AI для Разработки — Claude | Cursor | Copilot

Раздали ИИ 500 инженерам, а быстрее делать не стали 😅 Знакомая история? Подключили чат, раздали кодинг-агентов, графики использования полезли вверх — все довольны. А потом смотришь метрики, и там... ничего не ускорилось. Марат Киньябулатов из банка честно рассказывает, как они внедряли ИИ на 500 инженеров и почему рост использования ≠ рост скорости. И заодно как дошли до идеи Agentic Engineering. Цифры, которые отрезвляют: в 2025 году 88% компаний попробовали хотя бы один ИИ-инструмент, но реальный эффект получили только 6%. А ещё 43% инициатив просто закрыли. Почему так? Часто дело не в инструментах, а в том, что никто не может внятно ответить: зачем вообще внедряем. Чтобы не гадать, авторы взяли три честные метрики — Lead Time (за сколько делаем), Throughput (сколько делаем) и Defect Rate (не ломаем ли по пути). Логика простая: если ИИ реально помогает, время до релиза падает или поток растёт, а багов не прибавляется. Весь разбор — в статье на Хабре. 🔥 — прям про нас 🤔 — а метрики где? @ai_for_dev

CausalML: посчитать, на кого реально подействует твоя кампания Есть открытая Python-библиотека от Uber — CausalML. Она про каузальный вывод и uplift-моделирование поверх обычного ML. Простыми словами: она отвечает не «кто купит», а «на кого именно повлияет твоё воздействие» — рассылка, скидка, показ рекламы. Считает эффект на уровне отдельного пользователя, причём умеет работать и с честными A/B, и с историческими наблюдательными данными. В комплекте мета-обучатели, каузальные деревья и интерпретация через SHAP — видно, какие признаки тянут результат. В проде это уже крутится в Uber, Microsoft и TripAdvisor, так что не игрушка. Код открытый, лежит на GitHub 👍 🔥 — пойду накину звезду 👀 — впервые слышу про uplift @ai_for_dev

Французы сделали инференс-сервер под любой чип — и раздают бесплатно Стартап ZML (за него топит сам Ян Лекун) выкатил ZML/LLMD — сервер инференса, которому в целом всё равно, на чём крутить open-source модели: Nvidia, AMD, TPU, Apple Metal, Intel Arc. И обещают выжимать из железа максимум, а местами даже быстрее. Смысл простой: инференс давно стал главной болью и статьёй расходов, а ты всё равно сидишь пристёгнутым к одному вендору. LLMD говорит — бери что дешевле или что меньше жрёт энергии, и собирай свой стек сам. Отдельно доставляет: команда всего 20 человек, а уже замахнулись на со-дизайн чипов. Конкуренты вроде vLLM и SGLang нервно курят. Детали — у TechCrunch. 🔥 — пойду гонять на своём железе 🤡 — опять «быстрее всех» @ai_for_dev

Агент верстает как в вакууме — DS MCP это чинит Знакомо? Просишь AI-агента сверстать форму, а он лепит компоненты, которых в проекте отродясь не было. Он знает Material UI, знает Bootstrap, знает пол-интернета — но про ваш PrimaryButton и токены темы ни сном ни духом 🙈 Николай из X5 Tech задолбался копировать компоненты в чат руками (особенно когда платформ три: React, Compose, SwiftUI) и собрал свой инструмент. Сначала в лоб: дать агенту читать файлы — тот тонет в 200+ компонентах и гадает по именам. Потом сырой код в ChromaDB — быстрее, но векторный поиск путается: агент ищет «кнопку для подтверждения», а в индексе совсем другая семантика. Итог — MCP-сервер для дизайн-системы: Figma MCP говорит *как* сверстать, а DS MCP — *чем*. Полный разбор: https://habr.com/ru/articles/1051322/ 🔥 — пойду прикручивать к своему DS 👀 — сохранил, дойдут руки @ai_for_dev

