AI для Разработки — Claude | Cursor | Copilot

Anthropic раздаёт 20+ бесплатных курсов по Claude Платформа Anthropic Academy подросла: больше 20 бесплатных курсов по Claude и работе с AI. Причём кодить необязательно — есть программы для студентов, преподавателей, НКО и малого бизнеса про то, как нормально ставить задачи модели и проверять её ответы. Но самое вкусное для нас, разработчиков: отдельные треки по Claude API, Claude Code, Model Context Protocol, агентским навыкам и облачным интеграциям. Всё бесплатно, аккаунт Claude даже не спросят. Единственный нюанс — всё на английском. Зато за многие программы дают официальные сертификаты, будет чем хвастнуть в резюме. Забрать курсы можно здесь. 🔥 — сертификат заберу 😎 — я сам себе академия @ai_for_dev

GigaChat 3.5 Ultra выложили в open source Sber выкатил открытую 432B-модель. Забавно, что она *меньше* прошлого флагмана (700B у 3.1 Ultra), но при этом качают её вверх в коде и агентных задачах — то, что нам как раз и надо. Чем цепляет: - KV-кеша в ~4 раза меньше на токен → в ту же память влезает вдвое больше контекста, а пропускная способность подросла процентов на 20. - Добавили MTP-головы для self-speculative decoding — жадное декодирование ускоряется в 2,2 раза. - Архитектура гибридная: MLA плюс GatedDeltaNet, обучали в FP8, сверху навесили online RL. И отдельно приятно: датасет для pretrain собрали не из синтетики, а из живого веба (прогнали HTML через LLM в чистый Markdown), а языков программирования в данных стало больше 600 вместо 16. Весь разбор: Хабр 🔥 — качаю веса 👀 — 432B, а хостить где @ai_for_dev

Не в модели дело: почему всем нужен харнесс Раньше AI в разработке выглядел так: открыл чат, попросил код, вставил, проверил, а потом ещё десять раз писал «нет, не так». Иногда ускоряло. Иногда превращалось в странный спорт: кто первый устанет — ты или модель 😅. Но проблема-то не в модели. Проблема, что вокруг неё нет системы: нет контекста проекта, нет правил, нет связки с репозиторием, нет доступа к докам, базе и серверу. Вот тут и появляется харнесс — обвязка вокруг модели. Модель — двигатель, а харнесс — руль, тормоза и приборка. Двигатель мощный, но без всего остального уедешь не туда. Внутри харнесса живут 12 штук: оркестрационный цикл, инструменты, память, управление контекстом, сборка промпта, парсинг ответа, состояние, обработка ошибок, безопасность, проверки, субагенты и непрерывность между сессиями. Мораль: хватит гнаться за самой умной моделью — собери вокруг неё нормальную систему. 🔥 — пойду собирать обвязку 🤷 — да работает и в чате Источник: habr.com @ai_for_dev

Своя команда ИИ-учёных, которая ставится через npm OpenScience — опенсорсный верстак для ресёрча. Даёшь цель — агенты читают статьи, пишут код, гоняют эксперименты и сами оформляют выводы. Всё в браузерном окружении: файловое дерево, редактор, терминал, история сессий и рендер молекул и графиков прямо на месте. Что приятно: • Любые модели на выбор — Claude, GPT, DeepSeek и даже дообученные, на ваших ключах и без регистрации. • 250+ скиллов и 30+ научных баз (arXiv, PubChem, ChEMBL и другие) прямо как инструменты агента. • Есть MCP-серверы, плагины и TypeScript SDK — можно докрутить под себя. Запуск в одну команду:

npx synsci

Крутится на вашей инфре, данные остаются локально. Забрать — на GitHub. 🔥 — self-hosted, погнали 👀 — надо потыкать @ai_for_dev

