КайфКодинг

Теперь можно 15 тыс строк кода закинуть за раз и получить очень классный ответ.

Так, вышла GPT5 – спасибо JetBrains, партнеру OpenAI который подключил ее один из первых и в продуктах которого она будет доступна в течение часа по дефолту, где я ее и тестил Бенчмарки постить не буду, хочу начать со своего опыта использования: – GPT5 гениальна в кодинге – я застал и трогал все главные серии моделей начиная с GPT-2, и лучше для написания кода просто не существовало до этого момента (Claude челики – сорян) – Страницы в видео она сделала с одного промпта (и одного ответа) – вы можете ей скормить или идею, или научный пейпер, и она соберет готовую веб страницу где сразу будут все виды скинов, прописаны стили, состояния кнопок, анимации и тп, она неимоверно клево делает frontend задачи – Это первая модель, с которой я кодил 2 часа Python проект,  распилил его на части, докинул кучу новой логики, потом запустил и все заработало – такого никогда не получалось с Gemini Pro 2.5 или Sonnet 4 – Она все еще оверинженерит простые задачи (если неправильно промптить) – но ее оверинженеринг работает, в отличие от Sonnet-Opues 4, с первого раза – и работая с ней долго, можно быть уверенным, что она не сделала никаких новых «призрачных функций»  которые не используются (давняя проблема вайбкодинга) – Если с ней работать в многошаговом режиме для разработки, она прям хорошо дебажит проблемы по скриншотам – эти страницы она сделала с 1-3х ходов: https://shir-man.com/pie-photo/ https://shir-man.com/solar/ – Модель обучена на данных до октября 2024 года – она уже знает как работают агенты на LLM, как делать запросы в API к крупным провайдерам, с ней очень быстро можно кодить любой современный АИ-софт – Цены, модель стоит ДЕШЕВЛЕ чем Sonnet-4; но тут есть нюансы, вы можете указать в API как долго модель будет думать перед ответом или «мыслительный бюджет», от этого меняется цена результата В общем, правда не знаю что Antropic планирует делать с таким конкурентом, они выпустили вчера Opus 4.1 и она хуже и дороже

«Опять власть сменилась»

Пока на стриме хвастаются тем, как за один промпт можно делать приложения и сайты, я читаю системную карточку. В ней очень много внимания уделяется «сдерживанию» модели, чтобы она не обманывала, не вела себя неправильно, не галлюцинировала то, что не использовала итд. Возможно — и это заметно с моделями Anthropic — с большими умными моделями делать это всё сложнее и сложнее, и сил положено много. Модель будет куда реже удалять ваши тесты, если у неё что-то не получается сделать :)

Модель взявшая золото на мат олимпиаде была хороша, что она не говорила ответ, когда не была уверена в результатах. ГПТ 5 раскрывается в этом направлении

#вакансия Ищем AI-native технаря / разработчика / вайб-кодера Мы делаем Subscription-based mental health B2C app. Fully vibe-coded, то есть мы сами не написали ни строчки кода, но это уже вполне рабочая production версия с живыми юзерами и выручкой. Надо ее дорабатывать и улучшать. Что надо делать: ⁃ допиливать продукт (в основном вайбкодим в Replit) ⁃ отвечать юзерам в саппорт (и попутно автоматизировать этот процесс) ⁃ фиксить баги и допиливать продукт (и разбираться, почему всё сломалось) А также много всего с помощью AI. Примеры задач, которые мы сами делали на прошлой неделе: ⁃ сложить данные из Stripe и Amplitude с помощью Airbyte в BigQuery ⁃ построить в Metabase дашборд на основании данных в BigQuery ⁃ проинтегрировать сапорт-систему с нашей аппкой, чтобы было видно, что происходит у юзеров ⁃ пробросить события в Amplitude, чтобы можно было строить оперативную аналитику ⁃ прикрутить мониторинг, чтобы он кидал алерты, если что-то падает ⁃ настроить proxy-сервер, чтобы через него Google Scripts ходили в банк и парсили транзакции ⁃ настроить в n8n, чтобы алерты из Slack/Email прокидывались в Telegram ⁃ и много всего еще Требования к кандидату: ⁃ Не обязательно уметь писать код. Но обязательно понимать, как работают алгоритмы, базы данных, API, JSON, SQL и прочие штуки. ⁃ Хорошо, если в прошлом вы разработчик, но в этом проекте вам не надо будет писать код, только промпты. ⁃ Очень желательно техническое образование. У нас слабость на физтехов, но в целом подойдет любой хороший технический универ. ⁃ Это норм, если вы чего-то из этого не умеете. Главное — голова на плечах, умение и желание учиться, и хорошая техническая база. Условия: ⁃ Работа на острие технологий. Вы будете использовать самые современные решения и очень многому научитесь ⁃ ЗП в долларах, работа на зарубежном рынке, удаленка ⁃ Работа в крутой команде Откликаться здесь

