AI для Разработки — Claude | Cursor | Copilot

Почему ваш AI-агент умирает сразу после демо Знакомая схема? Берём модель, оборачиваем в while not done, насыпаем десяток инструментов — готов «автономный агент, который сам всё сделает». На демо он реально всё делает: один шаг, логи зелёные, заказчик доволен. А потом эта штука уезжает в прод. И выясняется, что демо проверяло ровно один happy path, а реальность подкидывает то пустой ответ инструмента, то противоречивые данные, то задачу на сорок шагов. Tech Lead из FinTech честно признаётся: однажды он увидел в биллинге сумму, на которую агент «думал» несколько суток подряд. С тех пор к слову «просто всё сделает» относится с подозрением. Первая из шести ошибок — реактивный while-цикл вместо плана. Агент бодро стартует, делает пару осмысленных шагов, а потом начинает ходить кругами: уточняет уже уточнённое, переспрашивает сам себя, гоняет один и тот же вызов. Со стороны — работа, по сути — топтание на месте. Все шесть граблей с симптомами и фиксами: habr.com 🔥 — в точку, больно знакомо 👀 — пойду перечитаю свой код @ai_for_dev

Гайд по сборке обвязок для ИИ-агентов — и он бесплатный Вечный вопрос: чем агент отличается от «просто модели в цикле»? Ответ — в обвязке. Это та самая прослойка, которая делает за модель всё, что она сама не может: дёргает инструменты, помнит контекст, держит границы безопасности и гоняет think → act → observe. В руководстве по-человечески разложено: • вызов инструментов, реестр тулов, MCP • память и сборка контекста • песочницы, навыки, саб-агенты, обработка ошибок • планирование и мультиагентная оркестрация Начинают с азов — въедет даже новичок. Куча примеров, которые можно копировать и сразу запускать. Есть даже «твоя первая обвязка на 50 строках Python». И вишенка — живые сравнения Claude Code, Codex, Cline, Aider и Cursor. Забираем на GitHub. 🎉 — бесплатно? беру 👀 — гляну, что за зверь @ai_for_dev

Релиз Nourish 1.0.0 — открытый композитный сервер на Rust В конце июня 2026 года состоялся первый мажорный релиз композитного сервера Nourish. Проект опубликован на GitHub под лицензиями MIT и Apache 2.0. Ключевая идея — безразмерное рабочее пространство, не ограниченное границами экрана: окна можно произвольно перемещать, панорамировать и масштабировать без потери читаемости. Для отрисовки используется Vulkan с откатом на OpenGL. Основные возможности: — протокол Wayland и расширение fractional-scale против размытия при масштабировании; — поддержка видеокарт Nvidia, Intel и AMD через Mesa; — объединение окон в именованные группы; раскладка сохраняется после перезапуска и сбоев; — отдельные рабочие пространства с 3D-навигацией в виде мозаичной карты-глобуса; — скриншоты и запись скринкастов окон или области пространства. Готовые пакеты подготовлены для Fedora 44. 🔥 — добавил в закладки 👀 — гляну на досуге Источник: habr.com @ai_for_dev

Grok 4.5 учится кодить на данных Cursor Маск выкатил детали по Grok 4.5, и звучит это бодро. Модель собрана на чекпойнте V9 — 1,5 триллиона параметров (текущий публичный Grok всего на 500 млрд, то есть новый втрое жирнее). И главное для нас, кодеров: её дообучили на данных Cursor — того самого AI-редактора, который SpaceX прикупила пару недель назад. По сути, модель училась на реальных сессиях программирования. Пока её гоняют в закрытой бете внутри SpaceX и Tesla. Маск утверждает, что по производительности она «близка к Claude Opus, а может и круче» — но какую именно версию Opus имел в виду, скромно умолчал. Отдельно хвастается результатами на сложных задачах по коду. Релиза для всех пока нет — модель ещё дообучают с подкреплением. Источник: mltimes.ai 🔥 — ждём в проде 😎 — Маск опять хайпует @ai_for_dev

