AI для Разработки — Claude | Cursor | Copilot

Джуны теперь пишут лучше, чем понимают Знакомая картина на собесе? Тестовое — аккуратное, переменные читаемые, ошибки обрабатываются. А на созвоне «ну... так модель предложила». Команда SimpleOne SDLC говорит — это уже паттерн, а не разовый случай. По hh.ru: резюме в IT +12%, вакансий −29%, до 16 джунов на одну вакансию. Раньше начинающий разработчик месяцами продирался через документацию, форумы и отладку — и за счёт этого собирал причинно-следственные связи. Сейчас этот путь схлопнулся до промпта. Старый copy-paste со Stack Overflow хотя бы было видно невооружённым глазом. AI же выдаёт правдоподобно хороший код, который ревью проходит, а через месяц никто (включая автора) не помнит, как оно работает. Code review превращается в допрос — но это симптом. Болеть будет в инциденте, когда нужен инженер, который умеет читать логи, а не «видел похожий ответ у модели». 🙈 — допрашиваю на ревью 🤔 — а как теперь нанимать @ai_for_dev

Сеньор не писал код с декабря. И всё работает Ребята из Siberian.pro выкатили статью на Хабре: их senior с декабря 2025 не написал руками ни одной строчки. Весь внутренний тендерный инструмент — код, тесты, доки — сделал ИИ. Один человек, один промпт-флоу, никакой магии. Что умеет продукт: тянет тендеры с площадок по фильтрам, собирает в список, выдёргивает суть, контакты, сроки, лепит теги. База, но рабочая. Самое сочное — не сам инструмент, а как они приручили ИИ, чтобы он: - не выдумывал требования - не ломал то, что уже работает - не переписывал нормальный код в кашу - помнил структуру проекта CEO Влад Кармаков клянётся, что подход тянет и на больших проектах. Полный разбор SDLC-пайплайна — тут. 🤔 — звучит слишком красиво 👀 — пойду читать кейс @ai_for_dev

ИИ ускорил код, а разработку — нет Чувак на Хабре написал то, что многие думают, но боятся сказать вслух. ИИ реально быстро пишет код. Только вот код — это не самое сложное в разработке. На ретро вы когда-нибудь жаловались «функцию написать сложно»? Скорее «ТЗ непонятное», «архитектуру не продумали», «продакт не отвечает», «техдолг душит». А мы такие: давайте ИИ ещё быстрее код фигачить будет! Автор кидает простую мысль: проблема не в печатании, а в коммуникации. Кодить может и средне-спец, а вот разрабатывать ПО — это уже про требования, архитектуру, договорённости. Лечение по мнению автора: — ИИ встраиваем в процесс, а не как турбо-typewriter — Фиксируем артефакты и трассируем требования → архитектуру → код — Маленькая связка: продакт + аналитик + инженер, чёткие точки соглашения В комплекте — пет-проект автора SpecLoom (MIT), обвязка над LLM для генерации и трассировки спек. 🔥 — наконец-то про то самое 🤡 — будто без ИИ требования были хорошие @ai_for_dev

Как платить за Claude, Cursor и весь AI-стек из РФ в 2026 Автор Habr собрал реальный опыт: каждый месяц отдаёт за десяток профинструментов — Claude Max, ChatGPT, Cursor, три API-агрегатора, Midjourney. Шестой год без Visa/Mastercard, схема под каждый сервис своя. Коротко по разделам: — API LLM → ProxyAPI, Polza.ai, Vsegpt. Рублями с МИР, +5–15%. Самый чистый вариант для продакшена. — Подписки на Claude Max / ChatGPT / Cursor → виртуалки от Bybit, E.pn, WantToPay. Наценка 10–30%. — Быстро взять ключ для теста → plati.market / FunPay за 1500–2500 ₽. Для прода страшно — могут отозвать аккаунт. — Идеальный путь — съездить в Казахстан или Армению и открыть карту на себя. Один раз потерпеть — потом несколько лет тишины. Что не делать: Авито и левые TG-каналы. Половина — мошенники, вторая половина — мошенники с красивым лендингом. Читать целиком на Habr 💯 — гайд в закладки 😐 — устал от санкций @ai_for_dev

