AI для Разработки — Claude | Cursor | Copilot

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

Червь Mini Shai-Hulud атаковал npm и PyPI Группировка TeamPCP заразила более 170 пакетов в реестрах npm и PyPI с суммарной аудиторией 518 млн загрузок. Среди пострадавших — TanStack, Mistral AI и Guardrails AI. Что крадёт: учётные данные облачных провайдеров, криптокошельки, токены ИИ-инструментов и CI/CD-систем. Эксфильтрация идёт через децентрализованный мессенджер Session и API GitHub. Ключевые особенности: - Закрепляется через скрытые обработчики в VS Code и Claude Code — переживает перезагрузку - В пакетах TanStack использовал OIDC GitHub Actions → получал легитимный сертификат SLSA - В Python-пакетах загружается автоматически при импорте - Не работает на русскоязычных ОС; на устройствах в Израиле и Иране с вероятностью 1 к 6 выполняет rm -rf / - «Переключатель мертвеца»: при отзыве токена через панель GitHub стирается домашняя директория Технический разбор Microsoft и StepSecurity. Рекомендация специалистов: не отзывать подозрительные доступы до полной изоляции заражённой машины. 😐 — пора аудитить зависимости 🤔 — проверю свой lock-файл @ai_for_dev

Adaption выкатила AutoScientist — модели сами себя дообучают Новый стартап Adaption (за рулём Сара Хукер, экс-VP AI Research в Cohere) показал AutoScientist — автоматический fine-tuning без боли и слёз. Фишка: инструмент крутит данные и модель одновременно и сам ищет, как быстрее всего вкачать в модель нужный навык. Поверх их же продукта Adaptive Data — то есть датасет улучшается → модель улучшается, и так по кругу. Цифры из релиза: win-rate вырос больше чем в 2 раза на разных моделях. SWE-Bench и ARC-AGI не показывают — говорят, под кастомные задачи стандартные бенчмарки бессмысленны. Звучит удобно для маркетинга, но логика есть. Чтобы не верить на слово — первые 30 дней дают бесплатно. Идеальный момент потрогать руками. 🔥 — пойду пробовать на своём датасете 👀 — гляну, что в реальности @ai_for_dev

Whisper на Маке без Python — наконец-то Человек взял CTranslate2, портировал под Apple Silicon с нативным Metal-бэкендом, и теперь можно транскрибировать локально без всего этого зоопарка из Python, FFmpeg и Docker. Два репо: • metal-faster-whisper — CLI и библиотека. Один бинарь, 7-11x быстрее реального времени, поддержка VAD, word timestamps, SRT/VTT/JSON. • CT Transcriber — нативное macOS-приложение. Кидаешь аудио/видео — получаешь расшифровку. И, что прикольно, можно подключить LLM (OpenAI, Anthropic, Ollama локально и др.) и задавать вопросы прямо по транскрипту. M1+, macOS 14, MIT-лицензия. Звёзды на гитхабе автор оценит. 🔥 — поставлю на свой M2 👏 — пошёл ставить звёзды @ai_for_dev

Vibe-coding протёк: 5000+ приложений без замка на двери Исследователи из RedAccess прошлись по приложениям, наклёпанным на Lovable, Base44, Replit и Netlify — и нашли 5 000+ веб-приложений без какой-либо аутентификации. Знаешь URL — заходи, бери что хочешь. Что слили в открытый доступ: - медицинские карты - финансовые данные - корпоративные стратегии в слайдах - логи разговоров клиентов с чат-ботами 40% приложений раздавали чувствительные данные всем подряд. В некоторых случаях исследователи получали админ-права и могли удалять других админов. Бонус-трек: на поддоменах Lovable нашли фишинговые страницы под Bank of America, FedEx, McDonald's и Costco. Платформы дружно ответили: «у нас есть настройки безопасности, а если юзер их выключил — это его выбор». Технически верно, но когда продакт-менеджер из соседнего отдела за вечер собирает «маленький внутренний инструмент» и кладёт туда базу клиентов — выбор обычно делается не в пользу безопасности. 😐 — знакомая боль 🤔 — надо аудит шадоу-IT делать @ai_for_dev