Open Lovable: кинул ссылку — получил React Ребята из Firecrawl выкатили в open source штуку, которая уже нахватала 24k звёзд на GitHub. Суть простая до неприличия: вставляешь ссылку на сайт, ждёшь пару секунд — и на руках точная React-версия. Макет, стили, взаимодействия — всё повторяет оригинал, бери и допиливай. Что умеет: - Клонирует любой сайт в React, даже навороченные страницы тянет. - Дружит сразу с кучей моделей — OpenAI, Anthropic, Gemini, Groq, переключаешься на лету. - Под капотом Firecrawl разбирает структуру страниц, поэтому результат стабильный. - Локальная отладка, деплой и предпросмотр прямо во время генерации — сразу видно, что лепится. - Есть интеграция с песочницей E2B, чтобы запускать без страха за продакшен. Лицензия MIT, всё открыто: качаешь, кидаешь свои API-ключи — погнали. GitHub 🔥 — self-hosted gang 👏 — пошёл ставить звезду Источник: github.com @ai_for_dev

Cursor готовит Origin — замену GitHub под AI-агентов Cursor анонсировал Origin — платформу для хостинга git-репозиториев и код-ревью, где основной автор и ревьюер кода — AI-агент, а человек подключается лишь на этапе финального одобрения. Анонс сделал Томас Реймерс, основатель Graphite — сервиса код-ревью, который Cursor купил в 2025 году. Цифры заточены под нагрузку от десятков агентов сразу: на демо показали 22,6 коммита в секунду в одном репозитории, сотни тысяч клонирований и пушей в час, синхронизацию по миру быстрее 400 мс и автоматический failover быстрее 10 мс. Ключевое отличие — Origin описывает изменения и конфликты слияния в терминах смысла: какая функция поменяла сигнатуру, какие тесты задеты, какие зависимости добавились, а не текстовыми маркерами конфликта. Полноценный релиз запланирован на осень 2026 года, лист ожидания открыт. 🔥 — Origin интригует 🤔 — подожду релиза Источник: habr.com @ai_for_dev

RAG как фундамент: единый слой знаний до агентов Тезис: нестабильность корпоративных AI-проектов — следствие не слабой модели, а фрагментации данных. Документы (меню, регламенты, техкарты, гайды) живут в разных форматах и системах, единого источника фактов нет. LLM поверх такого даёт противоречивые и устаревшие ответы. Архитектурное решение — поставить RAG-слой первым: — документы векторизуются и кладутся в векторное хранилище (Qdrant); — структурированные данные и служебная логика — в PostgreSQL; — источником знаний выступает Notion; — на запрос система ищет релевантные фрагменты, передаёт их модели и формирует ответ строго по найденным документам. Такой подход ограничивает свободную генерацию и привязывает ответы к реальным данным — критично там, где нужно контролировать, что именно использует модель и как это обновляется. Кейс: ресторанная группа, 1000+ страниц за 15 лет, очистка → разметка → единая база. Слой знаний построили до интерфейсов и агентов. ✍️ — забрал в архитектуру 😎 — Qdrant уже крутим @ai_for_dev

Хватит пихать ИИ в каждую систему — это архитектурный тупик Рынок сейчас похож на гирлянду из копилотов: у каждой кнопки свой маленький пророк. Но сколькими из них вы реально пользуетесь? 🙂 Мысль автора простая: пользователь должен видеть ИИ там, где работает — в CRM, СЭД, ITSM, чате. Но сам ИИ — модели, GPU, gateway, лимиты, аудит — должен жить отдельным корпоративным слоем. Доступен из любой системы, но не принадлежит ни одной. Как бухгалтер сидит и в 1С, и в почте, и на портале — а не клонируется в каждую. Самый честный способ увидеть абсурд «AI inside» — посмотреть не на интерфейс, а на инфру. Никто не купит отдельный GPU-сервер под каждую систему. Общий GPU + общий gateway = ИИ уже стал слоем, просто это ещё не признали. Автор честно признался: его команда сама чуть не встроила LLM-копилота в Monq ради красивого демо на конфе. Вовремя остановились. 🔥 — наконец кто-то сказал 🤡 — а у нас 5 копилотов @ai_for_dev