Один уставший разработчик держит половину интернета В апреле 2024 чуть не случился самый красивый supply chain бэкдор в истории. xz utils — утилита сжатия в каждом Linux — два года была под социальной атакой. Мейнтейнер Лассе Коллин писал в рассылку, что у него mental health issues и сил нет. К нему подкатил «Jia Tan» с помощью, поддержкой и ботами-«сообществом», требующими его в проект. Через два года в xz появился бэкдор. Спасибо Андресу Фройнду — заметил странную задержку sshd и распутал всё. И это не разовая история. Linux Foundation + Harvard прошлись по 12 млн production-наблюдений: критичные библиотеки часто висят на одном человеке. В вашем проде прямо сейчас: — zlib — двое мейнтейнеров 60+, релиз 2022 — libjpeg-turbo — один Дарелл — xz utils — один Лассе Bus factor = 1 — это не мем, это ваш прод. Хабр с полным списком 22 библиотек 😐 — пойду чекать node_modules 🤔 — а я-то думал, OpenSSL — это компания @ai_for_dev

docker-compose.yml, который не убьёт твой прод в 3 ночи Знакомая история: локально всё летает, задеплоил — неделю тишина, потом Postgres тихо сожрал всю память, OOM-киллер прибил приложение (не Postgres, у него shared buffers — а именно твой сервис, который как раз держал 500 запросов). Или приложение упало ночью, а Docker даже не дёрнулся, потому что restart: no по дефолту. Или логи незаметно отожрали 40 ГБ диска. Всё лечится парой строк в compose: Лимиты — обязательно. Без них первый же жадный контейнер заберёт хост целиком:

services:
  app:
    deploy:
      resources:
        limits:
          memory: 512M
          cpus: "1.0"

Проверить, что контейнер умер от OOM:

docker inspect myapp --format='{{.State.OOMKilled}}'

Restart: ставь unless-stopped, не always — иначе при docker compose stop он будет упорно подниматься обратно и бесить. Postgres внутри контейнера: shared_buffers = 25% от лимита. При лимите 1G — это 256M, не дефолтные 128MB. Миграции: depends_on с service_completed_successfully — пусть приложение ждёт миграцию, а не сыпет 500-ками. Полный разбор 🔥 — пойду чинить свой compose 👀 — узнал свой прод @ai_for_dev

Теперь репо можно создавать с телефона GitHub Mobile наконец-то научился создавать репозитории — раньше там можно было только смотреть чужой код и мерджить PR на ходу. Доступно на iOS и Android: задаёшь имя, выбираешь Public/Private, добавляешь описание, тыкаешь шаблон или сразу README + .gitignore + лицензию. Идея пришла в метро — забил имя, зарезервировал, дома уже клонируешь. Звучит как мелочь, но именно таких мелочей в Mobile не хватало лет пять. 📱 — пригодится в дороге 🤷 — всё равно открою ноут @ai_for_dev

Вайб-инженеринг подъехал: AI лепит CAD-модели Чувак под ником earthtojake выложил набор скиллов для Claude Code и Codex, который превращает агента в CAD-инженера. Пишешь — «сделай мне робо-руку» — получаешь работающий механизм с шестерёнками. Что умеет: • Генерит CAD-модели по текстовому запросу — от простых деталей до движущихся механизмов • Экспортит во всё, что нужно для производства: STEP, STL, 3MF, DXF, GLB • Делает URDF/SRDF/SDF для роботов — можно сразу в симулятор пихать • Правит модель точечно, а не переделывает с нуля • Работает локально, никаких облачных подписок Внутри build123d + OpenCascade, MIT-лицензия. Звёзд на гитхабе уже прилично, форкается активно. Код: github.com/earthtojake/text-to-cad 🤩 — пойду печатать шестерёнки 👀 — хочу глянуть демку @ai_for_dev