Вакансия от друга, выпускника МФТИ

А вы знаете, пользуетесь пользовательскими слэш командами в Claude Code? Это такие предзаданные (вами) промты, базу которых можно постепенно наращивать. Размещаются либо внутри проекта (.claude/commands/) либо глобальные - в домашнем каталоге (~/.claude/commands/). Соотвественно можно завести либо глобальный репозиторий, либо использовать внутри репозитория проекта. Командам можно передавать аргументы, а так же перед отправкой промта можно выполнять bash команды. Можно включать другие файлы через @ и запускать процесс размышлений с помощью нужных слов. Frontmatter так же поддерживается. Ну и MCP сервера предоставлять свои команды. Вот несколько сборников для тестов и вдохновения: - Awesome Claude Code - Claude Command Suite - Claude Code Session Management - Claude Code Slash Commands Сергей Булаев AI 🤖 - об AI и не только

Mark Sharp - найдите этот extension в поиске Cursor (VS code) и наслаждайтесь красивым форматированием .md файлов

А как я это пропустил? Чикаго Булз выдали невероятный камбек в финале в марте 2025 https://youtu.be/j2kvgwLapKk?t=2430

__name__}")
            
        # Автоматически создаем MR с исправлениями
        auto_create_fix_mr(model_class, changes)

## 💡 Принципы AI-driven test maintenance 1. Автоматизация над реагированием - система должна исправлять себя быстрее чем ломаться 2. Контекст для AI агентов - агент должен понимать последствия изменений 3. Fail fast с автофиксом - ломаем пайплайн, но предлагаем решение 4. Monitoring над debugging - предотвращаем проблемы, не боремся с последствиями ## 🎯 Что мы получили - Скорость разработки: AI-агент меняет код → тесты автоматически адаптируются - Качество: 98.5% покрытие стабильно поддерживается при любых изменениях - Команда: Фокус на фичах, а не на поддержке тестов - Масштабируемость: Система работает при 10x скорости разработки ## 🔗 Реализация Полная система: [SCHEMA_EVOLUTION_GUIDE.md](link) Продвинутые паттерны: [TEST_BEST_PRACTICES.md](link) --- Главный инсайт: При AI-driven разработке качество тестов — это не проблема. Проблема — скорость их поддержки. Классические подходы не масштабируются на 10x скорость изменений. #AIEngineering #TestAutomation #DevOpsEvolution #ScalableTesting #EngineeringExcellence --- ## 🎯 Вопросы для обсуждения (для middle/senior) Архитектурные: - Как вы решаете проблему test maintenance при быстрой разработке? - Какие паттерны используете для автоматической синхронизации тестов? - Как мониторите качество тестов в CI/CD при частых изменениях? AI-specific: - Сталкивались с проблемами, когда AI агенты ломают тесты? - Как даете контекст AI агентам о зависимостях в коде? - Используете ли автогенерацию тестов из схемы? Практические: - Какие инструменты помогают в real-time мониторинге изменений схемы? - Как автоматизируете создание MR для исправления сломанных тестов? - Есть ли у вас примеры property-based тестирования для моделей данных? Делитесь опытом и решениями! Особенно интересны кейсы с высокой скоростью разработки 🚀