Собери себе ИИ‑консилиум вместо одного ответа Нашёлся инструмент, который вместо привычного «вот тебе ответ» устраивает настоящий спор: аргументы, возражения и финальный вывод. Внутри — 18 советников: от Сократа и Аристотеля до Сунь‑Цзы и Андрея Карпати. Их ставят в пары‑противовесы — один тащит решение, второй сомневается, а ту ли задачу мы вообще решаем. Запуск — одной командой через Claude Code или Codex. На выходе не сухой совет, а решение, рождённое в споре. Когда сам себе оппонент в три часа ночи — самое то. 🔥 — зову весь синклит 😎 — гляну на выходных @ai_for_dev

18 ИИ-мудрецов спорят за тебя Представь: вместо одного скучного ответа от ассистента — целый совет из 18 персонажей. Сократ, Аристотель, Сунь-Цзы и даже Андрей Карпати собираются и устраивают дискуссию по твоему вопросу. Фишка в том, что их разбивают на пары-противовесы: один предлагает решение, второй тут же душнит и сомневается в самой постановке задачи. На выходе — не отписка, а взвешенный вывод после нормального спора. Запуск — одной командой через Claude Code или Codex. 🔥 — зову мудрецов 🤡 — сам решу, без Сократа @ai_for_dev

Перестаём перепроверять за ИИ каждый абзац Знакомо? Ответ модели вроде норм, но ты всё равно сидишь и фактчекаешь руками. Беда не в том, что ИИ «тупой» — просто авторегрессия выбирает вероятное слово, а не верное. Лечится это не молитвами, а структурой промпта. Главный лайфхак: не проси «напиши». Глагол «напиши» включает в модели режим писателя-сочинителя. Вместо этого переводим её в режим следователя — пусть сначала заполнит сухую форму:

System: Ты фактологический экстрактор. Только проверяемые факты. Никаких «вероятно» и советов. Нет факта — так и пиши.
User: Верни только JSON:
{
  "extracted_facts": ["3–5 фактов близко к тексту"],
  "logical_conclusions": ["только явные выводы"],
  "missing_data": ["чего не хватает"]
}

Почему работает: JSON и конкретные поля сдвигают мозги модели с «как покрасивее» на «как заполнить ячейки». Минус ~40% галлюцинаций уже на старте, без всякой магии. Дальше автор прикручивает Confidence Score и учит ИИ честно говорить «я не знаю» — а то он же сам никогда не признается. Источник: habr.com ✍️ — стащил приёмчик 🤡 — а я всё ещё «напиши мне» @ai_for_dev

Главный риск AI-эпохи — это сениор, который умеет считать Есть старое правило Бена Хорвитца: человек пашет хорошо, когда польза идёт и компании, и ему лично. Не одно из двух — оба сразу. Работало 30 лет, потому что у всех был один потолок — один человек = один масштаб. Senior тащит больше джуна, но не в десять раз. И тут появляется «дирижёр» — инженер, который рулит пачкой AI-агентов и в одного за неделю катит релиз, на который раньше уходило 20 человек и пара месяцев. Его вклад вырос в 10 раз. А если честно посчитать сэкономленные зарплаты — в 100. А что в ответ? Та же зарплата, бонус +10% и тёплое «ты молодец» от CTO. Иногда — обещание промо «в следующем году». Куда промо-то? В Tech Lead он уже вырос, а в менеджмент идти не хочет — он же ремесло выбрал, не политику. И вот он, инженер, садится и считает. Считает он хорошо. И видит: он бесплатно подарил компании девять виртуальных сотрудников. Уравнение порвалось — без революций и митингов, просто арифметика. 😎 — я тот самый дирижёр 💔 — где мои девять зарплат @ai_for_dev

