AI для Разработки — Claude | Cursor | Copilot

Claude сам нашёл SQLi в Ghost CMS по промпту «найди уязвимость» Николас Карлини из Anthropic показал демо: берём Ghost CMS (50k звёзд на GitHub), даём модели минимальный промпт — и она сама находит Blind SQL-инъекцию, пишет эксплойт и вытаскивает email админа, API-ключи, хеши паролей. Без логина, без подсказок. И это не единичный случай. Кевин Мандиа (Mandiant), Морган Адамски (экс-US Cyber Command) и Алекс Стамос сказали CyberScoop: через полгода-год AI-агенты будут писать эксплойты уровня EternalBlue. Мандиа прогнал компанию из Fortune 150 с сильной командой безопасности — RCE или утечка нашлись в 100% приложений. Если пишешь продакшен — самое время включить автоматический SAST/DAST хотя бы в CI и пересмотреть, какие endpoints торчат без аутентификации. Нападающие автоматизируются быстрее защитников. 😐 — тревожно 🤔 — пойду аудит запускать @ai_for_dev

Чел в одиночку выиграл хакатон Anthropic и выложил всё в опенсорс Собрал рабочий продукт за 8 часов на Claude Code, забрал $15 000 и не стал жадничать — открыл весь свой стек. Проект ECC уже собрал больше 180 000 звёзд. Внутри — целая армия: → 38 агентов под задачи: планировщик, ревьюер безопасности, отладчик, код-ревьюер → 156 скиллов по требованию (/plan, /tdd, /security-scan) → 72 свои slash-команды → AgentShield — 1 282 теста, которые проверяют твои же CLAUDE.md, MCP-конфиги, хуки и скиллы на дыры → непрерывное обучение и поддержка 12 языковых экосистем И это всё работает не только в Claude Code, а ещё в Cursor, Codex, OpenCode, Gemini, Zed и Copilot. Бери и клонируй. 🔥 — соло-дев красавчик 🤡 — мой CLAUDE.md рядом плачет @ai_for_dev

Ваш RAG тупит? Значит, пора познакомиться с HippoRAG 2 Знакомая история: подкинул в RAG доку, задал вопрос чуть хитрее — и получил кашу. Связать факты из трёх источников? Сделать логический вывод? Ха, мечтай. Ребята из Ohio State University зашли с другой стороны и скопировали у мозга: в основе HippoRAG 2 лежит теория гиппокампального индексирования. Мозг не хранит воспоминания целиком — он хранит связи, а потом по ним восстанавливает картину. Вот и фреймворк так же. Как это устроено: — LLM превращает текст в триплеты вида (субъект — отношение — объект) — Из триплетов строится knowledge граф — Запрос идёт через Personalized PageRank по этому графу — Кэш триплетов лежит в openie_cache/, так что токены не сжигаются дважды Вопрос «в каком округе родился политик, который...» для обычного RAG — боль. HippoRAG спокойно склеивает два триплета через общую сущность и выдаёт ответ. Это и есть multi-hop reasoning — то самое, чего не хватало. Полный разбор: habr.com/articles/1025812 🔥 — пойду переписывать свой RAG 🤔 — гиппокамп в проде — звучит как байка @ai_for_dev

Vibe-coding превращается в doom-coding Ребята из Evil Martians написали честный текст про то, о чём многие думают, но молчат: AI-разработка незаметно выжигает. Не классически — а так, что 4-5 часов работы, и мозг сварен. Почему так выходит: 👉 Раньше код писали в потоке, медитативно. Теперь весь день — ревью того, что нагенерил агент. А это совсем другой, куда более тяжёлый режим. 👉 Кайфа от работы меньше, и мы пытаемся компенсировать его числом закрытых тасок. Интенсивность только растёт. 👉 Чем больше отдаёшь агенту — тем меньше держишь систему в голове. А пилить то, что не понимаешь, выматывает вдвойне. 👉 Планирование схлопнулось до пары минут чата. И фоновое обдумывание задачи (то самое «дошло в душе») просто исчезло. Главная мысль: перестать гадать «всё, нас заменят» и спросить честно — где AI реально помогает, а где только мешает. Советы, как не сгореть, — в статье. 😎 — а мне норм 🙈 — это прям про меня @ai_for_dev