Auto Dream переписывает память Claude Code без отката. Встречайте cc-janitor Признайтесь: в ~/.claude/ у вас давно свалка. Сотни сессий на пару гигов, правила permissions раскиданы по пяти settings.json (половина протухла), CLAUDE.md сам себе противоречит, а хуки могли молча сломаться неделю назад. И тут Anthropic выкатывает Auto Dream — между сессиями Claude сам переписывает вашу память. Откатить нельзя. Удалит что-то нужное — поздняк метаться. Автор написал cc-janitor — бесплатно, MIT, Python 3.11+, TUI на 8 вкладок плюс CLI:

uv tool install cc-janitor
# или
pipx install cc-janitor

Что умеет: - посмотреть и почистить старые сессии с превью и поиском по содержимому - удалять с soft-delete в корзину на 30 дней (восстановить — одна команда) - аудит permissions по всем пяти слоям конфигов - ловить протухшие хуки и противоречия в memory Подробный разбор — статья на Хабре. 🔥 — пойду чистить свой бардак 👀 — гляну перед сном @ai_for_dev

nitpicker: код-ревью толпой LLM-ок nitpicker — ещё одна тулза для ревью кода, но с приколом: запускает несколько LLM параллельно с разными промптами, а потом отдельный агрегатор сводит их вердикты в один. Есть два режима: — Parallel — все ревьюеры пишут независимо, потом мердж — Actor-critic — модели дебатируют друг с другом. Долго, дорого по токенам, но ловит нетривиальные баги и почти без false positive Каждый ревьюер — это агент, который сам читает файлы, гриппает по репо, ходит в git. Умеет в субагенты и автосжатие контекста. Можно ревьюить весь репо, отдельную папку или PR с github (с автокомментом):

nitpicker pr https://github.com/owner/repo/pull/42

Написано на Rust 🦀, минимум зависимостей, память не сжирает. Можно подрубить бесплатные модели OpenRouter — качество соответствующее, но платить не надо. Ставится через cargo install nitpicker. 🔥 — натравлю на свой говнокод 👀 — надо глянуть @ai_for_dev

Free-модели LLM: лотерея или нормальный контур? Классический сценарий. В проект надо прикрутить выбор LLM. Берём список от провайдера, кидаем на фронт, дефолтом ставим первую free-модель. Готово, идём пить кофе. Через неделю начинается веселье: - одна free-модель отвечает через раз - другая внезапно пропала из выдачи провайдера - третья формально жива, но качество — только на демо показать - юзер выбрал модель А, а ответ пришёл от модели Б - фронт показывает один список, backend живёт в параллельной вселенной Автор статьи на Хабре решает это не «давайте добавим ещё моделей», а через жёсткий инженерный контур: - backend сам чистит сырой список от провайдера - оставляет по одной живой модели на бренд — никакой свалки из десятка почти одинаковых id - во время запроса умеет сфоллбечиться на другой бренд, если основной упал - возвращает в ответе actual_model — чтобы фронт честно показал, кто реально сгенерил текст Ключевая мысль: задача не «красиво показать список моделей», а не врать пользователю о том, что под капотом. Статья: habr.com/articles/1033790 🔥 — fallback по-взрослому 🤔 — а мы всё ещё тыкаем в первый id @ai_for_dev

Не все архитектуры одинаково полезны для агентов Пока все спорят, какая IDE и какая модель круче, статья на Хабре задаёт более интересный вопрос: а ваша любимая архитектура вообще дружит с агентом, у которого окно контекста размером с почтовую марку? Автор прогоняет через эту мясорубку всех: TDD, ООП, ФП, MVC, микросервисы, event-driven, CQRS, гексагональную, BDD, DDD — и ранжирует по «агенто-дружелюбности». Критерии простые: — агент может понять кусок кода не видя всю систему? — есть ли красный/зелёный сигнал, или нужен «вкус сеньора»? — поток управления виден глазами, или это магия событий? Спойлер: чистые функции и TDD рулят, а event-driven с двенадцатью подписчиками в правильном порядке — это боль. ООП тоже страдает: в обучающих данных слишком много примеров плохого ООП, и агент тащит шаблоны оттуда. 🔥 — теперь буду писать чище 😈 — мой легаси не сдвинется @ai_for_dev

Локалки на 16 гигах: оказывается, для кода реально Очередное «локальные LLM бесполезны, юзайте Opus» — мимо. Автор взял домашний ПК с 16 ГБ VRAM и протестировал не сортировку пузырьком, а реальные задачи: рефакторинг с багами, парсинг HTML, агентская среда. Три MoE-модели в забеге: — Qwen3-Coder 30B — формально 17 ГБ, влезает за счёт выгрузки экспертов в RAM — Qwen 3.6 35B — 20 ГБ, тоже тянется — Gemma 4 26B в MXFP4 — 15.5 ГБ, родной формат для Blackwell Сюрприз номер один: Gemma 4 уделала Qwen Coder в коде. Сюрприз номер два — встроенный thinking mode у Gemma мешает следовать инструкциям. Парадокс. Главный лайфхак: забейте на LM Studio и Ollama, собирайте llama.cpp из исходников под свою архитектуру. Это переворачивает результат с ног на голову. Тесты с подковыркой 🔥 — пойду собирать llama.cpp 🤷 — у меня 8 гигов, привет @ai_for_dev