Плагин, который сам собирает контекст по задаче — и не жжёт токены Если работаешь с AI-ассистентом по коду, знаешь боль: модель рассуждает отлично, когда у неё перед глазами правильный код. А правильный код — это не один файл, а символ, его вызывающие, тесты и пара смежных PR. Собирать это руками каждый раз — дорого и нудно. Нашёл открытый плагин mimfort/rag_for_git для Claude Code / OpenCode. Идея простая: один раз построить индекс репы — векторный + граф вызовов — и отдавать модели ровно то, что нужно под конкретную задачу. Скилл называется solve-task. Внутри не обёртка над grep, а нормальная система: ParadeDB для гибридного поиска (вектора + BM25 через RRF) и Neo4j для графа кода. Связь между ними — единый ключ path#fqn, без всяких маппинг-таблиц. Поднимается в Docker, индекс строишь одной командой. Гитхаб: github.com/mimfort/rag_for_git 🔥 — пойду индексировать репу 👀 — а на монорепе как Источник: habr.com @ai_for_dev

«Я больше не промптю Клода. Я пишу циклы» Весь твиттер последний месяц обсуждает loops — внешние циклы поверх цикла самого агента. Идея простая: задача падает в очередь, машина её берёт, доходит до «я всё», а обвязка сверху говорит «нет, не всё» — продолжает сессию, подкидывает новый контекст или кидает таску на другую тачку. И так агент пашет дольше, чем сам бы остановился. Звучит гипер-заманчиво, у всех в разговорах про «автономные фабрики кода» глаза горят. Но есть два больших но: 👉 Мы перестаём понимать, как оно работает. Это уже не инженерия детерминированной машины, а скорее уход за живым организмом: симптомы видим, а что их вызвало — без понятия. 👉 Модели пока не тянут долгий горизонт. Заточены выжать текущую задачу — и радостно ломают старые фичи, пишут переусложнённый код с обработкой всех мыслимых эдж-кейсов. Казалось бы — тупик, индустрия туда не пойдёт. А вот и пойдёт: толкает, например, безопасность. Агенты на потоке гоняют тысячи экспериментов по поиску дыр, десятки выстреливают. Значит, чинить надо так же быстро. Сам Армин считает, что выкидывать человека полностью — тупиковый путь. Спасёт, скорее, очередное поднятие абстракции. 🔥 — пишу циклы, не промпты 🤔 — а контроль кто держит @ai_for_dev

Chunkr: скормил PDF — получил чанки для RAG Кто хоть раз пилил RAG, тот знает: половина боли — это распарсить кривой PDF или презентацию так, чтобы LLM потом не выдавала чушь. Chunkr берёт эту боль на себя. Кидаешь PDF, PowerPoint, Word или картинку — на выходе аккуратные структурированные блоки, готовые под RAG и LLM-конвейеры. Что умеет: » разбирает структуру документа с OCR и координатами; » отдаёт результат в HTML и Markdown; » жуёт документы визуально-языковыми моделями; » поднимается локально через Docker Compose с любым LLM-провайдером. И да, это open source — берёшь и крутишь у себя. 🔥 — self-hosted gang 👀 — гляну на своих PDF-ах @ai_for_dev

CuPy — твой NumPy, но на видяхе Ребята выложили в открытый доступ CuPy — почти полную замену NumPy и SciPy, только все вычисления едут на GPU. Самое вкусное: часто хватает поменять одну строчку.

import numpy as np

меняешь на

import cupy as cp

и тот же код летит на CUDA до 100 раз быстрее. Переписывать программу или зубрить новый синтаксис не надо — всё как было. Бонусом — работает не только на NVIDIA CUDA, но и на AMD ROCm, так что красные тоже в деле. Лежит тут, на GitHub, полностью open source. 🔥 — пойду гонять матрицы 👀 — а видяхи хватит? @ai_for_dev

