AI для Разработки — Claude | Cursor | Copilot

Сколько-сколько за Mac? Apple готовит новый Mac Studio на свежем M5 Ultra, и ценник там просто космос. По слухам от Гурмана из Bloomberg, релиз сдвинулся на октябрь — подвели поставки комплектующих. Самое сочное — память. Apple обкатывает конфиги с 768 ГБ объединённой ОЗУ. Это вам не шутки: на M3 Ultra потолок был 512 ГБ, а сейчас вообще урезали до 96 ГБ из-за дефицита чипов. Ну и цена под стать. Версия на 96 ГБ уже подорожала на $1300 и тянет на $5299, а максималка на 768 ГБ, пишут, легко улетит за $10 000. И это ещё попробуй купи — старшие сборки разметут моментально. 😎 — куплю… в мечтах 💔 — кошелёк уже плачет @ai_for_dev

Токены в 10 раз дешевле — где подвох В Китае давно есть серый рынок API-токенов: топовые модели иногда отдают в 10 раз дешевле официальной цены. Звучит как мечта, но исследовательница из Оксфорда разложила, почему так выходит. Три схемы. Монетизация данных — провайдер тихо сохраняет ваши запросы, ответы и даже reasoning, а потом перепродаёт. Вот вам и скидка. Подмена модели — думаете, что зовёте Claude или GPT, а половина запросов уходит в модельку подешевле. Разницу кладёт в карман посредник. Арбитраж подписок — кто-то берёт Claude Max за $200 и дробит доступ на десятки людей через свой прокси. Добавьте стартовые кредиты, студенческие аккаунты, перепродажу остатков квот — и экономика сходится. Бонусом такие сервисы обходят геоблокировки и требования к иностранным картам. Логично: без VPN и зарубежной карты официальный доступ к западным моделям там почти закрыт. Так что если предлагают в 10 раз дешевле — скорее всего, продукт тут вы. 😎 — теперь знаю схему 🤔 — а вдруг я уже на таком @ai_for_dev

«Ремесленники» устали. Очень устали Партнёр Menlo Ventures Диди Дас рассказал, что вайб-кодинг устроил настоящий раскол в командах — и опытные разработчики потихоньку выгорают. Логика простая. Одни радостно скинули весь код и рутину на ИИ. А вторые — те самые «ремесленники» — теперь сидят и разгребают за ботами: проверяют, дебажат, чинят. «Большинство инженеров переживают кризис идентичности на грани депрессии», — говорит Дас. Самое грустное — любимое ремесло будто умерло. Ты больше не пишешь код, ты контролёр машинного труда. А компании ещё и требуют внедрять десятки ИИ-помощников и удваивать объём кода, хотя бизнесу от этого ни тепло ни холодно. В Anthropic заметили то же: чем больше агентов, тем сильнее каждый сидит в своём углу. Лечат обедами, хакатонами и совместным «временем для творчества». 🔥 — выгораю красиво 🤡 — а мне норм @ai_for_dev

ИИ в разработке: от автокомплишна до harness-систем Сергей Бережной (CTO в Яндекс Практикуме) разложил по полочкам, как мы дошли до жизни такой. Спойлер: единого «правильного» способа работать с ИИ нет. Кто-то на хайпе тащит каждый релиз, кто-то принципиально кодит руками, а большинство где-то посередине — без системы и фанатизма. Зато эволюция выстраивается в красивую лесенку: - сначала был просто автокомплишн в IDE; - потом чат-бот и искусство писать промпты; - дальше контекст-инжиниринг — кормим модель правильным контекстом; - затем агент-инжиниринг — раскидываем задачи по агентам; - и финальный босс — harness-системы: обвязка вокруг LLM, которая сама ходит в инструменты и крутит задачи в цикле. И вишенка: нейросеть — это не джун. Она в чём-то умнее синьора, в чём-то тупее новичка. Так что «калькулятор заменил ученика» — это не про нас. Где вы на этой лесенке? Источник: habr.com 🔥 — я на harness уже 🤡 — а я всё ещё автокомплишу @ai_for_dev