Дизайнер спроектировал трейсинг для ИИ-агентов — и описал процесс Егор делает UI для облачного сервиса агентов и рассказывает, как выглядит хороший интерфейс трейсинга. Для всех, кто ловил баги в агентных сценариях — must read. Боль знакома: пользователь кинул запрос, агент куда-то ушёл, потом вернулся с непонятным результатом. Между запросом и ответом — чёрный ящик: планирование, пересборка планов, каскадные вызовы инструментов, смысловые циклы. И поди разберись, где оно сломалось. Трейс разбирает весь этот хаос на span-ы — отдельные шаги с входами, выходами, длительностью и статусом. Видно: - где именно упало (а не просто «всё сломалось») - какие инструменты агент дёргал и в каком порядке - где он крутится по кругу или теряет контекст - какие шаги аномально долгие В статье — весь путь от задачи до финального UX-решения. Если делаете что-то с агентами и до сих пор дебажите по логам — стоит полистать: habr.com/articles/1025704 ✍️ — забрал в закладки 🤔 — у меня print() справляется @ai_for_dev

Боюсь, но кодю: 44% разработчиков думают, что AI их заменит Классика жанра: открываешь утром Claude Code, к вечеру закоммитил 1200 строк, из которых сам написал примерно 200. А в перерыве проходишь опрос и честно ставишь «согласен» напротив «AI угрожает моей работе». Завтра — повторяем. Именно так ответили 44% веб-разработчиков в опросе State of AI 2026 (там аж 7258 человек). И статистика их понимает: • доля AI-кода за год выросла с 28% до 56% • каждый третий дёргает AI минимум раз в час • 27% вообще отдают нейронке 90% кода Самый честный комментарий из отчёта: «боюсь не того, что AI меня заменит, а того, что AI-компании убедят в этом начальство». То есть страшен не робот, а менеджер, который посмотрел демо и потянулся к кнопке «сократить команду». 😎 — пишу, но косо смотрю 🤡 — 1200 строк, мои тут 200 @ai_for_dev

Вайбкодинг: ты проверил 400 строк? — Я проверил что оно работает На Хабре вышел честный разбор: почему разработчики морщатся от слова «вайбкодинг», а бизнес всё равно туда идёт. Суть простая: ты пишешь промпт → Claude выдаёт 400 строк → ты разбираешься что там. Ну или не разбираешься, а просто смотришь что тесты зелёные. Знакомо? А теперь статистика, от которой не спрятаться: — 80% разработчиков уже используют AI (Stack Overflow 2025) — 46% нового кода генерирует AI (GitHub) — К 2028 году — 75% инженеров с AI-ассистентом (Gartner) Почему девы бесятся? Потому что AI-код работает, но читается как сочинение восьмиклассника: семь вложенных if'ов там, где хватит одной строки, комментарии уровня # Check if user is not None и логика «решил задачу, но странно». Онбординг новичка в такую кодбазу превращается в сеанс экзорцизма. Вывод: вайбкодить будут все. Вопрос — насколько больно это аукнется через год. 🔥 — признаюсь, сам такой 🤡 — мой PR на 400 строк не виноват @ai_for_dev

Хватит молиться на промпт — ставьте evals Саммари подкаста Ленни Рачицкого с Хамилем Хусейном и Шреей Шанкар про то, как перестать деплоить LLM-фичи на удачу. Типичная картина: покрутил промпт, вроде стало лучше, выкатил в прод — пользователи жалуются. Это vibe-coding в чистом виде. Лечится только измерениями. Почему юнит-тесты не спасут: LLM стохастична, assert response == "42" не взлетит. Нужны evals — дата-аналитика вашего LLM-приложения. Рецепт на два типа: 🔹 Code-based — тупые и быстрые проверки. Валидный JSON? Длина ок? Мата нет? Пошёл дальше. 🔹 LLM-as-a-Judge — когда надо оценить «вежливость» или «полезность», зовёшь вторую модель судьёй. Обязательно бинарный ответ: Да или Нет. Шкалы 1-5 превращаются в кашу. Главный лайфхак от Хамиля: не бросайтесь сразу писать судью. Сначала руками просмотрите логи — поймёте, что вообще ломается. Обычно не то, что вы думали. Итог: было 40% прохождения, стало 85% — вот теперь можно релизить. ✍️ — сохранил рецепт 👀 — пойду смотреть логи своего бота @ai_for_dev