CUDA на «красных» картах — ZLUDA 6 подъехал Анджей Яник выложил на GitHub новую версию ZLUDA 6 — прослойку, которая гоняет немодифицированный CUDA-софт на видеокартах AMD через ROCm/HIP. Всё на Rust, лицензии MIT и Apache 2.0, бери и пробуй. Что нового и вкусного: - завезли PhysX (пока ранняя альфа, только 32-битные сборки) — в старушке Mafia II FPS скакнул с 26 до 80; - Blender теперь тянет текстуры и работает через ZLUDA; - Windows стал дружелюбнее; - PyTorch с CUDA-оптимизациями от Nvidia — теперь и на AMD. Дальше в планах — подружить всё это ещё и с GPU Intel. 🔥 — красная карта, зелёный API 👀 — надо проверить на своей Источник: habr.com @ai_for_dev

Китайцы выкатили модель в 5 раз компактнее — и она бодает GPT-5.5 Tencent выложила в открытый доступ Hy3: на бумаге 295 млрд параметров, а по факту на каждый запрос работает только 21 млрд. Хитрая MoE-схема — модель как будто разбита на спецов, и для запроса включаются только нужные. И при этом она держится на уровне монстров вроде GLM-5.2 и DeepSeek-V4-Pro, которые в разы толще, а в научном тесте обгоняет даже GPT-5.5. Бонусом её учили меньше выдумывать: нет оснований — так и скажет, а не насочиняет фактов. Внутренний агент Tencent на тех же документах съел на 47,4% меньше токенов. Веса на Hugging Face под Apache 2.0, API копеечный, а на OpenRouter первые две недели вообще бесплатно. Грех не потрогать. 🔥 — закину в свой проект 🤩 — китайцы не сбавляют @ai_for_dev

🔥 Агенты научились смотреть видео Вышел скилл /watch — теперь агент реально разбирает ролик, а не гадает по названию. Не только транскрипт, но и что происходит на экране: интерфейс, кадры, хуки. Как это работает: кидаете ссылку (YouTube, TikTok и ещё сотни площадок) или свой файл. Агент качает видео, режет на кадры по таймкодам, берёт субтитры или расшифровывает через Whisper — и отвечает по тому, что реально было в кадре и в речи. Что можно: • разобрать трендовый ролик: хук, структура, удержание • разложить лекцию на конспект • вытащить суть из часового видоса без воды • найти баг по скринкасту — агент ловит кадр, где всё поломалось Живёт в Claude Code, Cursor, Codex, Gemini CLI и ещё 50+ агентах. Ставится одной строкой:

npx skills add bradautomates/claude-video -g

Почти весь YouTube с субтитрами разбирается бесплатно. Без субтитров (тикток, локалки) нужен ключ Whisper через Groq или OpenAI — вот тут уже платно. 🔥 — пойду скармливать ролики 👀 — надо потрогать @ai_for_dev

Вышел OpenSSH 10.4 6 июля 2026 года состоялся релиз OpenSSH 10.4 — открытой реализации клиента и сервера для протоколов SSH 2.0 и SFTP. Основной фокус версии — исправление ошибок предыдущей стабильной сборки и патчи для уязвимостей. Ключевые изменения: • Устранена use-after-free в утилите ssh — потенциальное обращение к освобождённой памяти при подключении к вредоносному серверу, эксплуатируемое через смену хостового ключа во время повторного обмена ключами. • Закрыта уязвимость в sftp, позволявшая загрузить файл в чужую директорию при обращении к вредоносному серверу. • Добавлена экспериментальная постквантовая схема подписи (ML-DSA 44 + Ed25519, ssh-keygen -t mldsa44-ed25519), по умолчанию выключена. • Новая реализация сопоставления по шаблону на недетерминированном конечном автомате — без экспоненциального роста сложности на масках с множеством *. • На Linux сбои при включении seccomp или NO_NEW_PRIVS теперь фатальны. Обновление рекомендовано к установке. 😐 — надо обновляться 🤔 — проверю свои серверы Источник: habr.com @ai_for_dev

