Вайб-кодинг

Полезная находка: mcp-scanner — Python-инструмент для сканирования MCP серверов и инструментов на предмет потенциальных проблем безопасности. Дает комплексное решение для проверки MCP-серверов и инструментов на security-находки. В основе три мощных движка сканирования: YARA, LLM-as-a-judge и Cisco AI Defense. Их можно использовать вместе или по отдельности. SDK сделан с упором на простоту использования, при этом он предлагает сильные возможности сканирования, гибкие варианты аутентификации и кастомизацию. Подробнее

А что если дать Клоду возможность сочинять музыку. 😈 Вот первая песня, которую он написал =)

Большой момент для Postgres. AI-инструменты для написания кода до сих пор часто слабо справляются с PostgreSQL. Не потому что модели тупые, а из-за того, как они вообще обучались писать SQL. LLM-ы тренируются на интернете, а интернет забит устаревшими ответами с Stack Overflow и «быстрыми гайдами», которые решают проблему здесь и сейчас, но не учитывают эволюцию Postgres за десятилетия. Поэтому, когда просишь ИИ сгенерировать схему, он выдает что-то, что формально запускается, но проигнорировано куча важных штук: Нет GENERATED ALWAYS AS IDENTITY (с PG10) Никаких expression или partial индексов Нет NULLS NOT DISTINCT (PG15) Нет CHECK-ов и нормальных внешних ключей Генерятся безликие имена, которые ничего не говорят Но это решаемая проблема. ИИ можно научить писать нормальный Postgres, если дать ему доступ к правильной документации прямо на этапе генерации. Ровно это и делает свежевышедший pg-aiguide от TigerDatabase — опенсорсный MCP-сервер, который дает инструментам кодогенерации доступ к 35 годам постгресовского опыта. Если коротко, MCP-сервер позволяет: Делать семантический поиск по официальному мануалу PostgreSQL (с учетом версий, понимает отличия PG14 vs PG17) Использовать наборы «скиллов» с мнением по лучшим практикам: дизайн схем, индексация, ограничения Я прогнал эксперимент в Claude Code, чтобы посмотреть, как это работает, и вместе с командой собрал результаты. Запрос: «Сгенерируй схему для e-commerce дважды: с MCP выключенным и включенным. Потом оцени и сравни результаты». Результат с включенным MCP: На 420% больше индексов (включая partial и expression) На 235% больше ограничений На 60% больше таблиц (нормализация) 11 функций и триггеров под автоматизацию Современные паттерны PG17 по всему проекту Схема, сгенерированная с MCP, уже на старте имеет нормальную целостность данных, оптимизации под производительность и адекватные соглашения по именованию, которые не стыдно унести в прод. pg-aiguide работает с Claude Code, Cursor, VS Code и любыми MCP-совместимыми инструментами. Бесплатный и полностью опенсорс. 👍

Мой любимый способ использовать Claude Code для сборки крупных фич — работать от спеки. Начни с минимальной спеки или промпта и попроси Claude прогнать тебя через уточняющие вопросы с помощью AskUserQuestionTool Потом открываешь новую сессию и уже исполняешь спеку. Когда пилишь крупные фичи или новые проекты, Claude легко может задать 40+ вопросов, и в итоге получается гораздо более детализированная спека, при этом у меня всё ещё ощущение полного контроля над результатом. Промпт, который я использую, такой:

read this @SPEC.md and interview me in detail using the AskUserQuestionTool about literally anything: technical implementation, UI & UX, concerns, tradeoffs, etc. but make sure the questions are not obvious

be very in-depth and continue interviewing me continually until it's complete, then write the spec to the file

Есть ли еще программисты, которые изучают основы, прежде чем позволить ИИ писать код за них?

Кто-то набил себе тату с этим маленьким парнем

Команда Codex "/review" под капотом использует вот этот промпт: https://github.com/openai/codex/blob/main/codex-rs/core/review_prompt.md Он довольно "не универсальный" и жёстко задаёт стиль, поэтому вместо этого можно попросить основного агента поднять суб-агента вручную:

codex exec \
  -s read-only \
  -m gpt-5.2-codex \
  -c model_reasoning_effort="xhigh" \
  "<review-prompt>"

Такой подход работает как универсальный суб-агент Codex под любую задачу: можно настраивать модель, конфигурацию, разрешения и так далее. 🛌

Парень выкатил свежий блог про то, как выжать максимум из claude code 2.0 и агентских инструментов вообще. Завари чай и почитай для души 😈

Предновогодний подгон от Грег Айзенберга: он написал пошаговый план по созданию мобильных приложений с помощью ИИ. ❤️ Это полноценная инструкция из 33 пунктов, как запустить свой ИИ-стартап:

1. Берёшь Claude Code, Rork, Vibecode и прочие инструменты, поднимаешь первый мобильный MVP в тот же день, как появилась идея. 2. Через Claude Code уплотняешь логику, закрываешь крайние кейсы, делаешь поведение предсказуемым. 3. Сразу продумываешь ключевое взаимодействие так, чтобы оно помещалось в 10 секунд записи экрана. Это новый «lean startup». 4. Смотри топовые короткие видео в своей нише и выпиши первые 3 секунды каждого — это входные хуки. 5. Демо вокруг хука, а не вокруг списка фич — меняем мышление. 6. Записывай простые демки прямо с эмулятора или устройства и выкладывай без полировки. 7. Короткие видео — твой канал обратной связи в реальном времени. Это важно. 8. Тестируй несколько хуков для одного и того же приложения до того, как снова трогать код. 9. Смотри в аналитике, где люди ставят паузу, пересматривают или пишут «wait what» — это сигналы, что им реально важно. 10. Скринь комментарии, которые понятнее всего описывают продукт, и используй эту формулировку дальше. 11. Скормите комментарии Claude Code и попроси сгруппировать фидбек в конкретные изменения. 12. Вкати минимальное изменение, которое делает демо понятнее. 13. Через Claude Code быстро внеси правки и перезапиши демо в тот же день (делает основатель, помощник или ИИ-аватар — не важно). 14. Повторяй цикл каждый день, пока приложение не станет объяснять себя без озвучки. 15. Пусть демо само станет механизмом дистрибуции. Это твой ориентир. 16. Вводи пейволл, когда появился интерес. Проверяем готовность платить. 17. Добавь один вопрос или мини-опрос в онбординг, чтобы создать ощущение вложенности. 18. Используй ответы, чтобы персонализировать первый результат под пользователя. 19. Покажи результат сразу после онбординга, чтобы было понятно, что ввод имел значение. 20. Сразу после первого использования дай одно чёткое инсайт-сообщение «зачем это вообще». 21. Сохраняй первый результат, чтобы возникло чувство владения и повод вернуться. 22. После появления ценности попроси о небольшом следующем шаге — усиливаем вовлечённость. 23. Популярные ответы из онбординга превращай в новые углы для демо-контента. 24. Покажи прогресс «до/после», даже в простом виде. 25. Дергай повторное вовлечение, когда результат реально изменился. 26. Дай способ экспортировать/шарить результат так, чтобы сохранялся контекст — помогает вирусности. 27. Улучшай онбординг-тексты с Claude Code по тому, что реально конвертит. 28. Хук зафиксирован, когда люди начинают объяснять приложение друг другу. 29. Увеличивай частоту публикаций, когда формат стабильно работает. Продолжай эксперименты. 30. Подстраивай продукт под то, что заходит в видео. 31. Коротко: Ship → демо → наблюдай реакцию → ужимай цикл → монетизируй → повторяй, пока не появится инерция. 32. Дальше, если повезло: PMF. Потом дивиденды, новые приложения (купить или собрать), или раунд, если хочется. 33. Всё. Ты собрал мобильное приложение с ИИ.

Если ты всё ещё проходишь мимо скилла dev-browser — зря спишь. Вот пример, как GPT 5.2 в Codex программно шарится по документации Seedream_AI на ByteDance VolcEngine: 1. npm i -g openskills 2. openskills install SawyerHood/dev-browser 3. openskills sync Готово.

Sandbox Mode «Я могу запустить npm install?» [Allow] «Я могу запустить npm test?» [Allow] «Я могу прочитать этот файл через cat?» [Allow] и так по кругу штук сто раз /sandbox → границы заданы → Claude работает внутри Один раз задаешь рамки. Дальше Claude спокойно крутится внутри них. Максимальная скорость по принципу yolo при реальной безопасности Узнать больше 🎁

Antigravity: просмотреть изменения или принять всё Я: принять всё, ооо

Бесплатный API с моделями ИИ — без привязки карты. ✓ 1000 запросов в день к моделям OpenAI ✓ Есть Qwen 3, Kimi K2 и Llama ✓ Аудио, голос, reasoning и прочее Сервис называется Groq → http://groq.com

Prompt: Создать анимацию запуска ракеты: старт с зажигания двигателя и густого дыма, затем медленный отрыв от площадки с постепенным ускорением. Всё в одном HTML-файле на HTML/CSS/JS. HTML Output (размер результата):

618 строк HTML (gpt-5.2-extended-thinking) 332 строки HTML (gemini-3-pro) 188 строк HTML (grok-4.1-thinking) 820 строк HTML (opus-4.5-thinking-32k)

Характеристики моделей:

- gpt-5.2-extended-thinking: Оценка 9.6/10. Reasoning Time: 22 c, общий ответ: 129 c, объём reasoning: 205 слов - gemini-3-pro: Оценка 9/10. Reasoning Time: 10 c, общий ответ: 36 c, объём reasoning: 203 слова - grok-4.1-thinking: Оценка 2.8/10. Reasoning Time: 6 c, общий ответ: 10 c, объём reasoning: 63 слова - claude-opus-4.5-thinking-32k: Оценка 7.4/10. Reasoning Time: 72 c, общий ответ: 184 c, объём reasoning: 1353 слова

* Во всех тестах использовался самый первый “сырый” ответ модели, без доп.прогонов и уточняющих подсказок. * GitHub с исходниками и метриками * Время размышления замерялось вручную с момента нажатия Enter. На скриншотах таймер стартует только в момент начала инференса, поэтому цифры могут немного расходиться.