Ломаем прод бесплатно: встречайте Dinamos Сколько можно читать книжки по системному дизайну? Пора трогать руками. Но AWS за практику выставлял такие счета, что желание пропадало. Dinamos это чинит — 100% бесплатно, открытый код, 2 года в продакшене. Загружаешь сценарий (хочешь — инфраструктуру мессенджера, хочешь — продажу билетов на грандиозное шоу), смотришь, как запросы валятся на балансировщик, и через «Золотые сигналы» ловишь узкие места в очереди сообщений. А дальше — самое весёлое. Chaos Engineering: добавь задержек, «убей» узел и смотри, выживет ли система и подтянется ли автомасштабирование. Готовишься к System Design интервью? Рисуешь схему, наговариваешь голосом объяснение, а ИИ разбирает твой ответ — где сильно, где надо было обосновать лучше. Бесплатный тьютор, по сути. Всё двуязычно (PT/EN), уроки от кеширования до CAP / PACELC. Забирай: dinamos.net 🎉 — бесплатно? беру 😎 — на выходных поломаю @ai_for_dev

Агент наконец-то перестал тупить по кругу Завезли скилл self-learning — теперь агент помнит то, что уже нарешал. Один раз разобрался в задаче — запомнил рабочий подход и то, что не взлетело. В следующей сессии он не начинает с нуля и не перебирает грабли заново, а сразу идёт проверенным путём. По сути, у агента появляется долгая память вместо вечной амнезии после каждого рестарта. Жаль только, что пощупать пока негде — ни репозитория, ни ссылки. Ждём, когда выложат. 🔥 — конец амнезии 👀 — где потрогать-то @ai_for_dev

Прикрутили AI-агента к BI — и да, магия не в модели Ребята рассказали, как внедряли AI-агента в свою BI поверх терабайтов данных по рекламным кампаниям. Знакомая боль: отчётов десятки, между ними не понавигируешься; без аналитика нужную циферку не достанешь; а чтобы переиспользовать данные — только скринить дашборды или парсить HTML. Тоска. AI в BI закрыл все три задачи разом: теперь всё в одном диалоговом окне — спросил трактовку метрики, сравнил, тут же визуализировал. Но главный инсайт другой: 90% успеха — это инфраструктура, а не сама нейросеть. У них в основе семантический слой — сервис, который вешает на данные бизнес-логику. К каждому полю прикручены метаданные и описание для агента, формулы зафиксированы. Аналитик один раз написал 12 строк SQL — разработчик потом дёргает результат парой параметров. И отдельный респект за позицию: нейросеть SQL не пишет. Слишком неконтролируемо, вольности тут ни к чему. Агент ходит к данным через тулзы поверх готовой витрины. Больше деталей — в статье на Habr. 👍 — звучит разумно 🤡 — опять «магия» в заголовке @ai_for_dev

Пишешь агента, а у тебя в графе завёлся осьминожек Знакомо: делаешь учебного ИИ-агента, функционал растёт, и вдруг видишь в LangGraph ноду plan, в которой упрятано около 350 строк логики. Итерации, вопросы про регион и валюту, сборка рецептов, вызов модели, коррекция — всё в одной «скромной восьминогой голове». Это и есть god node, честный антипаттерн. Автор не стал распутывать вручную, а устроил конкурс: 5 американских и 6 китайских моделей (плюс Fable) сначала предлагали, как разнести логику по графу, а потом оценивали идеи друг друга. Кому верить — выбирал аж тремя способами, вплоть до «центра мнений» и медоида. Итог — кого брать в генераторы идей, а кого в строгие оценщики. Спойлер: расклад не самый очевидный. Весь разбор с кодом и таблицами: на Хабре. 🔥 — осьминожку жалко 😁 — god node у всех живёт @ai_for_dev