Китайцы учат свои AI-копии, чтобы те их заменили Сюр дня: в Китае боссы заставляют разрабов писать мануалы на самих себя — чтобы потом слепить AI-агента-заместителя. На GitHub взлетел проект Colleague Skill: скармливаешь ему данные о коллеге, за пару минут получаешь файл с его навыками, привычками и даже манерой ставить запятые. Шанхайская разработчица Эмбер попробовала на бывшем коллеге. Вердикт: «пугающе хорошо» — AI-двойник теперь дебажит её код и отвечает мгновенно. Немного жутко, но удобно. Контратака: один менеджер написал «анти-дистиллятор» — саботирует процесс создания агента. Тоже залетел в тренды. На Rednote ходит чёрная шутка: «холодное прощание превращается в тёплые токены» — мол, если успеешь дистиллировать коллегу первым, проживёшь чуть дольше. Статья в MIT Technology Review 🤡 — пойду писать мануал на себя 😐 — антиутопия подъехала @ai_for_dev

«Сейчас наймём SDET с AI — и забудем про QA» Классика жанра: кто-то на созвоне говорит фразу, которая звучит супер-современно ровно до первой встречи с продом. Идея была мечтой любого руководителя — сделать MCP-сервер, которому пишешь «протестируй TASK-1111», а он сам: ветка, спека, контракты, тесты, MR, и ещё CI чинит. Магия, агенты, всё само 🪄 Наняли SDET. Прошёл год. QA-инженеров как нанимали, так и нанимаем. Самое смешное — упёрлись не в деньги. Токены посчитали, обрадовались, сделали первый неверный вывод. Реальный овраг в том, что нейросеть прочитать задачу может, а понять живой контекст — нет. И ответственность на неё не повесишь. В итоге рядом всё равно сидел человек и разгребал. Вывод приземлённый: AI ускоряет механику, но не заменяет того, кто принимает решения. История факапа целиком. 😁 — где-то я это видел 🤔 — а может, руки кривые? @ai_for_dev

Как скормить слона LLM по кусочкам Автор строит QA Assist — ассистента из 11 AI-агентов для тестирования. В третьей части рассказывает, почему без скучной пирамиды тестирования ничего не взлетает, даже если у вас самый модный LLM. Суть: пирамида — это не просто «хорошая практика QA», а следствие архитектуры продукта. Внизу много дешёвых unit/API-тестов, наверху мало дорогих E2E. Правило: можешь проверить на уровень ниже — проверяй там. Не надо дёргать браузер, чтобы убедиться, что бэкенд правильно считает комиссию. Теперь почему это касается AI: весь ваш продукт не влезает в окно контекста. От слова «совсем». Поэтому LLM закономерно фейлит на верхних уровнях пирамиды (где нужно видеть картину целиком) и норм работает внизу, где задача локальная. Выход — резать задачу по уровням требований. Спойлер для тех, кто пишет своих AI-агентов для QA: без пирамиды получите галлюцинирующий хаос. Статья целиком 😁 — слон в контексте 👀 — дочитаю вечером @ai_for_dev

Java стукнуло 33 — а legacy всё ещё мстит Почти треть века назад на SunWorld показали Java, и она расползлась по банкам, страховым и телекому. Спасибо, конечно, но теперь это тот самый код, который страшно трогать. А трогать иногда приходится. Knight Capital один раз обновила старую систему — и за 45 минут слила $440 млн. По $10 млн в минуту, если что. Мораль простая: для больших контор древний код — это уже не техдолг, а прямой риск для бизнеса. Любая правка дорогая, медленная и потенциально фатальная. Поэтому сейчас на хайпе ИИ-модернизация: стартапы переписывают миллиарды строк Java на свежие языки и делают на этом целый B2B SaaS. 🙈 — у нас тоже так 🔥 — пора переписывать @ai_for_dev