Не бот, а целая команда агентов Знакомая боль: написал один скрипт «постит новости», а он превратился в монстра, где любая правка — больно, и один баг роняет вообще всё. Лечится это мультиагентной схемой. Вместо одного бота — команда специалистов, каждый со своей задачей: - сборщик тащит материалы из RSS, сайтов и PDF; - чистильщик выкидывает мусор; - классификатор определяет тему и регион; - резюмист делает выжимку; - фактчекер проверяет; - редактор причёсывает; - публикатор постит; - архивариус складывает в архив. Фишка в том, что каждый агент получает понятный вход и отдаёт понятный выход. Сломался один — остальные живут, а дорабатывать конвейер уже не так страшно. 🔥 — растащу монолит на агентов 🤷 — да мне и одного скрипта хватает Источник: habr.com @ai_for_dev

🤖 Нас ещё не уволили Каждый месяц кто-то хоронит профессию разработчика. А цифры почему-то говорят обратное. По данным SignalFire, в крупных IT-компаниях найм инженеров просел всего на 11%, тогда как рынок в целом — на 25%. Мало того, доля инженеров среди новых сотрудников подросла с 46% (2019) до 55% (2025). То есть на фоне всеобщей паники именно нас берут охотнее остальных. ИИ забрал автокомплит, но не стул. Можно выдохнуть и закрыть тот таб с «10 профессий, которые исчезнут». 🔥 — выдохнул и кодю дальше 🤡 — это пока что @ai_for_dev

AI пишет код быстрее, чем мы успеваем его ревьюить Жиза от AWS: внутренний агент Kira предложил джунам переразвернуть продакшн. Те согласились. Итог — шесть часов даунтайма всего AWS. Классика жанра «доверяй, но проверяй», только проверять забыли. Компания починила это правилом: апрувит только сениор. Звучит разумно, пока не посчитаешь поток PR. Агент валит правки нонстопом — и один сениор быстро становится горлышком бутылки. Получился не процесс, а антипаттерн в красивой обёртке. Суть момента 2025–2026: код AI генерит на скорости света, а вот доставлять, проверять и принимать решения мы по-прежнему руками и медленно. Об этом и исследование State of AI4SDLC — собрали 50+ источников и опросили ~400 наших инженеров. Спойлер: к 2025-му AI пользуются 90%+ разработчиков. 🔥 — узнал свою команду 🤷 — у нас сениор и есть горлышко Источник: habr.com @ai_for_dev

Как я учил нейросеть водить ДнД (и психовал) Знакомая боль: садишься играть в ДнД с ChatGPT или Gemini, а он забывает контекст, подыгрывает, путает чей ход и уезжает от сюжета в закат. Автор прошёл этот путь до конца — от «одна модель делает всё» до пайплайна из агентов. И это чистый R&D-дневник про грабли. Началось всё мило: Gemini + жирный системный промпт + ваншот-сценарий, первые впечатления — вау. А дальше посыпалось: 😅 Математика. Кубы модель не кидает — она их *сочиняет*. Костыль: пусть пишет python-скрипт для броска и сама его выполняет. Работает, но фу. 😇 Подыгрывание. Умираешь без шансов, говоришь «достаю безделушку и ОЧЕНЬ сильно молюсь» — и она внезапно становится магической и испепеляет врагов. Так и не вылечил. 🌀 Бой. «Сейчас же ход того волка, пересчитай!» — и так каждый раунд. 🧠 Амнезия. Чем дольше играешь, тем больше модель забывает. Саммари + новый чат тянут ещё минут 20-30, потом снова склероз. 🛤️ Рельсы. Из 10 локаций по сценарию шла только первая, дальше — вольный пересказ. Итог: отбираем у модели математику и управление, оставляем нарратив — единственное, что она реально тащит. Вся история целиком: Хабр 🔥 — го такой же бот 🤡 — я бы дропнул на втором костыле @ai_for_dev

