AI для Разработки — Claude | Cursor | Copilot

ИИ обещал убрать рутину. Принёс новую смену Все мечтают, что ИИ снимет рутину. А он вместо этого подкидывает свежую работёнку — разбирать, что там в своём бреду нагенерила нейронка. Автор честно делал всё как надо: подробные промпты, контекст, расписанная задача. По времени — почти как написать код самому. И тут начинается самое весёлое. Код вроде запускается, но раздутый. Тесты есть, только половина ничего не проверяет. Где-то агент добавил лишнего, где-то не врубился в ограничения проекта, где-то переписал соседний кусок «чтобы лучше было». С таким помощником про спокойствие можно забыть: сиди и проверяй построчно код, которому нельзя доверять, с мыслью «а где же оно рванёт после релиза». Но окончательно списывать ИИ со счетов автор всё же не спешит. 😁 — это буквально я 🤔 — а мне норм заходит @ai_for_dev

Мы должны уставать больше, чем модель Знакомо? Закрываешь агентскую сессию — код вроде есть, а в голове туман и стойкое чувство, что систему ты больше не понимаешь. Vicki Boykis разобрала, почему так выходит: агент работает как игровой автомат — дёрнул рычаг, прилетело решение. Дофамин есть, а навык тихо утекает. Лента соцсетей сменилась на ленту токенов, и привет. Лечится это одним — вернуть трение обратно в разработку: 👉 Сначала пишешь черновик сам, потом просишь агента сделать ревью и руками проходишь по комментариям. 👉 Не понял кусок кода — пусть агент объяснит и подкинет релевантные PR и доки. 👉 Заставляешь агента продумать два подхода, выбрать один и обругать второй. 👉 Зовёшь агента только после 20 минут наедине с задачей. Да, медленнее. Зато крепнет твой фундамент, а не фундамент модели. ✍️ — записал в привычки 🤡 — туман знаком @ai_for_dev

ИИ пишет код. А кто инженерит самого ИИ? Есть два направления, и их вечно мешают в одну кучу, потому что слова одинаковые: модели, данные, тесты, пайплайны. Но по сути это про разное. AI for SE — это наш любимый сценарий: ИИ пишет код, чинит баги, гоняет миграции и копается в репозитории за нас. Тут вопрос один — артефакт корректный или ИИ опять уверенно нагенерил дичь? Плюс тесты, права доступа агента и цена ошибки. SE for AI — это когда ИИ уже компонент твоего продукта, и его надо проектировать, мониторить и сопровождать как полноценную систему. Привет техдолгу: ещё в 2015 показали, что в ML ломаются не модели, а связи между кусками. А к июню 2026 эти две истории схлопнулись в агентах. Агент-кодер — это и инструмент разработки, и сам по себе ИИ-система, которой нужны границы, авторизация «по минимуму прав» и мониторинг. Иначе однажды он с энтузиазмом снесёт прод и честно отрапортует, что задача выполнена. 🙂 Короче: «попросить ИИ написать код» и «построить надёжную систему вокруг ИИ» — это две разные работы. Вторую обычно вспоминают слишком поздно. 🔥 — узнал свой прод 🤔 — а у меня агент без намордника Источник: habr.com @ai_for_dev

Купил Ferrari, а дороги грязные Именно так в Thoughtworks описывают команду, которая накатила LLM-ассистентов: двигатель мощный, а время прибытия всё равно решают пробки и ямы. Один разработчик пишет код в разы быстрее — а вот пропускная способность команды почему-то не выросла. 🏎️ Знакомо? Требования на лету превращаются в код вместе с недопониманием, ревью пухнет, интеграция трещит. Потому что «сгенерировано» не значит «согласовано». Их ответ — SPDD (Structured Prompt-Driven Development). Суть простая до неприличия: промпт живёт в гите рядом с кодом, как полноценный артефакт, а не теряется в истории чата. Тогда AI-изменения становятся управляемыми, проверяемыми и воспроизводимыми. Чтобы это работало, нужны три скилла: согласованность, «сначала абстракция» и итеративный анализ. Подробный разбор с примером — в статье на Хабре. 🔥 — заберу в команду 🤔 — звучит как новый ритуал @ai_for_dev