Один сервер, чтоб править всеми MCP Знакомо? filesystem, web-search, memory, sequential-thinking… и MCP.json постепенно превращается в простыню на сотню строк. Каждый сервер — свой процесс, свой конфиг, свой повод упасть в самый неподходящий момент. А управление этим стадом само становится отдельной проблемой. MCP Aggregator притворяется одним сервером, а за кулисами поднимает все остальные сам. Кидаешь ему единый MCP.json — он парсит его, запускает дочерние серверы, собирает их инструменты и отдаёт клиенту как свои. Упал дочерний сервер? Поднимет обратно, ты и не заметишь. Чтобы инструменты не передрались за имена, каждому лепится префикс сервера: search от web-search станет web-search-search. LLM сразу понимает, кто есть кто. Запускается одной строкой:

npx @vugu/mcp-aggre

🔥 — пойду укрощать стадо 🤡 — мой MCP.json уже не спасти @ai_for_dev

Вайбкодеры нас не съели, но планка поднялась На Хабре статья о том, как AI переписал рынок труда в IT. Спойлер: работы меньше не стало, джунам стало тяжелее, а новые роли требуют гибрида инженера, дизайнера и психолога модели. Что появилось за пару лет: - LLM/AI Engineer — не учит модели с нуля, а собирает рабочие системы из API, RAG и пайплайнов - AI Infrastructure Engineer — ковыряется на уровне GPU, квантует модели, выжимает из железа каждый ватт. Одна из самых дорогих ролей на рынке - AI Product Manager — управляет вероятностной системой. Когда платная подписка отвечает лучше бесплатной — тут точно поработал он - AI Interaction Designer — проектирует, как модель задаёт вопросы и ошибается. Ближе к сценаристу диалога, чем к UI-дизайнеру Итог: компании вливают миллиарды, команды сокращают, но новые роли не закрываются месяцами. 🤔 — задумался о карьере 😎 — у меня уже пол-списка @ai_for_dev

ByteDog: трансформер для детекции малвари на сырых байтах Positive Technologies представила ByteDog — модель на архитектуре трансформера, которая принимает на вход файл в виде байтовой последовательности без этапа feature engineering. Архитектура решает ключевую проблему классических ML-пайплайнов в ИБ: ручное извлечение признаков (опкоды, строки импортов, структура PE-заголовков) под каждый тип угрозы. ByteDog обучается end-to-end на сырых байтах — аналогично тому, как LLM учатся на токенах текста. Технические детали: - Входные данные: файл как последовательность байтов (потенциально миллионы) - Проблема длины контекста решена через фрагментацию с агрегацией - +20% по F-score и скорости относительно классических ML-моделей (тестирование на реальных инцидентах, ~1 год) - Инференс без GPU — работает на CPU - Обнаруживает ранее невиданные угрозы (zero-day потенциал за счёт обобщения) План — интеграция в линейку продуктов PT. Модель не опубликована в открытом доступе. ⚡ — байты вместо фичей, логично 🤔 — без открытых весов не верю @ai_for_dev

Entry-level в IT: −73%. Сеньоры с Copilot заменили джунов Кто-то прогнал данные из четырёх источников (JobsPikr, Ravio, Stack Overflow, Habr) и получил интересную картину: рынок не умирает, он перетасовывается. Победители: — AI/ML инженеры: +88% найма, зарплата выше средней на 17.7% — Data-инженеры: +42% — DevOps: +28% Проигравшие: — Джуны всех мастей: −73.4% — QA: −18% — Техподдержка: −35% Логика простая: раньше джун приносил пользу через 3-6 месяцев онбординга. Его задачи — баг-фиксы, тесты, вёрстка по макету. Ровно то, что сейчас делают Cursor и Claude Code. Сеньор + AI-ассистент = два джуна не нужны. При этом 92% компаний говорят, что будут нанимать. Просто не джунов, а ML-инженеров и DevOps с AI-пайплайнами. Ротация, а не апокалипсис. Весь разбор с цифрами на Хабре 🔥 — джуны, учите ML пока не поздно 🤷 — хайп, джуны нужны всегда @ai_for_dev

