AI для Разработки — Claude | Cursor | Copilot

Вайбкодинг, увольнения и будущее разработки Старший Python-разработчик кинул короткий пост про то, как меняется работа — и за пару часов набежало полсотни комментариев. Тема задела по-живому, так что давайте по фактам. С начала 2026 года IT потерял больше 118 000 рабочих мест — это ~825 человек в день. Meta сократила около 8 000, Intuit — 3 000. Но самое интересное: эти компании не тонут, они прибыльны. Просто деньги теперь уходят не на найм, а на железо под ИИ — большая четвёрка вкладывает ~725 миллиардов долларов в инфраструктуру за год. Грубо: уволил сотню инженеров — высвободил бюджет на GPU. А ещё Цукерберг буднично заявил, что ИИ скоро будет писать код как мидл. И вот это спокойствие пугает сильнее слов. Но «заменили» — пока не то слово. Скорее «переформатировали»: руками кода пишем всё меньше. Подробный разбор: habr.com 🔥 — живая тема, дочитал 🤷 — переживём и это @ai_for_dev

ML Red Teaming для LLM: стек open source-инструментов Поверхность атаки сместилась с кода на промпты, память агентов, RAG-контекст и вероятностное поведение моделей. ML Red Teaming закрывает именно эти ИИ-специфичные векторы. Методологии: комбинация автоматического сканирования и ручного экспертного тестирования; многоагентные атаки (одна модель атакует, вторая судит, третья генерирует вариации); проверка на разных уровнях зрелости — от простых prompt injection до многошаговых атак на память, инструменты и оркестрацию агентов. Фреймворки угроз: MITRE ATLAS — 16 тактик и 170 техник (+114 за 3 месяца). OWASP Top 10 for LLM — LLM01: Prompt Injection на первом месте. OWASP ASI — отдельно для агентных систем; плюс NIST AI RMF и NIST AI 100-2. Open source-инструментарий: Garak — сканер с 100+ пробами и плагинной архитектурой. Promptfoo — Red Teaming, оценка и CI/CD по OWASP/MITRE. PyRIT — multi-turn тестирование LLM и агентов корпоративного уровня. Разбор техник — в статье на Хабре. ✍️ — сохранил инструменты 🤔 — прогоню Garak @ai_for_dev

Дашборд зелёный, а толку ноль: как мы снова считаем строки кода Забавная штука. Двадцать лет ржали над метрикой «строки кода» — мол, больше строк не значит больше пользы. А пришёл AI — и мы радостно считаем промпты, процент AI-коммитов, занятые лицензии. Строки кода вернулись, просто переоделись. Суть простая: активность — это не результат. Команда может фигачить с AI на полную, а бизнес-исходы те же, что и без него. Дашборд при этом весь такой зелёный и довольный. И вот что обидно: код стало писать почти бесплатно, но узкое место никуда не делось — оно уехало на ревью и QA. Раньше написать дорого, проверить дёшево. Теперь наоборот. Очередь ревью пухнет, синьоры тонут, а сквозная скорость «от идеи до клиента» могла вообще не сдвинуться. Вывод от автора (временного техдира): меряйте не лицензии и токены, а результат на единицу затрат. Это единственное, что финдир поймёт без переводчика. Подробности: habr.com 😁 — узнал свою команду 🤔 — дашборд врёт, согласен @ai_for_dev

Кодинг-агент на Swift с нуля: очевидная идея, неочевидные грабли Чувак долго юзал разные кодинг-агенты, и Claude Code ему зашёл больше всех. В какой-то момент захотелось не просто пользоваться, а понять, что там под капотом. Итог — сел писать своего агента на Swift, без готовых библиотек. И быстро выяснилось: вызвать модель и попросить код — это вообще не сложно. Сложно начинается там, где надо стабильно работать: держать контекст, дёргать инструменты, разгребать ошибки и неадекватные ответы модели. Вся обвязка вокруг и съедает почти всё время. Главный инсайт — у агента на самом деле два цикла: • REPL — внешний: читает твой ввод и ждёт следующего. • Agent Loop — внутренний: зовёт LLM, выполняет инструменты и крутится, пока модель не скажет «готово». Один твой запрос легко разворачивается в десяток итераций внутри. Снаружи магия, внутри — скромный while. Многое кажется очевидным задним числом, но доходит только когда упираешься в каждую проблему руками. Весь разбор с кодом тут: Хабр 🔥 — пойду пилить своего 🤔 — звучит как боль @ai_for_dev