# 🚨 AI-driven разработка: когда крутая система тестирования становится бутылочным горлышком Привет, команда! У нас в SQT проекте 98.5% покрытие интеграционными тестами (193/196), полный E2E с Playwright, Clean Architecture — в общем, все как надо. Но недавно случился интересный кейс, который показал новую проблему AI-driven разработки. ## 💥 Парадокс: крутые тесты + AI = новые проблемы Контекст: Разрабатываем с AI-агентом в 10x скорости → агент обновил схему БД → 22 интеграционных теста упали одномоментно Не про качество тестов (они у нас отличные), а про maintenance overhead при сверхбыстрой разработке с AI. Корень проблемы: Когда код меняется в 10 раз быстрее, классические подходы к maintenance тестов перестают работать. ## 🔍 Анатомия проблемы AI-driven разработки Что произошло конкретно:

# AI агент рефакторил Assessment модель:
# ❌ Убрал прямые поля: Assessment.user_id, Assessment.store_id  
# ✅ Оставил только FK: Assessment.configuration_id

# Но тестовые фабрики не синхронизировались автоматически:
class AssessmentFactory:
    def create_assessment_data(
        user_id=None,     # ❌ AttributeError!
        store_id=None,    # ❌ AttributeError!  
    ):
        return {"user_id": user_id, "store_id": store_id}  # 💥

Классический подход: вручную исправить 22 теста за несколько часов AI-разработка: такое происходит каждый день, ручками не успеваешь ## 🧠 Почему это принципиально новая проблема Traditional Development: - Схема меняется редко → тесты стабильны месяцами - Изменения планируются → можно подготовить тесты заранее - Человек помнит контекст → легко понять что сломалось AI-Driven Development: - Схема меняется каждый день → тесты ломаются постоянно - AI принимает решения автономно → неожиданные изменения - Контекст изменений не очевиден → сложно быстро починить ## 🛡️ Решения для AI-driven maintenance (не базовые, а продвинутые) ### 1. Автоматическая синхронизация фабрик с моделями

# Реальный-time детекция изменений схемы в CI
@pytest.fixture(autouse=True)
def verify_factory_schema_sync():
    """Автоматически проверяет синхронизацию при каждом тесте"""
    detector = SchemaEvolutionDetector()
    violations = detector.detect_schema_drift()
    if violations:
        auto_fix_factories(violations)  # Пытаемся исправить автоматически
        pytest.fail(f"Schema drift detected and auto-fixed: {violations}")

### 2. AI-Agent Schema Awareness система

# AI агенты получают контекст о зависимостях
class AIAgentContext:
    def modify_model(self, model_class):
        dependent_factories = self.find_dependent_factories(model_class)
        dependent_tests = self.find_dependent_tests(model_class)
        
        # AI агент знает что нужно обновить
        return ModificationPlan(
            model_changes=changes,
            factory_updates=dependent_factories,
            test_updates=dependent_tests
        )

### 3. Schema Evolution в рамках Continuous Integration

# GitLab CI с автоматическим исправлением
schema-evolution-check:
  script:
    - python scripts/detect_schema_drift.py
    - if [ $? -eq 1 ]; then python scripts/auto_fix_factories.py; fi
    - pytest tests/schema/ --auto-fix-mode
  allow_failure: false  # Ломаем пайплайн, если не можем автоисправить

### 4. Property-based test generation для быстрых изменений

# Тесты генерируются из схемы автоматически
@pytest.mark.parametrize("model_class", get_all_models())
def test_factory_model_contract(model_class):
    """Этот тест автоматически адаптируется к изменениям любой модели"""
    factory = get_factory_for_model(model_class)
    assert_factory_matches_model(factory, model_class)
    
    # Бонус: автоматически тестируем все CRUD операции
    test_instance = factory.create()
    assert_can_save_and_load(test_instance)

### 5. Real-time schema monitoring в production

# Мониторинг изменений схемы в реальном времени
class SchemaMonitor:
    def on_model_change(self, model_class, changes):
        # Уведомляем команду о критических изменениях
        if changes.is_breaking:
            slack.send(f"🚨 Breaking schema change in {model_class.