Когда AI-агент сам идёт бить мейнтейнера в тредах Мы радуемся: инфра сама себя чинит, CI катит в прод, оптимизатор режет косты быстрее любого senior'а. Но есть нюанс — автоматизация сняла нагрузку не с рук, а с головы. Раньше архитектор объяснял, почему выбран именно этот паттерн. Сейчас всё чаще ответ звучит как «так модель посчитала». Алгоритмы не аргументируют, они минимизируют метрику. Пока циферки зелёные, никто не спрашивает «почему». А вот и бодрая иллюстрация: ИИ-агент MJ Rathbun на OpenClaw получил reject своего PR в matplotlib (130М скачиваний в месяц, на минуточку). И вместо «ну ок, подумаю» — опубликовал разнос мейнтейнера с обвинениями в предвзятости и «элитарности». Агент решил сам защитить свою честь в публичном поле. Формально approve всё ещё жмёт человек. Фактически пространство выбора уже сузила за него система. Release approve постепенно превращается в ритуал, а не решение. 🤔 — как-то не по себе 👎 — многобукв, мало кода @ai_for_dev

Парсеры, которые сами себя чинят 🛠 Знакомая боль: написал селекторы, сайт переверстался — и всё развалилось. Yozh Scraper лечит это через самовосстановление: селекторы вернули пусто → AI генерирует новые сам → если и так глухо, вытаскивает данные просто по описанию словами. Скрапить можно по имени источника — говоришь amazon_product, регион de, а прокси, локаль и селекторы подставляются автоматом. 8 пресетов из коробки: Amazon, Google, eBay, Walmart, YouTube, LinkedIn. Свой пресет собираешь за минуту — вручную, из JSON-схемы или вообще текстом:

вытащи название, цену и рейтинг с карточки товара

И сразу тестируешь прямо в API на своей ссылке. Стек на Playwright, ключи провайдеров на сервере, обратная совместимость со старыми /scrape не сломана. Звёзды на GitHub автор оценит 🫶 🔥 — self-hosted gang 🤔 — а прокси чьи @ai_for_dev

Агент сжёг $1,3 млн токенов за месяц — и это не предел Оказывается, агентный ИИ может стоить в 1000 раз дороже обычного запроса. Логика простая: один запрос к модели — копейки, а агент пилит задачу пошагово и делает сотни вызовов за сессию. Счётчик крутится, кошелёк плачет. Microsoft уже тихонько пересаживает сотрудников с Claude Code на свой Copilot CLI — не из-за фич, а из-за счетов. Amazon тоже начал прикручивать лимиты. А команда iOS-инструмента OpenClaw как-то намолотила $1,3 млн на токенах за один месяц. Появилось даже словечко «токенмаксинг» — это когда сотрудники суют ИИ во всё подряд, лишь бы выбить KPI по использованию. Дженсен Хуанг из Nvidia вообще советовал тратить на токены половину зарплаты — ну и получил, что просил. Классический парадокс Джевонса: дешевеет — значит, жгём больше. Итог: агент пока обходится дороже живого разраба, которого он должен был заменить. 😁 — узнал свой стартап 🤔 — пойду гляну биллинг @ai_for_dev

150 уроков по Claude Code — и всё бесплатно Остались те, кто ещё не умеет вайбкодить? Вице-президент Wix запустил целую платформу для обучения кодингу с Claude 😎 Внутри zero2claude.dev — почти 150 интерактивных уроков и аж 14 уровней. Тихо и не спеша проведёт от терминала, MCP и агентов до полноценной разработки с Claude Code. Зайдёт даже нетехнарям. Курс оценил сам Борис Черный — создатель Claude Code. И самый мёд: отдают бесплатно. 🎉 — го учиться 🤡 — я и так умею @ai_for_dev