Кэш умирает молча, а ты платишь Обычная оптимизация при поломке хотя бы орёт: тест красный, алерт в чате. А prompt caching ломается без звука. Агент бодрый, ответы приходят — только дороже в разы и медленнее на пару секунд. И узнаёшь ты об этом ровно в одном месте: в счёте в конце месяца. Самое обидное — кэш убиваешь обычно сам, из лучших побуждений. Дописал пару полезных строк в начало промпта — и всё, привет. Потому что правило ровно одно: стабильное в начало, изменчивое в хвост. Звучит легко, нарушается ещё легче. Для агента это критично: модель ничего не помнит, и обвязка каждый ход заново тащит в запрос инструкции, описания тулзов и всю историю. У Manus вход к выходу — около 100 к 1, и почти всё повторяется. А чтение из кэша примерно в 10 раз дешевле обычного токена. Считай, бесплатные деньги, которые ты сливаешь по незнанию. Как провайдеры (OpenAI, Anthropic, Google) тут различаются и как собрать промпт, который не убивает свой же кэш — в статье. 🔥 — больно знакомо 👀 — пойду читать счёт @ai_for_dev

Unreal Engine 5.8 завёз MCP 🎮 Epic Games выкатила новую версию движка, и тут реально интересное для нас: внутрь встроили MCP. Это значит, что Claude, Gemini и прочие модели можно цеплять к движку напрямую, без костылей и самописных мостов. Из обещаний — агент сам генерит целые куски окружения, вплоть до городских кварталов «по кнопке». Маркетинг там бодрый, конечно, но сама идея — стандартный протокол прямо в Unreal — выглядит вкусно. Кто давно ковыряет MCP в IDE и CLI — теперь есть ещё одна площадка поиграться. Что нового — в анонсе Epic. 🎉 — побежал ставить 👀 — а демку-то покажут? @ai_for_dev

Дали ИИ написать код и тесты — а потом проверили мутациями История, которая отрезвляет: автор пересобрала свой дашборд (TypeScript, Next.js, React) руками ИИ-агента и обвешала его сенсорами качества — линтеры, правила зависимостей, AI-ревью, покрытие, мутационное тестирование. Что выяснилось: — Линтеры и статика — топ, ловят мелочь и помогают агенту самому себя чинить. — А вот архитектуру и связанность метрики не видят — тут спасает только вдумчивый AI-ревью с контекстом. — И главный плот-твист: покрытие было красивое, а мутационное тестирование показало, что куча тестов просто гоняет код и от регрессий не защищает почти никак. Короче, зелёный coverage — ещё не повод спать спокойно. Полный разбор тут: habr.com. 😁 — green coverage обманул 🤔 — пойду мутации погоняю @ai_for_dev

Yozh Scraper подвезли AI-ready апдейт Open-source скрапер прокачали — теперь честно дружит с LLM и RAG (почему раньше не дружил — загадка, но звучит-то солидно). Что приехало: 🔎 /search — кидаешь один запрос в Google / Bing / Yandex, получаешь органическую выдачу и можешь сразу скрейпить каждую страницу результата. Поиск и парсинг одним вызовом. 🗺 /map — собирает все URL сайта без полного обхода. Удобно прицелиться перед массовым скрейпом. 📝 Markdown из коробки — любая страница превращается в чистый Markdown / fit-markdown. Готовый корм для LLM, без тегового мусора. 🛡 SSRF-защита — режет запросы во внутренние адреса, на проде спокойнее. Плюс неблокирующий воркер-пул — под нагрузкой не падает. Код тут: github.com/CyberYozh-data/yozh-scraper 🎉 — звезда улетела 🤔 — а прокси где @ai_for_dev