Claude Code на подписке ChatGPT — без OpenAI API key Человек захотел гонять Claude Code через свою подписку ChatGPT/Codex и не платить отдельно за OpenAI API. На бумаге — простой прокси. На практике пришлось переводить не только JSON, но и всё поведение Anthropic API: потоковые события, tool calls, лимиты контекста, картинки и типы ошибок. Так родился open source форк Claudex. Снаружи он выглядит как Anthropic endpoint, внутри — переводит всё в OpenAI Responses API и ходит в ChatGPT/Codex через OAuth. Что уже работает: tool calls со стримингом, картинки и файлы, /compact и восстановление после переполнения контекста, 1M контекст там где дают, человекочитаемые ошибки вместо вечного 502, и claudex-config config doctor чтобы понять что у тебя сломалось. Ставится одной строкой: install.sh для macOS/Linux или install.ps1 для Windows. Лонгрид с разбором граблей — на Хабре. 🔥 — подписка одна, агентов два 👀 — пойду гонять на проде @ai_for_dev

llms.txt — robots.txt для эпохи ChatGPT Пока вы делали Lighthouse 95 и schema.org, поиск тихо переехал в ChatGPT, Perplexity и Claude. Люди больше не листают 10 ссылок — они спрашивают модель и получают синтезированный ответ с парой источников. И если вас там нет — вас в поиске нет. Для этого мира появился llms.txt — обычный markdown в корне домена (example.com/llms.txt), где вы по-человечески объясняете модели: вот мой сайт, вот канонические страницы, вот это цитируй. Не правила доступа как в robots.txt, а описание. Автор статьи на Хабре утверждает: пишется за час, эффект в AI-выдаче ловится через 1–4 недели, в Рунете почти никто не сделал — окно открыто. Спецификация на llmstxt.org, для жадных есть llms-full.txt с десятками тысяч слов. Звучит как новое SEO, только теперь оптимизируем не под Googlebot, а под GPTBot и ClaudeBot. 🔥 — пойду писать свой llms.txt 🤔 — звучит как очередной hype @ai_for_dev

Один endpoint, 11 бесплатных LLM, ~1.3 млрд токенов в месяц Чувак собрал на GitHub штуку, которая склеивает бесплатные тарифы всех топовых провайдеров за одним OpenAI-совместимым endpoint. Заводишь свои ключи от Google, Groq, Cerebras, SambaNova, Mistral, OpenRouter, GitHub Models, Cohere, Cloudflare — и забываешь про четырнадцать SDK с четырнадцатью лимитами. Как это работает: • Роутер сам выбирает модель под задачу • Упёрся в лимит у Groq — едет на Cerebras, потом на SambaNova • Ключи шифруются, расход по каждому считается • Любой клиент с base_url подхватит без переделок Для прода вряд ли (free tier есть free tier), но для пет-проектов, локальных агентов и «попробовать ещё одну идею» — почти идеально. MIT, поднимается локально. 🎉 — бесплатно? беру 🙏 — спасибо, автор @ai_for_dev

Bun переписали с Zig на Rust за 9 дней через Claude Code Эксперимент по миграции рантайма Bun с Zig на Rust признан успешным. Pull request содержит миллион строк кода — вручную его, очевидно, никто не ревьюил. Ключевые факторы успеха: - Полное покрытие тестами исходной кодовой базы — новое решение их проходит - Использование агента Mythos в связке с Claude Code - Доля unsafe-операций в итоговом коде в разы меньше, чем в сопоставимых проектах Контраст с другим кейсом: на утилите curl Mythos обнаружил пять заявленных уязвимостей, но реальной оказалась только одна. Видимо, на небольших кодовых базах агенту негде разгуляться. Тренд понятен: ручной построчный ревью при масштабных AI-миграциях уходит в прошлое — на смену приходит верификация через тесты и метрики безопасности. 🤔 — посмотрим на статистику багов 😐 — миллион строк без ревью @ai_for_dev

Полгода доверял LLM писать Rust. Делюсь коллекцией граблей Чувак гонял Claude, GPT и Cursor как полноценного второго разраба на монолите 80k строк (tokio, sqlx, немного unsafe). 40% кода в коммитах — от моделей. Завёл бенчмарк из 50 задач, прогонял каждую через четыре модели полгода и руками классифицировал косяки. Главный инсайт: модели уверенно генерят Rust, который проходит cargo build, cargo test и даже clippy, но тихо ломает логику. Потому что borrow checker думает графами заимствований во времени, а трансформер видит только токены в окне контекста. Drop-порядок, lifetime между параметрами и возвратом, трейты из соседнего крейта — всё это вне поля зрения модели. Хит-парад фейлов: lifetime laundering в 34 из 50 задач (ссылки схлопываются), Mutex уезжает в tokio-таску, cancel safety игнорируется — отмена future ведёт к битым данным. И всё это компилируется. С Python и Go такого почти нет, с Java компилятор хотя бы ловит. А с Rust — добро пожаловать в дебаг. Разбор с примерами на Хабре 🤡 — а я ещё PR апрувил 🔥 — пойду читать diff внимательнее @ai_for_dev