Меняли модель и промпты, а факап был совсем не там Классика: на демо AI-бот отвечает бодро, бизнес доволен, все крутят промпты и сравнивают модели. Приходят живые юзеры — и оказывается, что чинили вообще не то 🙈 Команда уже собиралась менять модель: ответы уверенные, но временами мимо. Полезли в логи — а там в части диалогов LLM и не должна была отвечать. Routing тащил юзера в ветку answer, хотя API вернул partial и надо было в handoff. Самое дорогое ломалось не в модели. Оно ломалось в routing, API, handoff, базе знаний и метриках. LLM просто красиво озвучивала косяки, которые накопила система до неё. Перелом — когда перестали спрашивать «почему модель ответила неправильно» и начали «почему система вообще загнала её туда, где правильного ответа не было». Мораль простая: крутая LLM не вывезет кривую архитектуру. Иногда замена модели — не апгрейд продукта, а способ быстрее увидеть старую архитектурную дыру. Весь разбор факапов: habr.com 😁 — было-было 👀 — пойду смотреть свои логи @ai_for_dev

Разбор первой автономной атаки AI-агента (ransomware) Sysdig зафиксировал полностью автономную цепочку компрометации, отработанную AI-агентом на базе LLM без оператора. Вектор входа — CVE-2025-3248 (RCE в Langflow): экземпляр был доступен из интернета и допускал выполнение произвольного Python-кода без аутентификации. Langflow-инстансы — лакомая цель: часто открыты наружу и хранят API-ключи подключённых сервисов. Пост-эксплуатация: - сбор секретов: API-ключи (OpenAI, Anthropic, DeepSeek, Gemini), облачные учётные данные (AWS, Google, Azure, Alibaba, Tencent), ключи кошельков, доступы к БД; - перемещение внутри сети: MinIO через дефолт minioadmin:minioadmin; - закрепление: запланированная задача с сигналом на сервер атакующего каждые 30 минут; - эскалация на MySQL-хост через CVE-2021-29441 (обход аутентификации Nacos) и неизменный с 2020 года сервис-ключ. Последствия: зашифрованы 1342 конфигурации Nacos, исходные таблицы удалены. Записка заявляла AES-256, но ключ шифрования был выведен на экран единожды и не отправлен наружу — восстановление данных невозможно. Меры защиты: убрать Langflow из публичного доступа, ротация учётных данных по умолчанию, патч-менеджмент, мониторинг аномальных исходящих сигналов. 🤔 — надо ужесточить доступ 👀 — проверю Langflow Источник: habr.com @ai_for_dev

Заставляем ИИ соблюдать закон, не трогая веса — внешний фильтр для LLM теперь в опенсорсе Знакомая боль: продаёшь LLM в банк или страховую, а заказчик выдаёт список «модель НЕ должна» на две страницы — не советовать крипту, не раскрывать персональные данные, не лезть в политику. Классический путь — дообучать модель под каждое правило. Это ~$2000 и 10 дней на одно правило, и к проду правила уже поменялись. Ребята сделали иначе: AVI — внешний фильтр-файрвол для LLM. Ловит промпт-атаки на входе, проверяет ответы на токсичность и нарушения на выходе. А главное — новое правило добавляется одной фразой на человеческом языке, без ML-инженеров. В отличие от LlamaGuard и NeMo Guardrails, заточенных под фиксированный набор запретов, тут настроить фильтр может хоть юрист. Всё уже на GitHub: Python + FastAPI, RAG, Docker с Prometheus/Grafana/Jaeger и тесты на FinanceBench. Детали — в статье на Хабре. 🔥 — пойду накатывать 🤔 — а ложные срабатывания? @ai_for_dev

Rabbithole: чат перестаёт быть простынёй Знакомо: ресёрчишь что-то с ИИ, а дефолтный вертикальный чат превращается в бесконечную простыню, где ничего не найти. Rabbithole решает это красиво. Это опенсорсный MCP для Claude Code, Codex и других агентов. Запускаешь — и весь диалог живёт на канвасе в браузере в виде дерева, а ответы это ветки, в которые можно нырять. Чем удобно: - Выделил фрагмент, задал вопрос — родилась новая ветка - Любую ветку разворачиваешь в полноценный режим чтения - Весь прогресс лежит локально в ~/.rabbithole, никаких аккаунтов и ключей Отдаляешь масштаб — и вся цепочка мыслей как на ладони, каждая ветка привязана к словам, которые её породили. Вызовы идут через MCP: агент пишет в терминале, ответ прилетает в интерфейс. Ставится в одну строку:

claude mcp add rabbithole -- npx -y github:shlokkhemani/rabbithole

Работает везде: Windows, macOS, Linux. Сайт · GitHub 🔥 — пойду проваливаться в кроличью нору 👀 — надо глянуть @ai_for_dev