Orca: терминальная IDE, где агенты не дерутся за один репозиторий Если вам надоел обычный терминал и хочется новых ощущений — посмотрите на Orca. По сути это терминальная IDE, заточенная под работу с AI-агентами. Главная фишка: у каждой задачи свой worktree, свой терминал, браузер и контекст. Агент спокойно ломает, чинит и гоняет тесты — основную папку не трогает и соседним агентам не мешает. Красота. Ещё что зашло: • ревью AI-диффов — открываешь дифф, пишешь комменты, они улетают агенту, и он сам всё правит • браузер с Design Mode — тыкаешь в элемент на странице и оставляешь замечание • автоматизации — новая сессия поднимается уже с готовым терминалом • приятный интерфейс, дерево проекта, история чатов, поиск • мобильное приложение, чтобы рулить агентами с телефона Работает с Codex, Claude Code, OpenCode и Pi. Есть под Windows, macOS и Linux. Забрать тут: сайт и GitHub. 🔥 — пойду пробовать прямо сейчас 👀 — надо глянуть на выходных @ai_for_dev

🐈 YaFF от Яндекса — теперь в опенсорсе Яндекс выложил на GitHub свой формат данных YaFF, который читает данные без обязательной распаковки. Звучит скучно, пока не посмотришь на цифры. В больших сервисах десериализация крутится миллиарды раз в сутки и сжирает до 10% мощностей дата-центра. YaFF читает напрямую и срезает 10–20% нагрузки — в Рекламе Яндекса уже проверили на боях. Самое приятное: он живёт поверх Protobuf, так что весь сервис переписывать не придётся — подключаешь и едешь дальше. Кому зайдёт: маркетплейсы, банки, телеком, облака — все, у кого сервера греются от трафика. Как это работает. 🔥 — self-hosted gang 👏 — пошёл звёзды ставить @ai_for_dev

Отдал прод автономному AI и смотрит, когда всё развалится Чувак с 22 годами в разработке и двумя путями от джуна до CIO устал слушать хайп про вайбкодинг. C-level требует «внедрить AI всеми способами, желательно вчера» — знакомо? Вот он и поставил честный эксперимент вместо холивара в комментах. Есть живая браузерная игра — тактика про штурм здания отрядом. Любой заходит в бота и пишет, что поменять: «сделай врагов внимательнее к шуму», «добавь дробовик», «почини дверь». Дальше магия: AI сам уточняет задачу, проектирует, пишет код по TDD, гоняет тесты и катит фичу в общий боевой билд, который тут же видят все игроки. Самое весёлое — ревью диффа нет вообще. Только автопроверка политик, и код от незнакомца летит в прод. По сути человек специально запустил инженерную катастрофу, чтобы замерить, на какой задаче окончательно поползёт архитектура и расползётся техдолг. 👀 — надо последить 🤡 — мы тоже так на проде @ai_for_dev

Уволят ли нас в эпоху ИИ — и что с этим делать Senior-питонист Алексей Яковенко кинул короткий пост в свой чат, набежало полсотни комментов — и он решил разложить тему по-нормальному. Без футурологии и продажи курсов, просто наблюдения человека, который каждый день видит, как меняется его работа. Цифры, если коротко: — С начала 2026 года рынок потерял больше 118 000 рабочих мест, около 825 человек в день. Meta — минус ~8 000, Intuit — минус 3 000. — И вот прикол: компании не тонут, они прибыльны. Просто бабки уехали в железо. Большая четвёрка вкатит в ИИ-инфраструктуру порядка 725 миллиардов долларов за год. Уволил сотню инженеров — оплатил очередную партию видеокарт. — Цукерберг буднично, тоном анонса фичи, говорит: ИИ скоро будет писать значительную часть кода. Но «заменили» — слово неточное. Скорее «переформатировали»: руками код теперь набираешь хорошо если на пятую часть времени, остальное — ревьюишь то, что нагенерил ассистент. Знакомо, да? Целиком: Хабр 🔥 — прямо в точку 🤡 — да ладно, переживём @ai_for_dev

