AI для Разработки — Claude | Cursor | Copilot

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

Microsoft зарелизила тренера для ваших AI-агентов Microsoft выкатила в опенсорс AI Engineer Coach — плагин для VS Code, Cursor и Antigravity, который честно говорит, насколько криво вы общаетесь со своими ассистентами 😅 Как работает: • Читает локальные логи сессий GitHub Copilot, Claude Code, Codex CLI, OpenCode и Xcode — никуда наружу ничего не утекает. • Оценивает воркфлоу по 5 параметрам, включая качество промптов и управление контекстом. • Гоняет вас по базе из 45 антипаттернов: жжёшь токены зря, тянешь сессию на три часа — всё подсветит. • Все правила лежат в обычных .md-файлах, так что можно докрутить под свой стиль. • Ловит повторяющиеся промпты и предлагает превратить их в скиллы. Итого — дашборд, который из ваших логов делает понятный разбор полётов. Забираем тут: microsoft/AI-Engineering-Coach 🔥 — хочу свой скоринг 🙈 — боюсь увидеть статистику @ai_for_dev

Выгорание разработчиков — не усталость, а физиологический сбой 73% разработчиков сообщают о симптомах выгорания, но механизм отличается от других профессий. Врачи и учителя выгорают от чужих проблем, а айтишники — от невидимости собственного труда: код тонет в легаси, результат растворяется в закрытых тикетах. Выгорание — клинический конструкт по опроснику Маслач (MBI), который держится на трёх симптомах: — эмоциональное истощение (сон не восстанавливает) — деперсонализация (холодное безразличие к коллегам и коду) — редукция достижений (падение чувства компетентности) С точки зрения физиологии — это сбой оси ГГН (гипоталамус–гипофиз–надпочечники). Хронический кортизол бьёт по гиппокампу (центр обучения) и префронтальной коре, ослабляя синаптические связи. Выходные и отпуск уже не помогают — система безопасности организма сломана. Разбор причин и что можно сделать на уровне команды и личных границ. 💯 — данные убедительны 🤔 — знакомая картина @ai_for_dev

Bus factor = 1: как 23 библиотеки держат половину интернета Миф о надёжности open source строится на вере в активное сообщество, которое мгновенно подхватит любой заброшенный репозиторий. На практике триллионная инфраструктура держится на неоплачиваемом труде одиночек, а их выгорание остаётся незамеченным. Бэкдор в xz utils обозначил проблему предельно чётко: два года социальной инженерии и методичное давление на единственного мейнтейнера едва не скомпрометировали Linux-системы по всему миру. Лассе Коллин ещё в 2022 году писал в рассылке, что его способность поддерживать проект ограничена из-за проблем с ментальным здоровьем. Исследование Linux Foundation и Harvard Business School проанализировало более 12 млн наблюдений в продакшн-окружениях 10 000+ компаний. Вывод: большинство самых используемых библиотек разрабатываются ничтожно малым числом участников. В списке — zlib (два мейнтейнера за 60), libjpeg-turbo (фактически один разработчик), исторически OpenSSL до Heartbleed. Это реальные зависимости в ваших node_modules, requirements.txt и /usr/lib прямо сейчас. Почему форкнуть чужую библиотеку сложнее, чем кажется. 😐 — отрезвляет 🤔 — проверю свои зависимости @ai_for_dev

Подключили LLM к поддержке — получили идеального лжеца Классика жанра: типовые тикеты («где настройки?», «webhook не приходит», «хочу сменить тариф»), выгорающий саппорт и ощущение, что вот-вот опоздаешь на поезд ИИ. Решение очевидное — посадить на простые вопросы модель. Первые недели — кайф. Метрики зелёные, ответы мгновенные, нагрузка на людей упала. Внутри команды: «о, реально работает». А потом начался цирк. Юзер спрашивает про лимит запросов — модель уверенно: «1000 в минуту». Только вот таких лимитов у нас не было никогда. Зато ответ — загляденье: вежливо, с форматированием, ещё и тариф апнуть посоветовала. Юзер поверил. Никто не заметил, пока он не вернулся к человеку. Спойлер: это был не единичный сбой. LLM врёт спокойно и убедительно — и это страшнее, чем когда она просто молчит. 😁 — идеальный лжец, лол 🙈 — у нас было так же @ai_for_dev