Поднял Gemma 4 31B на одной 4090 48GB и проверил: а Q8 вообще нужен? История из жизни self-hoster'а. Человек собрал Gemma 4 31B на одной RTX 4090 (48 ГБ) через llama.cpp, GGUF от Unsloth, и решил наконец померить то, что все спрашивают, но никто не считает: хватает ли 4-бит и не разваливает ли квант tool-calling. Спойлер: Q8 не дал вообще ничего. Прогнал 50 задач: — баллы почти равны (0.735 против 0.742 — это шум) — Q4 даже прошёл задач больше (45/50 против 42/50) — а ещё он в 1.6 раза быстрее и кушает 27 ГБ вместо 40 Фокус в том, что это не тупой Q4, а Unsloth Dynamic 4-bit — он бережёт важные слои. «Честный Q8» на 48 ГБ тут просто самообман: меньше места под контекст и медленнее за те же цифры. А tool-calling? Дело было не в кванте. Спасает один флаг — --jinja. Включает родной шаблон модели, и вызовы инструментов держатся идеально хоть на Q4, хоть на Q8. Без него ломается у обоих. Вся кухня с цифрами: Habr 🔥 — пойду гонять Q4 🦉 — а я думал Q8 рулит @ai_for_dev

Ты не разработчик. Ты промпт-конвейер с дипломом Звучит грубо, но это цитата из свежего исследования (Baltes et al., март 2026). И, кажется, по делу. История такая. Есть красивый термин «human-in-the-loop» — типа человек всё контролирует. А антрополог Madeleine Clare Elish ещё в 2019-м показала обратное: человек в автоматизированной системе превращается в сминаемую зону. Только защищает он не себя, а систему. Собой. И цифры бьют точно в нерв. 96% разрабов не уверены в коде, который написал AI. А проверяют его каждый раз — меньше половины. Вернер Фогельс из AWS придумал этому имя: verification debt. Сгенерировать стало проще, чем понять, что нагенерировали. И нет, это не «не доверяем, но не проверяем». Это не скепсис — это выгорание, которое научилось косить под скепсис. Мозг просто не тянет вечно ловить редкую ошибку в потоке зелёных диффов. Подробный разбор — тут. 🤔 — больно, но честно 🤡 — ну я-то проверяю (нет) @ai_for_dev

Похоже, ИИ потихоньку выключает нам мозг 😬 Nature рассказывает: первые исследования уже ловят неприятный эффект — кто слишком сильно опирается на ИИ, тот хуже работает, когда его отбирают. — 77% врачей и 70% медсестёр уже боятся, что нейронки убьют их навыки. И, кажется, не зря. — У опытных эндоскопистов после привыкания к ИИ точность поиска предраковых образований без него просела с 28,4% до 22,4%. — А разработчики, которые решали задачи с ИИ-ассистентом, после его отключения набрали всего 50% на проверке — против 67% у тех, кто всегда пилил сам. Короче, мышцу надо иногда качать и без костыля. Иначе автодополнение есть, а смекалки уже нет. 😰 — всё, я деградирую 🤔 — да ладно, выживем @ai_for_dev

Как заставить локальную мелкую модель писать нормальные конспекты лекций Закинуть транскрипт лекции на 1,5 часа (это 15–20 тыс. токенов) в локальную SLM одним вызовом — и получить кашу. Модель теряет середину, забывает начало, выдумывает формулы. Классический Lost in the Middle: на краях контекста всё ок, в середине — провал. А на 8 ГБ VRAM длинный single-call вообще не взлетает. Решение из проекта LongConspectWriter простое по идее: не давать ни одному вызову весь транскрипт целиком. Сначала режем запись на смысловые кластеры, строим план глав, и только потом пишем конспект почанково (MapReduce) с реестром сущностей, чтобы термины не вводились по второму разу. Итог: 6,87/10 против 8,84/10 у Gemini 3.1 Pro, то есть ~78% качества большой модели — но бесплатно и прямо на твоей видяхе. Подробности: habr.com 🔥 — заберу на свою 3060 😎 — потыкаю на выходных @ai_for_dev