Dart 3.12: приватные именованные параметры наконец-то завезли Кто писал на Dart, тот знает эту боль. Хочешь приватное поле через именованный параметр конструктора — компилятор посылает:

// Compile error! Can't have private named parameter. :(
Hummingbird({required this._petName, required this._wingbeatsPerSecond});

И приходилось городить список инициализаторов на ровном месте. В Dart 3.12 это просто работает — параметры остаются приватными внутри, а снаружи вызываются по публичным именам (petName: 'Dash'). Boilerplate уехал. Ещё в релизе: экспериментальные primary constructors, Agentic Hot Reload (горячая перезагрузка для AI-агентов в коде) и Genkit в экосистеме Dart — теперь агентные приложения собираются прямо из коробки. Презентовали на Google I/O 2026. Команда явно копает в сторону «Flutter + AI везде». flutter upgrade — и поехали. Полный разбор на Хабре. 🔥 — пойду чистить конструкторы 😎 — Flutter всё ещё жив @ai_for_dev

Flutter 3.44 — кажется, Google наконец услышал На Google I/O 2026 завезли Flutter 3.44, и это не просто косметика — релиз реально жирный. Что внутри: • Swift Package Manager теперь дефолт для iOS/macOS (CocoaPods, прощай 👋) • Hybrid Composition++ для Android — нативные View больше не тормозят • Превью многооконного режима на десктопе — да-да, реальные окна • Material и Cupertino выпиливают из ядра — фреймворк станет легче и модульнее • Canonical теперь со-лидер проекта вместе с Google И самое интересное для тех, кто пишет с AI: Agentic Hot Reload и Dart & Flutter Agent Skills — агент сам правит код и видит, что получилось. Плюс GenUI для динамических интерфейсов от LLM. Экосистема разогналась: 1.3 млрд загрузок с pub.dev за месяц, +50% разработчиков за год. Flutter уже в Toyota RAV4 2026 и в новом webOS от LG. 🔥 — пойду апдейтить pubspec 🤩 — SPM это праздник @ai_for_dev

LLM в продакшене команды: матрица допустимости данных Три режима обработки данных у LLM-провайдеров — три разных профиля риска: 1. Публичный чат-бот (бесплатный/персональный): диалоги опционально уходят в обучающую выборку, если пользователь не отключил настройки. Для рабочих данных — не годится. 2. Корпоративный аккаунт / API: запросы обычно не попадают в обучение, но временно хранятся в логах (~30 дней) для anti-abuse. Подходит для большинства задач, кроме строго конфиденциальных. 3. Zero data retention API или локальная модель: данные не покидают периметр. Для исходников, артефактов пентеста, ПДн под 152-ФЗ ст. 12. Аналитика SecurityLab разбирает архитектуру защиты: — Фильтрация только ввода ≠ защита: модель может вернуть данные из общего RAG-индекса, к которым у запросившего нет прав. Нужны выходные фильтры и разграничение индексов по ролям. — Prompt injection через документ (PDF, HTML, .docx) — отдельная поверхность атаки для агентских систем: вредоносная инструкция в теле документа перехватывает контроль над агентом. — Для агентов — минимальные привилегии по инструментам: read-only там, где можно; sandbox для shell; явный allowlist для сетевых вызовов. — Кейс Samsung (2023) — типичный пример utility-first внедрения без архитектуры безопасности. ✍️ — забрал чеклист 🤔 — пора аудит провести @ai_for_dev