Multi-agent pipeline для перевода технической документации Кейс от команды документации Selectel: оркестрация трёх ролей вместо монолитного LLM-вызова. Архитектура: - translator — генерация чернового перевода с сохранением Markdown AST, code fences, inline-code, UI-лейблов - validator — отдельная модель с жёстким чек-листом: структурная целостность разделов, неприкосновенность shell-команд и идентификаторов, соответствие глоссарию терминов - corrector — патчинг по diff-замечаниям валидатора Управляющий цикл: translator → validator → (если score < threshold) → corrector → validator → ... Итерации до достижения порога качества на шкале 0-100%. Что закрывает кастом, чего нет в готовых решениях: - Сохранение работоспособности code-блоков и переменных - Инкрементальная обработка через VCS-интеграцию (diff-only вместо full re-translation) - Синхронизация удалений и правила исключений по разделам - Автоматическая валидация в конвейере Полный разбор: habr.com/ru/articles/1037646. ⚡ — validator-as-a-judge работает 😎 — соберу такое на выходных @ai_for_dev

Человечество Inc. наняло странного сотрудника На Хабре вышла статья, полностью сгенерированная ChatGPT 5.5 — про то, как AI ломает карьерную лестницу разработчика. Раньше всё было просто: ничего не умеешь → junior → middle (делаешь умные ошибки) → senior (объясняешь, почему всё сломается). AI взял и выдернул нижние ступеньки. Компании не уволили всех. Они просто перестали охотно брать новичков. Зачем десять junior-ов, если один senior с AI-агентами делает столько же — быстрее и без просьб «можно созвон на 15 минут»? Дальше автор пугает второй стадией: AI выходит из офиса и идёт туда, где физический мир похож на Excel — склады, порты, теплицы, дата-центры. Везде, где можно сказать «робот, вот коробка, вот полка, тут не убивай человека». Чтиво на вечер, исходники модели на GitHub. 🤔 — мрачновато 😎 — а я уже senior @ai_for_dev

Языки программирования в эпоху AI-агентов: что меняется Год назад автор думал: огромный корпус существующего кода намертво закрепит текущие языки. Сейчас он считает наоборот — новых языков будет больше, и там полно простора для инноваций. Почему агент хорошо работает с одним языком и страдает с другим? Не только из-за весов модели: — Zig — слабо представлен в весах + быстро меняется. Жить можно, но больно. — Swift — в весах есть, но билд под iOS/Mac настолько болезненный, что агент тонет в тулинге. — TypeScript — автор уже регулярно выбирает его вместо Python. Не потому что любит, а потому что агент лучше справляется. Логика простая: если в языке чего-то не хватает — просишь агента переписать библиотеку из другого языка. Автор так написал Ethernet-драйвер на JavaScript, хотя готовые реализации были на Rust, C и Go. Дешевле переписать, чем возиться с биндингами. Главный сдвиг: стоимость написания кода резко падает, а значит широта экосистемы перестаёт быть решающим фактором. Новые языки получают шанс — если у них есть сильное value proposition именно для агентной разработки. Статья целиком 🤔 — звучит логично 😎 — пора писать свой язык @ai_for_dev

8 слоёв между клиентом и галлюцинациями нейросети Презентационная схема финтех-бота: «звонок → модель → ответ». Реальная схема: ASR → NLU → routing → API → knowledge → compliance → voice → LLM — и только в самом конце «естественный ответ». Тезис, который стоит распечатать и повесить над монитором: самое слабое звено важнее самой сильной модели. Воткнёшь топовую LLM, а knowledge протухла и API молчит — клиент получит уверенную галлюцинацию вместо факта. Что реально ломается на каждом слое: — API: отвечает красиво, но врёт — Knowledge: «общие слова» вместо данных — Routing: бесконечные петли, никто не передаёт оператору — Voice layer: бот звучит как автоинформатор и тонет на перебиваниях LLM можно дать право говорить естественно, но не право фантазировать о фактах. Это и есть разница между демкой и продом. Целиком на Хабре. 🔥 — узнал свой прод 🤔 — у нас тоже одна LLM держит всё @ai_for_dev