Внедрили ИИ — а толк есть? Считаем метрики Знакомая картина: команде раздали Copilot и Cursor, все довольны, а на вопрос «и сколько мы на этом заработали?» — тишина. Продуктовый аналитик Александр Смирнов написал, как закрыть эту дыру метриками. Главная мысль простая: хватит мерить активность. Количество токенов и активных юзеров — это не успех. Успех — это сэкономленные часы, релизы быстрее и затраты ниже. И да, автор отдельно проходится по модной идее, что «нормальный спец обязан сжигать две зарплаты токенами в месяц» — он с ней не согласен 🙂 Его подход — дерево метрик в виде воронки: - Интеграция — кто вообще этим пользуется; - Вовлечённость — а возвращаются ли (иначе лицензии в мусорку); - Эффективность — стали ли делать быстрее и не хуже (делать быстро, но плохо — не цель); - Экономика — а окупается ли всё это вообще. Готовый скелет, на который накидываешь мясо под свой стек. Подробности на Хабре. 🔥 — заберу для отчёта боссу 🤡 — у нас всё на глаз @ai_for_dev

«AI увольняет программистов» — а кто увольняет-то? Классика жанра: везде кричат, что разрабов выкидывают из-за AI. Сели, разобрали — а кто реально увольняет? Пару примеров нашли, но массовостью там и не пахнет. Зато сплошь и рядом другое: «не нанимаем» и «нанимаем меньше». Уволить — редкость. А теперь сюжетный поворот. Повесил вакансию разработчика — и завалило резюме. Причём процентов 70 кандидатов в поиске, потому что их сократили. AI там виноват или нет — никто не уточнял, да и сами они вряд ли в курсе. Но раньше причины были пёстрые: «сам ушёл», «переехал», «контора разорилась». А сейчас — как под копирку. Так что обе статистики на столе. Хочешь — верь, что всё спокойно, хочешь — что начался апокалипсис. Идеальная ситуация, чтобы натянуть любой вывод. 😎 — без паники живём 👀 — а резюме обновлю @ai_for_dev

Обучил русский RAG-сплиттер: режет по индексам, а не по тексту Человек захотел проверить, можно ли нарезать русские документы для RAG умнее готовых чанкеров — и обучил свой сплиттер. Фишка: модель отдаёт не переписанный текст, а индексы границ, а оригинал режет уже хост. Взял идею датского сплиттера и пересобрал под русский на T-lite-it-2.1. Что это даёт на практике: • чанки совпадают с исходником байт-в-байт • на нарезку уходит всего 35–40 токенов JSON, а не пересказ всего документа • таблица не рвётся посередине — идёт целым куском Обучал bf16-LoRA через Unsloth на RTX 5090 — около 3.5 часа и 25.4 ГБ памяти. А деплой вообще на AMD Strix Halo без CUDA (llama.cpp Vulkan), ~1.2 секунды на документ. Разметку задистиллировал от локального DeepSeek-V4-Flash. Честно про метрики: F1 = 0.821 — это согласие с учителем, а не реальное качество RAG, downstream пока не мерил. Весь разбор с кодом и замерами на Хабре. 🔥 — индексы вместо текста, красиво 😎 — на AMD без CUDA живёт @ai_for_dev

Dory: Docker на Mac без прожорливого Desktop Если Docker Desktop сжирает пол-оперативки ещё до первого контейнера — вот вам бесплатная open-source альтернатива. Dory поднимает одну общую ВМ на все контейнеры, и в простое ест примерно в 4.7 раза меньше RAM. Что внутри: - Настоящий docker-сокет — старые команды работают как есть - Kubernetes в один клик - Полноценные Linux-машины под любые эксперименты - Домены *.dory.local по HTTPS из коробки И вишенка: всего ~6 МБ, без Electron, без аккаунтов, GPL-3.0. Забрать тут: augani.github.io/dory 🎉 — бесплатно, беру 👏 — пойду ставить звёзды @ai_for_dev

