers[i] < 500) {
        small_numbers[smlen] = numbers[i];
        smlen += 1;
    }
}

А теперь магия — пишем всегда, а счётчик двигаем только если условие истинно:

for (int i = 0; i < SIZE; i++) {
    small_numbers[smlen] = numbers[i];
    smlen += (numbers[i] < 500);
}

Да, иногда перезаписываем ту же ячейку. Да, кажется, что это «грязнее». Но на Apple M1 с -O1 цифры неумолимы: 0.345 сек против 0.036 сек на 1000 прогонов. Почти в 10 раз быстрее. В ассемблере просто исчезает b.gt — и весь конвейер выдыхает с облегчением. Лайфхак для горячих циклов, где условие непредсказуемо. 🔥 — пойду переписывать хотспоты 👀 — а компилятор сам не должен? @ai_for_dev

Курсор 2.0 от энтузиастов — open source на Gemini Google показал умный указатель: понимает, на что ты смотришь, и слушает голос. Корпоративное демо, всё красиво — но пощупать нельзя. Парень из Twitter сделал реверс и выложил TipTour — менюбар-приложение для macOS 14+, которое реально работает. Держишь хоткей, говоришь — оно тыкает, печатает, открывает приложения, редактирует выделенный текст. Можно мазнуть курсором по куску экрана (Ctrl+Shift+drag) и сказать «смягчи эту фразу» или «передвинь это туда». Под капотом — Gemini Live для голоса и зрения, CUA Driver Core для управления компьютером, macOS Accessibility для точного попадания в элементы. Есть режим Tour Guide — учит шаг за шагом, и Neko Mode — просто потому что можно. Лицензия MIT, нужен свой ключ Gemini API. Собирается из Xcode за пару минут. 🔥 — пойду ломать свой Mac 👀 — надо потыкать на выходных @ai_for_dev

Dulus: автономный агент, который метит в место Claude Code Open source питонячий агент в ~12 000 строк — без шага сборки, без gatekeeping, ставится одной командой pip install dulus. Главная фишка: летает на любой модели — Claude, GPT, Gemini, DeepSeek, Qwen, Kimi, Zhipu, MiniMax, плюс локалки через Ollama. Захотел сменить модель — переключился на лету. В комплекте 27 инструментов, MCP, горячая подгрузка плагинов, параллельные саб-агенты, голос офлайн и даже мост в Telegram. 263+ тестов — для опенсорса прилично. Для тех, кто устал считать токены одного API и хочет всё держать локально. GitHub → 🔥 — заменю Claude Code 🤡 — 12k строк, ну-ну @ai_for_dev

ByteDance уронил в опенсорс DeerFlow 2.0 — агент, который сам плодит субагентов Китайцы выкатили переписанный с нуля DeerFlow 2.0 — это не deep research v1, а полноценный super-agent harness. Главный агент создаёт пачку субагентов, кидает их параллельно на задачу и собирает результат. Что умеет из коробки: • Исследование, кодинг, генерация отчётов, презентаций, картинок и видео • Лезет в shell, читает/правит файлы, смотрит изображения • Помнит вас между сессиями — долгосрочная память по проектам и предпочтениям • Дружит с Telegram, Slack, Feishu/Lark, WeChat — без публичного IP • Работает с любой LLM и подключает MCP-серверы • Втыкается в Claude Code — швыряешь задачу в DeerFlow прямо из терминала и не вылезаешь из IDE Лицензия MIT, ставится локально. Можно наконец перестать платить за чужую агентскую оркестрацию. 🔥 — self-hosted gang в сборе 🤩 — китайцы опять не дают расслабиться @ai_for_dev