Слепые посредники и синтетический слоп в кодовой базе На Хабре разбор того, что многие уже видят на своих проектах: коллеги генерят гигабайты кода и документации, не понимая, что там внутри. Автор называет это «феноменом слепого посредника» — человек просто транслирует ответ модели и не способен отличить рабочее решение от галлюцинации. Классика жанра из статьи: коллега два месяца «проектировал систему данных» через AI, не имея опыта в архитектурах данных. По современным меркам — отлично: много кода, много документации, много прогресса. По факту — в продакшен это не пойдёт никогда. Внутренняя документация раздувается, ревью дорожает, конвейер забивается слопом. Закон Паркинсона теперь работает на максималках: работа растягивается ровно настолько, насколько модель может нагенерить контента. Читать целиком 😁 — узнал коллегу 🤡 — у меня в команде такие есть @ai_for_dev

Три AI вместо BI-правил: один разработчик собрал «консилиум» для маркетплейсов История знакомая: у продавца на Ozon оборот есть, кабинет не пустует, а денег в конце месяца нет. P&L по 500–2000 SKU вручную никто не считает — это часы в неделю. Автор SKUmind пошёл нетипично: вместо if return_rate > 15% then "флаг" отдаёт финансовый контекст товара LLM и просит вердикт. Не «риск 0.7», а «убыточен, потому что в категории 18% возвратов и реклама не отбивается». Дальше — больше. Одна модель = один взгляд, свериться не с чем. Поэтому собрал консилиум из трёх моделей разных вендоров + арбитратор. Ozon API без официальной документации — ковырял двумя параллельными сессиями Claude Code. И самый честный вывод: писать с LLM быстро, а вот ревью теперь съедает 60–70% времени. Кто-то это уже почувствовал? 🔥 — три LLM лучше одной 😎 — арбитратор решает @ai_for_dev

MCP-кластер для человека: микросервисная архитектура личности Архитектурный тезис: персональный AI-агент на одном MCP-сервере — антипаттерн. Причины классические для микросервисов: — Bounded contexts расходятся: работа и семья имеют разные политики доступа, SLA и источники истины — Утечки через shared state: NDA + публичные чаты в одном процессе = взрыв — Когнитивный конфликт: агент оптимизирует сразу N целевых функций (карьера, семья, хобби) и проигрывает по каждой Предлагаемая топология:

[Оркестратор]
  ├─ [Профессиональный MCP] → клиенты, конфы
  ├─ [Финансовый MCP]      → банки, ЭЦП, бюджеты
  ├─ [Семейный MCP]        → школа, расписание
  └─ [Общественный MCP]    → комьюнити, репутация

Каждый узел — отдельный сервер со своим контекстом и инструментами. Оркестратор разруливает межролевые конфликты (профессиональный хочет пятницу под ресерч → семейный двигает поход в ресторан на четверг). Целевая метрика: 300 транзакций → 8 эксепшенов для живого решения. Остальное — автомат. Текст на Хабре 🔥 — кластер агентов это база 🤔 — оркестратор бы где взять @ai_for_dev

Семантический слой как обязательное условие text-to-SQL в энтерпрайзе Кейс от МТС: text-to-SQL поверх 500 000+ таблиц не работает на голых DDL-метаданных. Технический каталог даёт schema, owner, типы полей — но LLM-агент не мостит разрыв между бизнес-вопросом и физической моделью. Архитектура Метана разделяет семантический слой на два уровня: 1. Онтология: дата-элементы с определениями, синонимами, примерами значений, типизированными связями. 2. Физический уровень: таблицы и поля с маппингом на термины онтологии. Поток запроса: - агент парсит вопрос в термины онтологии, - по графу связей подбирает релевантные сущности, - выбирает оптимальную физическую реализацию, - генерирует SQL с обоснованием выбора источника. Тулкит строит онтологию полуавтоматически — без этого ручное описание убивает экономику решения. Качество чат-интерфейса жёстко зависит от качества слоя знаний. Полный разбор — habr.com/ru/articles/1035676. 🤔 — text-to-SQL без онтологии = боль 😎 — пощупаю на выходных @ai_for_dev