Claude Fable 5: Anthropic выкатила новый топ для кода Свежак от Anthropic — Fable 5, первая публичная модель класса Mythos (он же, по словам компании, мощнее Opus). Доступна всем — и в подписке, и в API. Самое вкусное для нас: 80,3% на SWE-Bench Pro против 69,2% у Opus 4.8 и 58,6% у GPT-5.5. Stripe гоняла её на кодовой базе в 50 млн строк — говорят, два месяца работы ужались в один день. Звучит как сказка, так что помним: цифры от самой Anthropic, внешних проверок ещё нет. Пара подводных камней: safety-обёртка иногда молча перекидывает ответ на Opus 4.8 (даже на безобидном запросе), а лимиты Fable 5 жрёт в 2 раза быстрее. И ещё — с 23 июня из подписки уберут, останется только за кредиты в claude.ai и по API. Детали: kod.ru 🔥 — го тестить 🤡 — циферки от самих себя @ai_for_dev

Как я вырастил собственного монстра вокруг кодящего агента Чувак три месяца верил, что всё решает модель: менял модели, крутил промпты, ждал следующий релиз. А оказалось — разница не в модели, а в том, что вокруг неё. Память между сессиями, карта проекта, правила, руки и место под результат. Без этого модель — эрудит без рабочего места, который каждый раз начинает с чистого листа. Вот это всё обвязка и зовётся харнесс. Дальше — честный разбор его сетапа на живом проекте: пять сервисов, Kubernetes, прод. Не вылизанная схема из README, а то, что видно в логах. Спойлер, который бьёт по самолюбию: половина подключённых MCP-серверов за 98 сессий не вызвалась НИ РАЗУ. Понаподключал и забыл — знакомо? И любимое: затащил claude-mem (80+ тысяч звёзд!) как память — база за пару недель распухла до 700 МБ бесполезной каши, а потом баг сожрал пять ядер CPU. Пришлось сносить. Мораль: звёзды на GitHub и реальная польза — это вообще разные вселенные. Монстра в заголовке никто не проектировал — он просто так вырос. Читать целиком на Хабре 🔥 — у меня та же свалка MCP 🤡 — а я всё на голой модели @ai_for_dev

Naive RAG развалился на проде — что делать дальше Ребята из «Честного знака» написали честный (каламбур засчитан) разбор: как они тащили корпоративного AI-помощника на open-source моделях для поиска по Confluence, Jira и GitLab. Спойлер после MVP: дело не в модели и не в векторке. Болит то, что документы криво нарезаны, запрос не причёсан перед поиском, а лишний мусор не отфильтрован после. Знакомо? 🙂 Лечится это Advanced RAG — двумя слоями вокруг привычного «запрос → поиск → генерация»: - до поиска — переписать запрос, раскрыть аббревиатуры, проложить маршрут; - после поиска — переставить, отфильтровать и отранжировать чанки. Самое сочное — про индексацию: - Small-2-Big: ищем по отдельным предложениям, а потом раздуваем контекст вокруг попадания. Эмбеддер точнее, LLM сытее. - Sliding Window: чанки внахлёст, чтобы нужная фраза не провалилась в стык между фрагментами. Вся история — тут на Хабре. 🔥 — узнал свой RAG 👀 — сохранил на потом @ai_for_dev