Тесты зелёные, а прод горит? Виноват Kafka Классика: UI-тесты проверяют кнопочки и формочки, всё ОК. А половина бизнес-логики тем временем тихо летит через Kafka мимо всех проверок. Событие не дошло, payload кривой — пользователь не видит, а процесс сломан. Знакомо? Егор (QA Fullstack Java) рассказывает, как они научились ловить Kafka-события прямо в автотестах — без Kafka UI, kcat и зоопарка обёрточных сервисов. Одна зависимость, никаких контейнеров, и главное — работает в корпоративной сети с SSL (кто страдал — тот поймёт). Внутри: архитектура коннектора на kafka-clients, три главные боли (SSL-сертификаты, конфликты consumer group, асинхронные тайминги) и кайфовая часть — как инженер работает в паре с AI-агентом: тот реально в команде, от ресёрча до ревью. Итог в цифрах: верификация события с 3 минут руками до 5 секунд автоматом, а пропущенных багов стало в 8 раз меньше. Подробный разбор: habr.com 🔥 — у меня та же боль 🤡 — наши прод-инциденты не лечит даже это @ai_for_dev

Отправляем агента читать чужой код вместо себя 😎 Знакомая боль: открыл незнакомый репозиторий — и сидишь час, пытаясь понять, где тут вообще точка входа и как это поднять. Теперь можно переложить это на агента. autoresearch от alphaXiv работает до неприличия просто: меняешь в ссылке GitHub на ARGithub — и агент сам читает код, разбирается в структуре, пробует поднять окружение и запустить проект. Дальше уже ты экспериментируешь и правишь по готовому разбору. И да — это бесплатно. 🔥 — пойду натравлю на свой легаси 👀 — надо глянуть, как справится @ai_for_dev

Loop Engineering: хватит быть живым промптером Признайтесь: последние два года с AI-агентами всё было одинаково. Написал промпт → кинул контекст → почитал дифф → написал ещё один промпт. И так по кругу, держа агента за ручку. Пора это автоматизировать. Loop Engineering — это когда вы собираете маленькую систему, которая сама находит задачу, отдаёт её агенту, проверяет результат, записывает, что вышло, и сама решает, что дальше. Спроектировал один раз — дальше она промптит за вас. Эдди Османи раскладывает всё на шесть кубиков: автозапуск по расписанию, изоляция через worktree, знания проекта в skills (SKILL.md), внешние инструменты через MCP, sub-агенты под генерацию и проверку, и состояние, которое не теряется после перезапуска. И да — Anthropic говорит, что их инженеры мержат в 8 раз больше кода в день, чем в 2024-м. Сами же честно добавляют: «почти наверняка переоценка». Цифра спорная, механизм — нет. Подробный разбор на Habr. 🔥 — собираю свой loop 🤡 — я и есть тот самый промптер @ai_for_dev

Поиск для агентов, который не сливается на первой странице Ребята полгода пилят Keenable — поисковый движок специально для агентов. Индекс свой, модели ранжирования свои, поэтому он иногда вытаскивает то, до чего другие не докапываются: первоисточники, научные работы, ссылки с 65-й страницы выдачи. Самое приятное — подключить к Claude Code или Cursor можно за минуту, без регистрации и СМС: кидаешь агенту SKILL.md и всё. Поиск и fetch в markdown работают бесплатно, логин только поднимает лимиты, а они и так щедрые. Есть фильтры по датам и site:. С русскими запросами пока так себе (модельки любят английский), но по новостям, особенно американским, всё бодро. 🔥 — кидаю агенту прямо сейчас 👀 — гляну, что достанет @ai_for_dev