😎 FastAPI Cloud открыли для всех Ребята, которые сделали FastAPI, теперь дают деплой в одну команду. Берёшь готовое приложение и:

uv run fastapi deploy

Всё, оно в проде. HTTPS, TLS-сертификаты, автоскейлинг — само подтянется. В разработке спит (scale to zero), под нагрузкой растёт. Что ещё бесит в хорошем смысле: — push в main = автодеплой, никаких простыней CI-конфигов — zero-downtime — новая версия катится плавно, сломалось — откат на рабочую — БД в пару кликов: Neon, Redis Cloud, Supabase — логи, метрики, переменные, свои домены, плагин для VS Code Нужны GitHub Actions? fastapi cloud setup-ci сам создаст токены и сгенерит workflow. И вишенка: CLII заточен под AI-агентов — JSON-вывод, явные параметры, так что бот сам деплоит и дебажит из терминала. Вместо стен YAML — одна команда. Ссылка на сайт 🔥 — пойду катить в прод 👀 — сначала пощупаю @ai_for_dev

Доменная экспертиза всё? Или показалось Представьте: десять лет в финтехе, знаете KYC, эквайринг и платёжные системы как свои пять пальцев, ловите неуловимые баги в распределёнке. Не гений, но ценный спец — работу всегда найдёшь. И тут приходят агенты. Автор с 10 годами стажа честно описывает свою тревогу — он медленно превращается в оператора агентов, которым может стать вообще любой программист без знания финтеха: 👉 Сначала просели дизайн-доки — LLM пишет спеки вполне сносно. 👉 Потом дебаг распределёнки — агент разбирает за минуты то, на что уходил день-два. 👉 А за чистую архитектуру уже мало кто готов доплачивать. Good enough is enough, и всё тут. Подробности — в его блоге. Ну что, мы теперь все генералисты-шестерёнки? Или глубина ещё спасёт? 😎 — глубина рулит 🤡 — все мы операторы агентов @ai_for_dev

Верификация ПО в эпоху ИИ: почему «почти корректно» — это недостаточно Бертран Мейер — создатель языка Eiffel и концепции «проектирования по контракту» — выступил с докладом на ACM Technology Talk о том, как генеративный ИИ меняет программную инженерию. Главный тезис: ИИ возродил старое обещание «не писать код, а лишь сформулировать требования». Но кодирование составляет лишь малую долю инженерии. Трудные части — требования, архитектура и прежде всего проверка и верификация (V&V) — остаются трудными. Ключевой довод: определяющий вид отказа ИИ — галлюцинация — делает гарантии корректности *более*, а не менее важными. «Почти корректные» компоненты складываются в ненадёжные системы. Мейер описывает эксперимент: формально верифицированная система управления конференциями, построенная с ИИ-ассистентом в среде AutoProof для Eiffel. Отсюда выводится итеративный процесс: специфицируй понемногу → реализуй понемногу → пытайся верифицировать → исправляй. Вывод осторожно оптимистичен: для повседневной разработки ИИ — нивелирующая технология, для критических систем — усиливающая, и уроки инженерии применимы как никогда. Полный текст: habr.com 🤔 — здравый взгляд 😐 — надо переварить @ai_for_dev

Свой антиспам на BERT: 550 МБ RAM и никаких облаков Спам достал всех, но автор пошёл дальше обычных фильтров. Вся почта с Яндекса, Mail и старых адресов пересылается в один Gmail. Встроенные фильтры и SpamAssassin часть ловят, но всякие приглашения на конференции, партнёрки и кредиты просачиваются — формально не спам, байес их не берёт. Сначала думал взять LLM через API (Llama, GPT текст разбирают отлично), но это внешняя зависимость: условия поменяются, геоблок, отвалится. В наше время такое лучше убирать. Поэтому — локальная ruBert-base-antispam с HuggingFace: 177 млн параметров, ест максимум 512 токенов, в памяти 550 МБ, отвечает за 100–200 мс. На входе текст, на выходе 0 или 1. Никаких промптов, красота. Впихнуть это прямо в Exim через ACL не получилось — панель сервера всё ломала. Поэтому обработка после доставки письма: сначала регулярки на очевидный мусор, потом BERT на остальное. Весь рецепт: habr.com 🔥 — self-hosted gang одобряет 👀 — заберу схему себе @ai_for_dev