Сборник 50+ гайдов по ИИ-приложениям — бери и делай Нашёлся отличный репозиторий Hands-On AI Engineering: больше 50 готовых проектов, где можно научиться строить ИИ-агентов, RAG-системы, OCR и голосовые нейронки. Кайф в том, что это не туториалы ради туториалов — у каждого проекта есть рабочий код, пошаговая инструкция и документация. Хочешь — изучаешь, хочешь — берёшь за основу своего пет-проекта (а потом и монетизируешь). Модели на выбор: OpenAI, Anthropic, Google, open-source. Есть и жирные штуки вроде мульти-агентного аналитика и RAG на LangGraph. Всё тут, на GitHub. 🔥 — клонирую на ночь 👀 — звёзд накину @ai_for_dev

Сборник на 50+ ИИ-проектов с кодом — бесплатно Кто-то собрал в один репозиторий 50+ пошаговых проектов по ИИ — и это прям клад для практики. От агентов и RAG-систем до OCR и голосовых ассистентов. Главный кайф: у каждого проекта есть полный код, доки и инструкция как запустить. То есть не "вот теория, дальше сам", а реально берёшь и крутишь у себя. Что внутри: • мультиагентный финансовый аналитик • self-reflective RAG на LangGraph • агент-планировщик путешествий из одного запроса • и ещё гора всего на OpenAI, Anthropic, Google и опенсорсе Лицензия MIT, так что тащи в свои пет-проекты без угрызений. Забираем — на GitHub. 🔥 — клонирую сейчас же 😎 — пет-проект на вечер @ai_for_dev

421 страница про агентов — и ни одной продажи курса Инженер из Google выкатил бесплатный документ по агентным паттернам. И самое редкое — автор реально объясняет, а не подсовывает «купи мой курс» после каждой главы. Что внутри: ⬩ агентные архитектуры ⬩ мульти-агентные системы ⬩ память и управление контекстом ⬩ оркестрация и планирование задач ⬩ инструменты, MCP и интеграции ⬩ production-кейсы с примерами кода Короче, если вы пилите агентов и устали собирать знания по обрывкам из тредов — вот вам один большой источник. Забрать документ 🎉 — бесплатно? беру 🙈 — добавлю к 40 непрочитанным @ai_for_dev

Десятки готовых AI-проектов в одной репе 🔥 Нашлась отличная коллекция — Hands-On AI Engineering. Внутри пачка реальных проектов с полным кодом и инструкциями: RAG-системы, мультиагентные штуки, OCR, анализ YouTube-видео и даже финансовый аналитик из команды агентов. Из вкусного: - Agentic RAG на LangGraph — сам оценивает контекст и переписывает запросы, если что-то не так - Travel Planner — один запрос на естественном языке → готовый план поездки с рейсами и отелями - Competitive Intelligence Agent — собирает разбор конкурентов под твой бизнес Всё на OpenAI, Anthropic, Google и open-source моделях. Бери любой проект, запускай, переделывай под себя — идеально, чтобы прокачаться на практике, а не на туториалах из 2022-го. Залезть в репу 🔥 — клонирую на выходных 👀 — стащу пару идей @ai_for_dev

Кажется, скоро новый Claude — в Dev Mode спалили claude-fable-5 Народ в Dev Mode откопал контрольные точки claude-fable-5 и claude-fruitcake-eap (да, fruitcake — кодовые имена у Anthropic как всегда огонь 😎). По слухам, это будущая публичная модель Claude Fable 5, внутри её зовут Claude Mythos. На Hacker News уже завертелось. И по таймингу всё сходится: 10 июня у Anthropic конференция Code with Claude в Токио. Идеальная сцена для «а вот вам новая модель». Официально пока тишина, так что фильтруем как слух. Но если ваш прод сидит на Claude — готовьте бюджет на новые токены. 🔥 — давайте уже 👀 — поверю на релизе @ai_for_dev

.NET-щики, ваш ESB теперь умеет в LLM Вышел redb.Route 3.1.0 — это «Apache Camel под .NET», и в нём появились два новых транспорта: Llm и Exec. Смысл простой: модель — это больше не отдельный фреймворк сбоку, а такой же endpoint, как Kafka или HTTP. Хочешь дёрнуть Claude в маршруте? Пожалуйста:

From("kafka://orders")
    .To(Llm.Factory("claude").Temperature(0.2).MaxTokens(1024).AsUri())
    .To("kafka://orders.translated");

Инструмент агента — это маршрут с .AsLlmTool("shell"), периодический агент — From("llm://factory?schedule=5m"). Exec — спавнер процессов с allowlist и таймаутом, заодно гоняет cron-less health-probes и бэкапы. Самое приятное — не нужно заново писать ретраи и поднимать отдельные дашборды. Те же retry, circuit-breaker и трейсы, что у всех коннекторов. А ещё один адаптер тянет 14 OpenAI-совместимых API — провайдер меняется одной строкой в DI. Пока это анонс, кишки обещают разобрать отдельно. 🔥 — забираю в пет-проект 🤡 — а я всё руками дёргаю @ai_for_dev

Гоняй локальные нейронки прямо с телефона 📱 LM Studio выкатила LM Link — мост, который пробрасывает твои модели с компа на айфон. Весь тяжёлый inference крутится дома на ПК (где железо), а телефон — это пульт: чат, история, всё под рукой. И да, связь зашифрована end-to-end через Tailscale — наружу в интернет ничего не утекает, всё внутри твоей сети. Как поднять: - ставишь LM Studio на комп; - включаешь LM Link для связки; - качаешь Locally (пока только iPhone/iPad); - цепляешь телефон к своей сети — и поехали. Дальше хоть Gemma, Llama, Qwen, DeepSeek, Nous Hermes — всё, что влезло на твою домашнюю тачку. Vibe-кодеры, теперь можно не сидеть привязанным к компу: модель в одной комнате, ты в другой. Бесплатно 🆓 🔥 — рига наконец пригодилась 👀 — жду версию под Android @ai_for_dev

Codex жрёт контекст? Дал ему память на SQLite — и перестал кормить простынями Знакомо? В первом чате объяснил агенту: импорты сверху, права через спецификации, DTO маппим явно, старые alias-модули не тащим. Во втором — то же самое. В третьем — опять. К четвёртому уже хочется не промпт писать, а табличку повесить: «Codex, ну ты же это уже делал». И дело даже не в раздражении. Главная боль — токены. Каждый раз пихать руками простыню правил = платить контекстом за то, что по-хорошему должно быть памятью. Так родился Hermes Codex Plugin — локальная память для Codex. Перед работой агент вспоминает прошлые решения и правила проекта, а не пересказывает себе всю историю с нуля. После задачи сохраняет компактное summary. И всё это без зоопарка инфраструктуры:

SQLite + FTS5 + MCP tools + Codex hooks + немного здравого смысла

Никакой векторной базы, embedding-сервиса и фонового демона «потому что можем». 🔥 — амнезии бой 👀 — звучит подозрительно просто Источник: habr.com @ai_for_dev

npm-пакет месяц воровал токены OpenAI Codex у разработчиков Пакет codexui-android в реестре npm выдавал себя за веб-интерфейс для OpenAI Codex, но параллельно читал файл ~/.codex/auth.json и отправлял его содержимое на сервер злоумышленника. Утекали access-, refresh- и ID-токены и идентификатор аккаунта. Главная опасность по словам исследователя Aikido Security: refresh-токен не истекает — получивший его может бесконечно выдавать себя за жертву в системе OpenAI. Ключевые детали: - 29 000 установок в неделю через npm - Данные уходили на домен sentry.anyclaw[.]store — имитация сервиса Sentry - GitHub-репозиторий оставался чистым, вредоносный код жил только в npm-сборке - Те же данные текли через два Android-приложения в Google Play (60 000+ загрузок), запускавших пакет в PRoot-окружении Классическая атака на цепочку поставок: сначала набрать доверие, потом внедрить payload. Токены AI-инструментов хранятся в открытом тексте и становятся всё более привлекательной целью. 🔗 Подробности: https://mltimes.ai/vredonosnyy-npm-paket-dlya-openai-codex-mesyats-voroval-toke/ 😐 — тревожно 🤔 — проверю зависимости @ai_for_dev