IDE, которая орёт «сначала подумай» вместо генерации кода Пока все клепают очередной клон Cursor, чувак по имени Артём пошёл в обратную сторону. За выходные собрал Stopilot — редактор, который на промпт «напиши мне OAuth» отвечает примерно так: _«Сначала сформулируй задачу человеческими словами, дружище»_. Звучит как издевательство, но за 8 месяцев проект приносит 1,29 млн рублей в месяц. Целевая аудитория — тимлиды, у которых горит от ревью 800 строк, сгенерированных за 40 минут вместе с четырьмя уязвимостями в придачу. Фишки: - Блокирует ввод, пока не описал задачу - Задаёт неудобные встречные вопросы - В корпоративной версии требует обосновать каждый коммит По сути это инструмент против вайбкодинга, продаваемый тем, кто разгребает его последствия. Иронично и работает. 🤡 — гениально продал боль 🔥 — поставил бы джунам @ai_for_dev

Катим дырявый код осознанно — и это уже норма Свежее исследование Checkmarx говорит прямо: 75% компаний релизят код, про который сами знают, что он уязвим. Мотив понятный — обогнать конкурентов, а с дырами разобраться позже. Только вот «позже» почти исчезло. Раньше на эксплуатацию уязвимости уходило около 840 дней (это 2018-й), сейчас — меньше 2 дней, а скоро прогнозируют одну минуту. И это ещё классическая разработка. В приложениях, написанных целиком через чат с AI, всё хуже: слабая авторизация, открытые API, утечки. В открытом доступе уже нашли 5000+ таких приложений с чужими данными — от переписок до медкарт. 😐 — знакомая боль 👀 — проверю свой прод @ai_for_dev

Post-quantum миграция: дедлайн 2029, угроза harvest-now уже активна Что сломается: асимметричные схемы на задаче факторизации и дискретного логарифма — RSA, ECDSA, ECDH, DH. Симметрика (AES-256, SHA-2/3) страдает меньше — алгоритм Гровера даёт квадратичное ускорение, лечится удвоением длины ключа. Состояние угрозы: — Google Willow: 105 кубитов, RCS-бенчмарк за <5 мин (классика — 10²⁵ лет) — Для атаки Шора на RSA-2048 нужны ~миллионы логических кубитов при текущих error rates → пока теоретически — Harvest now, decrypt later — практическая угроза для данных с длинным сроком конфиденциальности (медицина, гостайна, IP) Что есть из готового (NIST, 2024): — ML-KEM (Kyber) — key encapsulation — ML-DSA (Dilithium) — signatures — SLH-DSA (SPHINCS+) — hash-based signatures, без структурных предположений Прод-внедрения: — Google: гибрид X25519 + Kyber768 в Chrome TLS и Android — Cloudflare, AWS KMS — гибридные key exchange Что делать инженеру: инвентаризация криптографии (TLS, VPN, подписи кода, HSM, сертификаты устройств), crypto-agility в коде, hybrid-режимы на первой фазе, план ротации корневых CA. PQC-ключи и подписи крупнее — будут сюрпризы по MTU, размеру сертификатов и производительности embedded-железа. ⚡ — пора инвентаризировать крипту 😐 — миграция на годы @ai_for_dev