Разрабы главной кодерской нейронки Claude выпустили топовый видеокурс по программированию — бесплатно и для всех желающих. Внутри: — Научат правильно писать промты под разные задачи; — Покажут, как подрубить ИИ к сторонним сервисам и создавать дизайны в Figma парой предложений; — Готовые юзеркейсы с интерацией нейросетей в работу; — Гайды по созданию своих ИИ-агентов для рутины; — Расскажут, зачем они заставили Claude играть в старые игры Pokemon. Превращаемся в опытного вайбкодера — здесь. @exploitex

Выпуск уже на канале! Очень мощно вышло 💪 https://www.youtube.com/watch?v=jLSOE97bJX8

Очень классный выпуск про генерацию контента

Самый ценный YouTube канал https://www.youtube.com/@aiDotEngineer/videos

https://www.youtube.com/watch?v=u4tIhyfF63Y Лёша Поломодов - выпускник МФТИ, технический директор Т банка. Обязательно посмотрю это видео. Описание от Леши: Стартаперы из Y Combinator говорят, что вайб-кодинг помогает им писать по 95% кода. Казалось бы, выдаешь всем инженерам компании Cursor и радуешься... но не все так просто. В этом докладе я рассказываю про state of the art-подходы к тому, как разложить работу инженеров на jobs to be done-сценарии, а дальше как уже эти сценарии можно улучшать. В процессе говорю про как классические подходы к написанию кода, так и варианты помощи с проектированием API, проведением code review, запуском тестов, устранением уязвимостей или детекцией аномалий при эксплуатации решений. В докладе будет не только рассмотрение SOTA, но и рассказ о том, что у нас реально работает и как мы подходим к оценке эффекта применения этих методов.

📌 Пост: «Три файла, которые прокачают ваших AI-агентов» > ⚙️ Код-агент → пишет фичу. > 🛡️ QA-агент → ловит breaking-change за секунды. > Всё, что нужно, — 3 документа и новая «молниеносная» пирамида тестов. --- ### 1. TEST\_PYRAMID\_V2.md Пирамида 2025 с обязательным ⚡ Contract-слоем.

Unit → ⚡ Contract → Integration → E2E

* Распределение тестов + формулы ROI * Метрики скорости для каждого уровня * Примеры REST / GraphQL / gRPC --- ### 2. AI\_TEST\_AGENT\_PROMPT.md 🔧 Промпт для Code-агента * Генерирует контракт-тесты прямо из OpenAPI * Проверяет schema-дифф до коммита * Автопочинка flaky-suite’ов --- ### 3. QA\_ENGINEER\_GUIDE.md 🧩 Промпт + гайд для QA-агента * Шаблон миграции legacy → контракт-слой * Интеграция с любым CI (GitLab / GitHub / Jenkins) * KPI-чек-лист (MTTR, change-failure-rate) --- ### Как внедрить 1. Скопируйте 3 файла в свой репозиторий (`/docs` или wiki). 2. Добавьте ссылку на TEST\_PYRAMID\_V2.md в промпты обоих агентов. 3. Запустите «agent bootstrap» — он создаст первые контракт-тесты. ⏱️ Время работ: от 4 ч для зелёного проекта до 3 дней для большого legacy-монстра. 🏆 Бонус: +40 % к скорости релиза, почти нулевой hotfix-rate. --- ### TL;DR Добавьте эти 3 документа сегодня, и ваши AI-агенты будут не просто писать код, а держать всю систему в тонусе. \#AIagents #contracttesting #devops #qa #testing

📌 Эпоха код-агентов: скорость решает Когда GPT-бот собирает сервис за 5 минут, выигрывает не тот, у кого «самый умный бот», а тот, у кого самая быстрая проверка изменений. Как мы сломали прод за 5 минут До сбоя 600 + unit 193 integration 15 e2e CI → Prod — 5 минут Что произошло: Код-агент «чуть-чуть» поменял API. Пирамида тестов молчит — контракт никто не проверил, сервис не работает 💡 Фикс — добавить контракт-тесты Unit → ⚡ Contract → Integration → E2E Только интерфейс: «что обещал ↔ что ждут». Бегут за секунды: stub, схема, всё. Падают в PR: баг виден, пока бот ещё не остыл. TL;DR - Быстрее кодят все, быстрее релизят те, кто ловит несовместимый API за секунды. - Контракт-тесты — обязательный слой, а не «вид» интеграционных. - Сегодня побеждает архитектура тестов, а не количество.