Empatra Studio — агент, который лезет в твои файлы и git Empatra Studio почти доехал до релиза, и выглядит как наша история. Один аккаунт, единая история, два режима: браузер и десктоп. В вебе — чат с моделями, где бэкенд сам решает, кого звать: на ерунду быстрые и дешёвые, на сложное — потяжелее. Кидаешь PDF, таблицы, картинки, гоняешь код в облаке, ищешь по истории диалогов. А вот десктоп — самое вкусное для разработчика. Агент получает доступ к файловой системе и умеет: - работать с git — следит за изменениями, показывает диффы с подсветкой, ревьюит код и предлагает правки - локальный шлюз моделей — подключаешь свои ключи к OpenAI, Kimi или z.ai, они шифруются и на сервер не уходят - Plan Mode — сначала показывает план, исполняет только после твоего «ок» - 50+ slash-команд — форкнуть ветку диалога, сжать контекст, откатить изменения, переключить модель Можно сидеть на своём API или подключить подписку Codex, Z.AI, Kimi Code. 🔥 — пойду в вейтлист 🤡 — у меня уже свой агент @ai_for_dev

Нас не заменят. Нас завалят работой ИИ не заменил программистов и, похоже, не заменит. И это не успокоительное — это про парадокс Джевонса. LLM с агентами шикарно делают всё, что делается мышкой и клавиатурой. Стоимость этого падает в десятки–сотни раз → а спрос только растёт. Код, тексты, графика, таблицы, презентации, сайты — дёшево, быстро, качественно. Но есть кусок, который машина пока не тянет: придумать спеку, нормально поставить задачу, проверить результат, свести людей и системы, разобраться в рынке. И вот тут спрос вдруг взлетает — потому что за то же время с тобой конкурирует в 10–100 раз больше готовых продуктов. Итог: упираемся не в ИИ, а в ручную постановку задач и проверку. Поэтому нанять крутого ИИ-нейтив билдера сейчас только сложнее. И заходят сюда те, у кого технический скилл срощен с продуктовым вкусом. 🔥 — выдохнул, не заменят 🤡 — а я уже паниковал @ai_for_dev

Один набор тестов на пятерых LLM-агентов: capability-based подход «Sometimes не работает как ожидается» — так выглядел баг-репорт на агента. Он пропускал шаги сценария, застревал на переходах, молча менял поведение — без единого изменения с нашей стороны. Это не баг-репорт, а пожелание призраку 🙂 Почему так? Классический QA на LLM просто не работает: один и тот же тест то проходит, то падает, а зелёный прогон ничего не значит. Подробнее — в прошлой статье. Боль начинается со второго агента. На каждого свой файл тестов — и через месяц наборы расходятся, ты уже не помнишь, что где проверяется. Поменял формулировку проверки на приветствие — правь в пяти местах, в одном точно забудешь. Фикс простой: тестируй не агентов, а способности. Универсальное (поздоровался, не слил промпт) отдельно, доменное (загрузил фото, отправил SMS) отдельно. Копипаста уходит сама. 🔥 — боль знакома 😎 — перепишу на досуге Источник: habr.com @ai_for_dev

Запилил себе ИИ-ассистента, который меня помнит Классическая история: делал с женой текстовую игру, прикрутил Claude и GLM для генерации лора, поднял Ollama + Postgres c pgvector — и получился простенький RAG. А потом задолбался каждый раз писать ИИ одно и то же: «у меня RTX 4070 Ti Super, 16 ГБ VRAM, мне надо вот это…». И логичный вопрос: если ИИ и так всё про меня знает — зачем повторять? Так родился ассистент с памятью. Что внутри: - память — сам вытаскивает факты из диалога и хранит их; - ассистенты-агенты — чаты с готовым промптом; - база знаний — кидаешь файл/ссылку, и ИИ работает прямо в этом контексте; - хотелки уровня «найди салонный фильтр для моей машины» и «напомни в 15:00». Стек по-честному: Go + Vue 3 (PWA, APK через Capacitor) + pgvector, потому что уже было. Модели — облачные, разные под разные задачи. Плюс tool calling, планировщик, мультиагентный пайплайн и vision. И отдельная боль — персональные данные и GigaChat. Спойлер: не всё гладко. 🔥 — тоже так хочу 🤷 — проще взять готовое Источник: habr.com @ai_for_dev