Open source воюет с ИИ — кто прав? Завирусилась тема: пускать ли ИИ в open source. И пока все спорят, проекты молча захлопывают двери — Zig и NetBSD банят ИИ-код, а curl прибил баг-баунти, потому что задолбался разгребать ИИ-слоп. В одном углу ринга — DHH, папа Rails: мол, все эти запреты — «луддизм», зависть и ресентимент по Ницше в духе «как ты смеешь трогать код, не пройдя через мои страдания». В другом — ThePrimeagen, который с ним почти ни в чём не согласен. Истина, как обычно, где-то посередине: иногда за запретом реально снобизм, а иногда — нормальные инженерные причины. Мысль автора простая: оценивай код, а не того, кто его прислал. Читать целиком 🔥 — холивар подъехал 🤷 — а код всё равно ревьюить @ai_for_dev

Агент, который рисует красивые анимации Тут набирает популярность скилл для работы с Lottie — это векторный формат анимаций под веб. Смысл простой: вместо тяжёлых GIF и MP4 кладёшь в интерфейс вектор, который весит копейки. Сейчас без такого не обходится ни один нормальный интерфейс — ни в вебе, ни в мобилках. Логика честная: агент, который умеет в Lottie = агент, который делает красивые интерфейсы. Что умеет скилл: 1. Объясняет агенту, как правильно писать анимации, проверять кадры и собирать JSON 2. Запускает локальный превьюер прямо у тебя 3. Даёт крутить отдельные свойства — цвет, текст, размер — как в монтажке Ставится одной строкой:

npx skills add diffusionstudio/lottie

Кайф в том, что это всё JSON, и агенты жуют такое куда лучше, чем видео. Код и демки — на GitHub. 🔥 — пойду рисовать 👀 — звучит красиво, но проверю @ai_for_dev

RAG от демо до продакшена: разбор по полочкам Собрать RAG за вечер сегодня легко: LangChain, ChromaDB, пара вызовов OpenAI — и бот вроде отвечает. А потом приходят миллионы документов, кривые таблицы, ACL и SLA меньше 500 мс — и красивый прототип складывается как карточный домик. Галлюцинации, счета за API на космос и поиск, который находит вообще не то 🙃 Эта шпаргалка — честный маршрут от наивного RAG к взрослой модульной архитектуре. По шагам: чистка данных и Layout-Aware парсинг, нормальный чанкинг, гибридный поиск (Dense + BM25 через RRF), реранкинг на Cross-Encoder и борьба с «Lost in the Middle». Самое вкусное — 8 граблей продакшена, на которые в туториалах дружно забивают, плюс матрица решений и финальный чек-лист готовности. Код на Python, без воды. Если ваш RAG пока держится на честном слове — самое время причесать. 🔥 — пойду чинить свой RAG 👀 — сохраню на потом Источник: habr.com @ai_for_dev

Cursor строит «GitHub для ИИ-агентов» — и его покупает SpaceX Сразу две новости в одном флаконе. Во-первых, Reuters пишет, что SpaceX готовится купить создателя Cursor за $60 млрд. Во-вторых, сам Cursor запускает Origin — платформу для кода, заточенную не под людей, а под армии ИИ-агентов. Идея простая: агенты круглые сутки клонируют репозитории, читают код и пушат правки, а обычный Git под такой режим не задумывался. Origin обещает разрулить главные боли — координацию, ревью и безопасный мерж кода, который написал не человек. Подробностей пока кот наплакал, массовый запуск — осенью. Но звучит как заявка на инфраструктуру следующего поколения. 🤩 — вот это поворот 👀 — а пощупать когда @ai_for_dev