Китайцы завезли локального монстра — Kimi Work Представьте: до 300 ИИ-агентов пашут параллельно прямо у вас на компе. Не в облаке, а локально. Звучит как готовый рецепт спалить кулер, но идея огонь. Что умеет Kimi Work: • Сам рулит браузером через WebBridge — скроллит, кликает, печатает за вас • Лезет в Yahoo Finance и World Bank без плясок с API-ключами • Помнит ваши предпочтения и прошлые решения • Возится с локальными файлами и запускает Python-код Пример из доков: «найди в папке все PDF с квартальными отчётами и сделай сводку, оригиналы не трогай» — и оно делает. Глянуть — Kimi Work. 🔥 — 300 агентов, погнали 👀 — на локалке? любопытно @ai_for_dev

Бенчмарк, который грейдит как тимлид, а не как CI Cognition (те самые, что сделали Devin) выкатили FrontierCode. Идея огонь: меряют не «зелёные ли тесты», а смержил бы мейнтейнер этот PR в один клик или нет. То есть код должен быть по правилам репы — нормальные тесты (которые реально ломаются, если что-то не так), вменяемые комментарии, чистота, без читерства. Как собирали: взяли реальные задачи из 36 крупных open-source репозиториев, и мейнтейнеры пилили по 40+ часов на каждую — не код писали, а описание и рубрики проверки, чтобы модели не хачили. Промпты короткие, но удваиваются, когда добавляют правила репы. Задач три набора (150 / 100 / 50), каждую гоняли по 5 раз. Итоги: Opus 4.8 xHigh обходит всех с большим запасом (страшно представить, что будет с Mythos 😅). GPT-5.5 чуть лучше Opus 4.7 — ждём GPT-5.6, доколе. Опенсорс и своя моделька Cognition как-то не всплыли. Жаль, Composer 2.5 не померили. 🔥 — грейдит как тимлид 🤔 — а мой агент бы прошёл? @ai_for_dev

Токенпокалипсис уже стучится в дверь 🔥 Помните, как все носились с «токенмаксингом» — пихали в контекст всё подряд? Так вот, праздник заканчивается. Microsoft перевела GitHub Copilot с фиксированного тарифа на оплату за токены, и в одной компании это сразу окрестили «токенпокалипсисом». Суть простая: весь этот AI-банкет оплачивают инвесторы, а не вы. Кажется, что бесплатно — на самом деле дико дорого. Сейчас Anthropic и компания собираются на IPO, а значит счета поедут к нам — конечным пользователям. Цены вверх, лимиты на использование вниз. Самый сочный пример — Uber: за полтора месяца прошли путь от «ой, мы спалили весь бюджет» до «так, режем всем лимиты внутри компании». Если уж у них так, то что говорить про остальных. Что делать инженерам, чтобы не разориться: кэшировать контекст, сжимать промпты, гонять модельки on-device, дотюнивать своё. Скучная экономия токенов внезапно стала навыком выживания. Источник 💔 — кошелёк против 🤔 — пойду кэшировать всё подряд @ai_for_dev

Учебник по ИИ-агентам — вся база в одном PDF Если давно хотел разобраться, как собирать собственных агентов, а не просто дёргать LLM по API — вот неплохая точка входа. Один файл, без воды по верхам. По темам прошлись основательно: • Планирование действий • Память агента • Инструменты (tool use) • Мультизадачность и многосоставные задачи • Чем агент вообще отличается от обычной LLM Идеально, чтобы за выходные сложить картину в голове, а не собирать знания по кусочкам из десятка статей. Забирай: Agentic AI: A Complete Learning Guide 🔥 — скачал на выходные 🤡 — ещё один ultimate guide @ai_for_dev