Loopy убирает бардак в скиллах агента Накопил гору навыков и циклов для ИИ-агента, и половину уже не помнишь зачем ставил? Loopy пройдётся по всему этому добру и вынесет мусор: дубли, мёртвые инструменты и просто хлам. За один заход он проверил 181 навык и выловил 14 проблем. Умеет вот что: → Ловит навыки, которые делают одно и то же. → Показывает мёртвые инструменты в воркфлоу. → Проверяет скиллы на риски, баги и подозрительное поведение. → Смотрит, как запускается каждый скилл, и ищет косяки. → Отдаёт отчёт: где сломано, что подтверждено, что вышло. → Сам фиксит найденное и собирает новые автоматизации. → Подбирает готовые циклы из библиотеки под твою задачу. Живёт в Codex, Cursor и Claude Code. Забираем — тут на GitHub. 🔥 — пойду чистить хлам 🤷 — да у меня и так порядок @ai_for_dev

Можно ли заставить AI собрать нормальный DatePicker? Спойлер: да, но есть нюанс Техдиректор «Исходного кода» полгода с командой мучил доступность (a11y) React-компонентов и решил проверить: вытянет ли AI-агент доступный DatePicker продакшен-уровня на React и TypeScript. Вытянул. Но только если воспринимать AI как часть инженерной системы, а не как магическую печатную машинку для кода. Почему именно DatePicker? Выглядит как ерунда, а внутри — keyboard navigation, фокус, screen reader'ы, контролируемое состояние, локализация, мобилка и куча мелких состояний, которые вылезают, когда пользователь дважды кликает, табает и снова открывает календарь. Сравнили два пути: 80/20 — AI пишет 80%, руками докручиваешь 20%. Быстро, но первая версия только *выглядит* готовой. Системный подход — сначала требования, правила, задачи, тесты, и только потом агент кодит и итерируется. Мораль: работают оба, вопрос лишь в том, где они развалятся. И ломается обычно не сам компонент, а стыки между его частями. Подробный разбор — на Хабре. 🔥 — дам агенту шанс 🤷 — проще самому @ai_for_dev

Ollama душит ваш GPU? Попробуйте vLLM Запускаете локальный AI, а кажется, что видеокарта работает вполсилы? Так и есть — Ollama не выжимает из GPU всё. Народ советует vLLM: библиотека для сервинга LLM, девиз которой «легко, быстро и дёшево». В тестах — до 2x быстрее, выше throughput, плюс куча вкусного под капотом: PagedAttention, prefix caching, OpenAI-совместимый сервер, квантизация на любой вкус (FP8, GGUF, AWQ). Модели с Hugging Face подхватываются без танцев с бубном, а заведётся хоть на NVIDIA, хоть на AMD, хоть на CPU. Проект живой: 2000+ контрибьюторов и корни в Berkeley. Ссылка на GitHub ✌️ 🔥 — выкидываю Ollama 👀 — звучит, но проверю @ai_for_dev

12 факторов нормального агента Почти все мы только учимся работать с агентами — и даже у опытных команд агент иногда приносит больше вреда, чем пользы. HumanLayer собрали 12 принципов, чтобы боли было поменьше. Самое сочное: • Структурированный вывод — заставь модель отдавать JSON по схеме, и её наконец-то можно воткнуть в бекенд. • Свой промпт — не отдавай его фреймворку. Иначе агент ведёт себя странно, а ты даже не видишь, что ушло в модель. • Контекст-инжиниринг — окно контекста это бюджет внимания модели. Забил 40% — и recall поплыл, рассуждения ломаются. • Инструменты — модель сама ничего не вызывает, она лишь возвращает «имя функции + аргументы», дёргает код уже ты. • Состояние — не запрашивай одни и те же данные по кругу, держи их в сессии. Остальные факторы на Хабре 🔥 — сохранил, буду внедрять 🤡 — «12 факторов», ну-ну @ai_for_dev