Zero — «язык для агентов» от Vercel, который изменит всё (нет) Vercel Labs выкатила Zero — systems-язык, который якобы создан не для нас, кожаных мешков, а для AI-агентов. Ну а что, агентам ведь не нужны фигурные скобки, красивый match, naming conventions и прочая человеческая эстетика, да? 🤔 Звучит почти убедительно — пока не открываешь код. Pitch такой: крошечный синтаксис, чтобы агент «выучил на лету», встроенная стандартная библиотека, машинно-читаемые диагностики и явные эффекты в сигнатурах. Идея, если честно, нормальная. Даже хорошая. Только вот всё это уже есть рядом — в Rust, Zig, TypeScript, LSP, нормальных линтерах и просто инженерной дисциплине. А синтаксис в духе ret + 40 2 приклеен сверху, чтобы выглядело «поагентистее». И главный прикол: агент учится на датасете. По Rust и Python там миллионы репозиториев и Stack Overflow. По Zero данных ровно zero. Так что «выучит на лету» = каждый раз кормить модель доками и молиться, что она не нагаллюцинирует JavaScript внутри Rust внутри YAML. 🤡 — хайп ради хайпа 👀 — а вдруг взлетит @ai_for_dev

Безлимит на токены за $10 Есть площадки вроде OpenRouter с парой сотен моделей, и большинству этого за глаза. Но если ты из привередливого меньшинства, которому нужна вон та конкретная дообученная модель с Hugging Face — держи Featherless. Они крутят на своих серверах 30 000 нейросетей. Не весь каталог HF, но уже близко. Всё под одним API-ключом, любую экзотику тестишь в один клик. Deepseek и Qwen, само собой, тоже на месте. И самое вкусное: платишь не за токены, а подписку — от $10 в месяц, токены бесплатно. От ботов-хакеров спасает лимит на параллельные запросы, так что в одиночку обанкротить стартап не выйдет, как ни старайся. Для вайбкодеров с проектами «вот-вот выстрелит» — самое то: десятку в месяц не жалко. Залетай на featherless.ai. 🔥 — пойду гонять модельки 🤡 — а потом ценник переобуют @ai_for_dev

AI пишет код быстрее. А счёт кто оплатит? Релизов стало больше, качество вроде ок — победа? Ага, пока не глянешь на счёт. Где-то фича внезапно стоит $1,000 в месяц вместо $500, и объяснить причину никто не может. А есть зоны, куда AI лучше пускать осторожно: безопасность, состояния гонки, распределённые системы, нестабильные тесты, криптография, auth, комплаенс, финансы и приватные данные. Промахнулся — и привет, $15,000 в месяц. И тут начался цирк под названием tokenmaxxing: • в Amazon жмут AI без нужды, лишь бы метрики были красивые; • в Meta за месяц спалили 60.2 триллиона токенов; • в Salesforce: тратишь меньше $170 — получаешь метку «подозрительный». А Farhan Thawar из Shopify задаёт нормальный вопрос: не «сколько потратили», а зачем. Может, человек реально строит что-то крутое на агентах. Чтобы не гадать — есть JIRA-приложение AI Code Pulse: показывает стоимость токенов по задачам, репам и авторам. 😁 — токены жгут не глядя 👀 — пойду проверю свой Cursor @ai_for_dev

OCR за пару секунд на CPU? Можно — на PaddleOCR + ONNX Классика: надо распознать текст на скане, а под рукой только CPU. Готовые фреймворки начинают «думать», и привет, таймауты. Автор пошла другим путём — взяла PaddleOCR, сконвертировала в ONNX и выжала ускорение больше чем в 4 раза. Почему не популярные движки: - Tesseract — нет GPU, до свидания. - EasyOCR — тащит PyTorch на пару ГБ и жрёт оперативку, на CPU тяжеловат. - OmniParser — это как забивать гвоздь экскаватором: YOLO плюс OCR ради «прочитать строчку». А теперь приятное: на CPU (16 ядер, 32 ГБ) самый долгий инференс — 1.5 секунды, на RTX 3090 вообще 0.2. И по качеству на русско-английских текстах Paddle уделывает EasyOCR — ошибок на слово почти вдвое меньше. Самое вкусное — весь пайплайн и ONNX-модели лежат в репозитории, а подробный разбор — на Хабре. 🔥 — забираю в свой пет-проект 👀 — а на кривых сканах как? @ai_for_dev