Дообучи DeepSeek-OCR под свой язык (все на локалке, 100%) Большинство vision-моделей воспринимают документы как огромные последовательности токенов, из-за чего обработка длинного контекста получается дорогой и медленной. DeepSeek-OCR использует контекстное оптическое сжатие, чтобы переводить 2D-лейауты в vision-токены. Это дает эффективную обработку сложных документов. Это vision-модель на 3B параметров, которая дает 97% precision, при этом использует в 10 раз меньше vision-токенов, чем текстовые LLM. И да, ее можно без проблем дообучить под свой кейс на одной GPU. Я использовал Unsloth для эксперимента на персидском тексте и получил улучшение character error rate на 88.26%. ↳ Базовая модель: 149% character error rate (CER) ↳ Дообученная модель: 60% CER (на 57% точнее) ↳ Время обучения: 60 steps на одной GPU Персидский был просто тестовым кейсом. Ты можешь подставить свой датасет под любой язык, тип документов или конкретную предметную область, с которой работаешь. Все на 100% open source Технический стек: - UnslothAI для запуска и тонкой настройки модели - LightningAI среды для хостинга и развертывания Код и настройки среды можно найти здесь

Ещё один проект на сегодня: разработчик показал just-bash (реализацию bash на TypeScript под AI-агентов.) Зачем? Агентам удобно разбираться в данных через шелл, и это работает лучше, чем куча спец-тулов. Внутри grep, sed, awk и всё, что обычно нужно Claude Code или Cursor. Есть бинарь, оверлей-ФС, sandbox-режим и API совместимое с Vercel Sandbox. Практика такая: агент запускает just-bash, копается в проектах, патчит, проверяет, не имея доступа к настоящей системе. Быстро, безопасно в рамках песочницы и без выхода за root. Большую часть кода написал Opus 4.5, сам автор всё не читал. 😊 Пакет: тут Подробнее: тут На видео показан пример агента, исследующего только что созданную кодовую базу.

Старший инженер Google выкатил документ на 424 страницы под названием Agentic Design Patterns. Каждая глава подкреплена кодом и закрывает передний край разработки AI-систем: → цепочки промптов, роутинг, память → MCP и координация нескольких агентов → guardrails, reasoning, планирование Это не блог-пост. Это полноценная программа. И она бесплатна. PDF-версия кому нужна 📖

Чувак завернул Claude Code в контейнер и поднял его в Kubernetes как автономного онколл-бота. Он следит за конкретными namespace, ловит ошибки в приложениях, сам заходит в под, делает хотфикс и в конце собирает отчёт. По факту получился инженер дежурства 24/7, только без кофе и бессонных ночей. 😊 Архитектура простая: дашборд + cronjob. Поведение задаётся через env-переменные — auth_mode (api_key/auth.config) и worker_mode (autonomous/watcher). Мониторит только те namespace, которые вручную разрешили. В демке он запускается в autonomous mode: находит ошибку, патчит прямо в рантайме и заканчивает отчётом. Время реакции — около 3–5 минут. Автор проверил на двух кейсах: один простой, другой пожёстче. Дашборд и прогоны можно глянуть тут Репозиторий и пример k8s-конфигов (в том числе под ArgoCD) лежат в посте, тут же

Борис Черни — инженер из Anthropic :

Когда я запустил Claude Code как пет-проект в сентябре 2024, я вообще не представлял, во что это вырастет. Немного ошарашивает, что Claude Code стал базовым инструментом для стольких разработчиков, как вокруг него поднялось комьюнити и как люди используют его подо всё подряд: код, девопс, ресёрч, даже нетехнические задачи. Эта технология выглядит инопланетной и почти магической. Она реально упрощает создание и сборку всего подряд. Всё чаще код больше не узкое место. Год назад у Claude были проблемы даже с генерацией bash-команд без косяков с экранированием. Он держался секунды или минуты. Тогда только начали появляться первые сигналы, что когда-нибудь он сможет быть полезным для реальной разработки. Перематываем к текущему моменту. За последние тридцать дней я влил 259 PRов: 497 коммитов, плюс 40к строк, минус 38к строк. Каждая строка написана через Claude Code + Opus 4.5. Claude стабильно держится минутами, часами и сутками подряд (через Stop-хуки). Софтверная разработка меняется на глазах. Мы реально входим в новый период в истории кодинга. И это только разгон.