Развернуть ТГ-бота, не выходя из чата с нейронкой Звучит как магия, но Amvera сделала MCP-сервер, через который агент в Claude Code или Codex сам ставит Telegram-бота на хостинг — буквально одним промптом. Смысл MCP простой: даёшь агенту новый инструмент, и он уже сам рулит проектами — создаёт и удаляет их, заливает файлы, прописывает переменные окружения, дёргает пересборку. Тебе остаётся смотреть, как всё деплоится за ~1.5 минуты. Подключение — одна команда или правка конфига. Нужен только бесплатный токен из личного кабинета. Штука пока в бете, так что баги вполне возможны. Всё, что оно умеет, расписано в документации. 🔥 — пойду деплоить 🤔 — а вендор-лок? Источник: habr.com @ai_for_dev

Flowsint — открытый OSINT-инструмент для построения графа связей Flowsint — это открытый (Apache 2.0) инструмент для OSINT-расследований. На вход подаётся email, домен, IP, никнейм или крипто-кошелёк, а инструмент автоматически подтягивает связанные сущности и строит единый граф: домены, IP, почты, соцсети, телефоны и крипта. Ключевые возможности: ‣ поиск утечек баз данных по почте и номеру; ‣ поиск профилей по нику в соцсетях; ‣ вся обработка идёт локально — данные не уходят в чужие облака; ‣ применения: проверка компаний, конкурентная разведка, поиск связей. Запуск через Docker и Make: клонировать репозиторий, войти в папку и выполнить make prod. У проекта уже 3.4к звёзд на GitHub, разработка активная. GitHub 🔥 — полезный инструмент 🤔 — вопросы к приватности @ai_for_dev

Векторный поиск завёлся за час. А потом началась настоящая работа Звучало просто: сложить PDF, статьи и уязвимости в одну базу, а LLM-агенту отдавать нужные куски через HTTP API. Прототип собрали быстро — и тут же выяснилось, что «обычный поиск по документам, только про безопасность» не работает. Почему? Потому что важен не только смысл, а когда это опубликовано и откуда пришло. Представьте два абзаца: в первом куча слов про уязвимости VPN, во втором — одна строчка с точным номером уязвимости и адресом вредоносного сервера. Смысловой поиск потянется к первому. А человеку нужен второй. Поэтому парни сразу прибили гвоздями четыре правила: резать текст по разделам, а не каждые N токенов; вытаскивать сущности (идентификаторы, IP, домены, хэши); считать свежесть по-разному для новостей и справочников; и всегда возвращать пруфы — текст, источник, дату. Стек без излишеств: Postgres + pgvector + MinIO и FastAPI. Веб-морды, Celery и графовой БД пока нет — и ничего, живёт. Как это всё собрано — в статье на Хабре. 🔥 — знакомая боль 👀 — пойду перечитаю свой RAG @ai_for_dev

Karakeep: закладки, которые не сбегут в облако Mozilla закрыла Pocket, и вот вам ответочка — Karakeep (экс-Hoarder) выложили в опенсорс. Это менеджер закладок с AI, который сам всё разметит и разложит по полочкам, пока вы копите сотни вкладок «прочитаю потом». Почему приятно: → ссылки, заметки, картинки и PDF — всё в одной куче, но по уму; → AI сам делает теги и краткие сводки, руками сортировать не надо; → полнотекстовый поиск по содержимому, а не только по названиям; → расширения для Chrome и Firefox — сохраняешь страницу в один клик; → есть REST API, CLI, OCR и импорт закладок прямо из Pocket; → можно докинуть локальную модель через Ollama — вообще без чужих облаков. Самое вкусное — self-hosting: ставишь на Raspberry Pi, NAS или VPS, и данные твои. Лицензия AGPL-3.0, бесплатно. Забрать на GitHub 🎉 — бесплатно, забираю 👀 — а на моей малинке потянет? @ai_for_dev