Стартер-кит для AI-агентов: новая база разработки Ребята из Битрикс24 продолжают серию про разработку с AI-агентами. Тезис шестой части: репозиторий-шаблон со встроенными инструкциями для AI — это новый стандарт. Идея простая: агент пишет код хорошо, когда понятно что и где делать. Если каждый проект начинается с нуля — агент путается, плодит костыли, ломает архитектуру. Если есть b24-ai-starter с готовой структурой, правилами и контекстом — агент сразу пишет в нужных границах. Что зашито: - Архитектурные правила (границы модулей, контракты API) - Безопасные практики из коробки - Observability на OpenTelemetry - CI-ready проверки - Промпты-инструкции для агентов Прикольно, что подход не залочен на Битрикс — любая команда может собрать свой стартер под свой стек и ускорить onboarding и людей, и агентов. Статья на Хабре 👏 — мысль здравая 😎 — пора собирать свой стартер @ai_for_dev

Один энкодер вместо зоопарка гардрейлов — встречайте GLiGuard Знакомая боль? На входе и выходе LLM висит safety moderation, PII detector, harm classifier, prompt-injection detector, toxicity BERT. Каждое решение по отдельности — логичное. Вместе — 20 forward-ов на один запрос пользователя. Умножьте на ноды в агенте и считайте счёт за GPU. Каждая модель — отдельный сервис со своими лейблами, порогами и графиком обновлений. Деплой превращается в бюджетную проблему быстрее, чем в техническую. GLiNER Guard (GLiGuard) делает safety classification и PII detection за один forward. Никакого авторегрессионного декодинга, никакого отдельного NER-стека сбоку. Schema-driven магия: кидаешь текст + список лейблов с описаниями — модель скорит через zero-shot. Поменялась политика модерации? Обновил лейблы и поехал, без переобучения. Три варианта на выбор: лёгкие на mmBERT-small (1800+ языков из коробки), Omni на mDeBERTa для генерализации за пределы safety, и bi-encoder для тех, кто любит кэшировать. Веса и статья: Arxiv + HuggingFace 🔥 — пойду выкидывать половину пайплайна 👀 — звучит слишком красиво @ai_for_dev

«write if you need more context» — фраза, которую вы печатаете с закрытыми глазами Знакомо? Открытая неделями вкладка с ChatGPT, в которой копится весь контекст проекта. Копируешь файл → получаешь ответ → вставляешь в IDE → ловишь ошибку → пишешь снова. И вместо стартапа за вечер тратишь больше времени на вайбкодинг, чем на обычный кодинг. Андрей Жаров (iOS, Doubletapp) написал на Хабре честный разбор пути от чата к агентам. Без «как вкатиться в AI с нуля», без «завайбкодим приложение за вечер» — про разницу между вайбкодингом и инженерным подходом. Таймлайн примерно такой: сначала Copilot/Cursor засунули чат в IDE (но модель всё ещё забывала первую половину файла, пока писала вторую). Потом Cursor Agent Mode в ноябре 2024 и Claude Code в феврале 2025 — и агент уже сам гоняет сборку, читает логи, правит файлы. А мы дружно перестали писать код и стали писать промпты. В статье разбор: context engineering, оркестрация, prompt-injection как фича, prompt as tooling, мета-промптинг. 🔥 — узнал себя в копипасте 👀 — пойду читать целиком @ai_for_dev

Kynooe One: модульная роборука с открытым SDK и LLM-управлением Kynooe анонсировала Kynooe One — модульную роботизированную руку, ориентированную в том числе на разработчиков. Что важно с инженерной стороны: - Модульная аппаратная архитектура: сменные суставы, инструменты, насадки + слот под кастомные модули с 3D-принтера - Три уровня управления: мобильное приложение, веб-интерфейс, AI-ассистент с парсингом команд на естественном языке - Контроль на уровне отдельных суставов и установленных инструментов - Встроенные локальные AI-функции: детекция и трекинг лиц (use-case — автономный operator-rig для камеры) - Открытый SDK для расширения функциональности Дополнительно заявлены: - Kynooe Robot Hub — маркетплейс/репозиторий кастомных навыков от сообщества - Облачный no-code конструктор скиллов на базе соединения логических блоков Статус: подготовка к Kickstarter, релиз — осень 2026. Цены, спецификации железа и условия SDK-лицензии пока не раскрыты. ✍️ — жду спеки и SDK 🤔 — открытость на словах @ai_for_dev