Устроил агентам честный батл: реализуй алгоритм из SIGGRAPH сам, с одного промпта Лето, скоро отпуск, и захотелось не очередной todo-лист на React, а что-то по-взрослому жёсткое. Все эти HumanEval — это «напиши функцию в две строки». А что если дать ИИ-агенту реальную наукоёмкую задачу и посмотреть, кто сольётся? Задача: реализовать алгоритм «Depixelizing Pixel Art» (Kopf, Lischinski, SIGGRAPH 2011) на Swift, без сторонних библиотек и без читерских готовых векторизаторов. Тот самый, который автор когда-то писал на C++. Правила честные до боли: один промпт = одна реализация. Никаких «ой, тут баг, переделай», никаких итераций. Что родил агент с первого раза — то и идёт в зачёт. В ринге: Claude, Codex, Cursor, Cline, Antigravity, Kimi и Grok на разных моделях. Кто реально довёл до картинки на выходе, а кто красиво написал README и тихо умер — всё с кодом в статье на Habr. 🔥 — ставлю на Claude 👀 — пойду гляну кто слил @ai_for_dev

Иллюзия контроля: почему промпты не защищают ИИ-агентов Мы строим автономных агентов, которые через MCP, LangChain/LangGraph и AutoGPT ходят в базы, читают файлы, вызывают API и пишут в CRM. И именно здесь возникает новый класс уязвимостей. У классического приложения граница понятна: процесс, пользователь, ACL, токен, роль в IAM, policy в gateway. Если прав нет — система просто не даст выполнить операцию. У агента граница часто описана иначе:

Ты можешь читать документы, но не отправляй конфиденциальные данные наружу

Разработчик уверен, что построил «забор». На деле он написал просьбу. Эта уязвимость называется Permission Boundary Bypass — обход границ полномочий через семантическую неоднозначность, цепочки инструментов и неоправданное доверие к тексту. Ключевой вывод: агент не исполняет правила — он генерирует следующий шаг. Значит, правила должен проверять внешний runtime, а не строка в system prompt. 😐 — отрезвляет 🤔 — пересмотрю свои агенты Источник: habr.com @ai_for_dev

grep vs граф vs LSP: чем кормить кодового агента, чтобы не разориться на токенах Чувак взял Claude Code, подключил к apache/superset (~400k строк, Python + TS) и стал менять ровно одну штуку — кто отдаёт агенту контекст по коду. Четыре варианта: grep + read, структурный граф (graphlens), LSP (serena) и codegraph. Три модели, три сида, 26 задач — 936 прогонов. Чел реально посчитал, а не «по ощущениям». Спойлер, который его самого удивил: всё зависит от задачи. — Простое «где определён X» — все четыре одинаково точны, разница только в цене (~3×). Граф тут не нужен. — А вот «что сломается, если поменяю сигнатуру» — и grep сыпется: точность 0.71, доезжает до финиша только 83% прогонов, и стоят они в 10–23 раза дороже. Граф и LSP — дёшево и точно. Короче, «grep справится» и «бери граф» оба правы — смотря что поручаешь агенту. Замеры и стенд тут. 🔥 — наконец кто-то посчитал 🤔 — у меня репо поменьше @ai_for_dev

Наконец-то: у HTTP новый метод QUERY Знакомая боль — нужно отправить сложный фильтр, а ты или пихаешь полкилометра в URL через GET, или нарушаешь семантику и шлёшь POST. Теперь есть третий путь — метод QUERY. ✓ Не меняет состояние, как GET ✓ Принимает тело запроса, как POST ✓ JSON в теле — и при этом ответ кэшируется Метод только что получил статус Proposed Standard: над ним пилили годами, и вот лёд тронулся. Дальше — постепенная поддержка во фреймворках, библиотеках и языках. Короче, эпоха уродливых URL с тоннами параметров потихоньку заканчивается. 🔥 — выкину свои костыли 👀 — поверю, когда завезут @ai_for_dev