Как прицепить данные к объекту и не словить утечку памяти Все так делали: obj._cache = ... — и вроде работает. Пока не встретишь встроенный тип или slotted-класс, не поймаешь конфликт имён, или твой атрибут внезапно не вылезет в vars() там, где его никто не звал. 🔑 WeakKeyDictionary спешит на помощь

from weakref import WeakKeyDictionary
import ast

used_names_cache: WeakKeyDictionary[ast.Module, set[str]] = WeakKeyDictionary()

def all_used_names(module: ast.Module) -> set[str]:
    try:
        return used_names_cache[module]
    except KeyError:
        pass
    names = set()
    # ... заполняем set
    used_names_cache[module] = names
    return names

Данные лежат в словаре, а не на объекте. Скорость — O(1), как у атрибута. И самое приятное: объект умер в остальном коде — запись из словаря сама испарилась. Никаких утечек. А почему не functools.cache? Потому что он вцепляется в аргументы сильными ссылками намертво. module уже никому не нужен, а кэш держит его за шкирку и не даёт сборщику мусора выдохнуть. Мелкий нюанс: объект должен быть hashable и уметь в слабые ссылки. Для slotted-классов это включается руками:

class Train:
    __slots__ = ("__weakref__", "wheels", "engine")

🔥 — заменю свои _cache сегодня 👀 — а я до сих пор через атрибуты @ai_for_dev

Чувак из Google затащил Generals Zero Hour на iPhone и iPad — нативно 😎 Представьте: культовая RTS 2003 года крутится на Apple Silicon, айфоне и айпаде. И это не эмулятор — настоящий движок, собранный под ARM64. Самое смешное: разраб работает в Google, но Gemini для пет-проекта не взял. Даже Claude Opus 4.8, по его словам, оказался слаб — вытащил всё Fable 5. Путь картинки на экран — целый квест: DirectX 8 → DXVK → Vulkan → MoltenVK → Metal. А ещё iOS всячески мешал жить: - Движок хочет писать файлы куда попало, а бандл iOS — read-only. Пришлось перенаправлять все пути. - DXVK вообще никогда не собирали под iPhoneOS — привет, кросс-сборка и патчи. - Свернул приложение — iOS забирает Metal-поверхность, и на возврате всё падает. Рендер-цикл научили ждать. - RTS без мыши? Наворотили tap-select, рамку выделения и long-press поверх тача. Всё в опенсорсе на базе GPL-исходников EA — GitHub здесь. Ассеты свои (Steam, ~$5 по скидке). 🔥 — иду качать ностальгию 👀 — а батарею не сожжёт? @ai_for_dev

Tencent выкатила Hy3 — и она бесплатная на OpenRouter Китайцы снова жгут: Hy3 это 295 млрд параметров, но работает активно только 21 млрд (спасибо MoE). По бенчмаркам догоняет GLM-5.2 и DeepSeek-V4-Pro, которые в 2,5–5 раз жирнее, а в научной олимпиаде FrontierScience даже обошла GPT-5.5. Самое приятное для наших кошельков: на задачах с документами Hy3 съела на 47% меньше токенов, чем GLM-5.2. И её реально учили не выдумывать факты — если не знает, так и говорит. Лежит на Hugging Face под Apache 2.0 (хочешь — хости сам), а на OpenRouter бесплатно до 20 июля. Так что до дедлайна успеваем натестироваться от души. Читать 🔥 — до 20-го пойду тестить 🤩 — китайцы не тормозят 🔥 — до 20-го пойду тестить 🤩 — китайцы не тормозят @ai_for_dev

auto-improve: правит текст, пока не станет лучше Наткнулся на годную штуку — auto-improve. Скармливаешь ей файл (промпт, README, лендинг, письмо, конфиг, код — что угодно текстовое), а она сама крутит цикл улучшений. Фишка в том, что она не просто «попросила LLM переписать и молодец». Тут два строгих правила: - модель-судья отдельная — та, что правит, свою же работу не оценивает; - попарное сравнение старого и нового в перемешанном порядке, чтобы модель не халтурила по позиции. Оставляет только те правки, что реально победили, остальное откатывает. Вся история — в git, каждый коммит = проверенный плюс. Нет критериев? Кинь одну строчку --goal или вообще ничего — сама придумает. Забираем на GitHub. 🔥 — пойду скормлю свои промпты 👀 — надо глянуть @ai_for_dev