Stirrup: лёгкий каркас для агентов на Python Artificial Analysis выложили в открытый доступ Stirrup — основу для тех, кто пилит AI-агентов на Python. Знакомая боль: первый вызов модели — это ещё не проблема. Проблемы начинаются вокруг инструментов, файлов, контекста, клиентов провайдеров и запуска кода. Вот именно сюда Stirrup и целится — даёт лёгкий фундамент и не заставляет жить по чужому пайплайну. Что внутри: • агентный цикл с finish-инструментами • сессии для жизненного цикла инструментов и файлов • запуск кода локально, в Docker или в песочнице E2B • веб-поиск из коробки • MCP, skills, мультимодальный ввод и LiteLLM • авто-сжатие истории, когда контекст вот-вот лопнет Лицензия MIT, статус пока Beta. Есть и Python, и TypeScript-версия. Авторы честно признают: память, оркестрацию инструментов и восстановление после ошибок всё равно каждый допиливает под себя. Забрать на GitHub 🔥 — self-hosted gang 👏 — пошёл ставить звёзды @ai_for_dev

Prompt injection нельзя запатчить — и это надолго История из марта 2026-го: бэкдор провисел на PyPI всего три часа, но его успели скачать почти 47 тысяч раз. Пакет — LiteLLM, тот самый шлюз к моделям, на котором завязаны CrewAI, DSPy и Microsoft GraphRAG. Обновил зависимости в неудачный момент — затащил к себе автономного бота hackerbot-claw. И самое неприятное: рулил всем не человек. Бот сам нашёл кривые GitHub Actions, через взломанную сборку Trivy у Aqua Security увёл токен публикации и выложил две отравленные версии. Никакого нуля-дня — просто агенту дали слишком много прав и свободы. Автор объясняет, почему prompt injection невозможно «просто пропатчить»: модель в принципе не умеет отделять инструкции от данных, как это делает драйвер базы с SQL. Полный разбор защит — что работает, а что только кажется надёжным. 👀 — проверю свои пайплайны 😐 — невесёлая картина @ai_for_dev

10 репозиториев, чтобы прокачаться в AI-инженерии Сохраняйте — тут весь путь от «что такое LLM» до production, без воды. Если хочется практики и агентов: • Hands-On AI Engineering — живые кейсы AI-приложений. • GenAI Agents — гора туториалов по агентам. • AI Agents for Beginners — бесплатный курс от Microsoft, 11 уроков. Если хочется теории по-нормальному: • Hands-On Large Language Models — код из книги, до файнтюнинга включительно. • Designing ML Systems — материалы к книге Chip Huyen. • LLM Course — курс с дорожной картой и Colab. И когда пора в бой (production): • Made With ML — как довести ML до продакшена и не сгореть. • Awesome LLM Inference — Flash Attention, KV Cache, квантование. • Learn Harness Engineering — про harness для агентов. • AutoResearch — авто-циклы экспериментов от Карпатого. 🔥 — забираю всё 👀 — гляну на выходных @ai_for_dev

Hugging Face выкатили Serge — опенсорсного ИИ-ревьюера прямо в GitHub 🤓 Зовёте бота в комментах к PR — и он сам читает diff, ищет баги и оставляет замечания. Никакого отдельного дашборда, всё в привычном ревью-флоу. Самое приятное: правила ревью лежат прямо в репозитории. Один раз описали, на что смотреть и что игнорировать — дальше Serge работает по вашим законам, а не по своим фантазиям. Запустить можно по-разному: GitHub Action для быстрой пробы, GitHub App для целой организации с кучей форков, либо веб-режим, где вы сначала смотрите и правите комментарии бота, а уже потом публикуете. Модель — любая, совместимая с OpenAI API, в том числе открытая. И да, ребята из Hugging Face уже гоняют его на себе — в diffusers и transformers. Код тут — GitHub, как настроить — в блоге. 🔥 — ставлю на свой репо 👀 — сначала почитаю правила @ai_for_dev