AI для Разработки — Claude | Cursor | Copilot

100 open-source репо, которые стоит закинуть в закладки Чувак собрал 100 бесплатных open-source проектов в один аккуратный индекс — те, что реально юзают в 2026, а не «звёзды ради звёзд». Разложено по 10 разделам: агенты и AI-стек, self-hosted замены платным сервисам, LLM-тулзы, дев-эссеншелы, дизайн и фронт, скрейпинг и аналитика, безопасность, web3 и тулзы для контента. Самое крутое — у каждого репо честно прописан «подвох». Потому что open-source — это не всегда MIT, self-hosted — не всегда бесплатно, а «free tier» — вообще отдельный жанр обмана. Один раз кто-то за тебя прочитал лицензию и предупредил, где прилетит. Вся подборка под MIT — форкай, дополняй, шипи. Забрать на GitHub. 🔥 — забираю в закладки 👀 — гляну, что за подвохи @ai_for_dev

Microsoft научила агента водить браузер через терминал Команда ресёрчеров Microsoft выложила на GitHub экспериментальный Webwright — браузерный агент поверх Playwright, но с вывертом. Фишка в том, что агент не тыкает кнопки по одной, как обычные браузерные агенты. Вместо этого он пишет Python-скрипт, запускает, смотрит на скриншот и рулит сессиями. Вся «история кликов» превращается в один код-файл, который можно перезапустить. Никаких графовых движков и магии под капотом — терминал, браузер и модель. Два режима: • run — просто сделай задачу, сохрани результат и логи • craft — заверни задачу в переиспользуемый сценарий, потом меняешь параметры Самое вкусное — self-validation loop: агент не верит на слово, что фикс взлетел, а сам поднимает dev-сервер, проверяет UI, ловит баги и гоняет заново. Идеально для всяких админок и дашбордов, где API как такового нет. Весит всего ~1.5k строк, дружит с OpenAI / Anthropic / OpenRouter. Можно поставить отдельным CLI или плагином в Claude Code и Codex. 🔥 — давай ставить 🤡 — «экспериментальный», ну-ну @ai_for_dev

RAG без downtime: обновляем базу знаний на лету Знакомо? PM просит поправить одну инструкцию, а DevOps честно отвечает: «сейчас всё дропну, переиндексирую, через два часа поднимется, предупреди заказчика про простой» 🙃 На прототипе сойдёт. Но в проде, где сотни тысяч документов, живые юзеры и SLA, ронять сервис ради одной правки — так себе идея. Особенно если таких правок десятки в неделю. Автор собирает ETL-скрипт на Python, который добавляет, обновляет и удаляет документы по одному — без остановки сервиса. Под капотом: • Qdrant как векторное хранилище (через QdrantVectorStore из LangChain), • статусы документов new / update / delete в мастер-таблице на pandas, • md5-хеш от пути к файлу — чтобы не тащить весь документ при обходе папок. Сегментацию пока вынесли за скобки (один документ = один чанк), но в конце показывают, как её прикрутить под масштаб. В репозитории — ноутбук с кодом и тестами и README. 🔥 — заберу в прод 👀 — сначала на стенде проверю @ai_for_dev

«I just want an agent»: как довести агента до продакшена Знакомая боль: на хакатоне прототип «собери бота по описанию» взял первое место, а потом выясняется, что прототип и продакшен — это две большие разницы. Парни из MWS AI Agents Platform рассказали, как они закрывали этот разрыв и выкатили фичу «ИИ-команда» (AI Force) — пишешь текстом, что нужно, на выходе получаешь готовый (ну почти 😏) ИИ-агент. Главная мысль: чтобы агент не вытворял дичь посреди рабочего процесса, ему нужна инженерная обвязка. Авторы объясняют через классную метафору мастера у станка: — LLM — сам мастер, который принимает решения; — MCP — ящик с инструментами; — промпты и сценарии — навыки и методичка; — стопоры станка — конструктивные ограничители (крышка не закрыта → станок не включится), а не вежливое «пожалуйста, будь аккуратнее»; — записная книжка — память о прошлых граблях. Лонгрид целиком тут. 🔥 — узнаю свою боль 🤡 — «ну почти» агент @ai_for_dev

Хуманизатор для русского AI забанили на Хабре. Как AI. Чувак сделал open-source скилл humanizer-ru для Claude Code — чистит русский текст от AI-маркеров. Прогнал через него свою же статью про эти маркеры. Хабр всё равно забанил с формулировкой «высокая вероятность генерации ИИ». Шах и мат, хуманизатор. Что нашёл, пока разбирался с собственным провалом: - из 29 правил английских хуманизаторов в русском работают 8-10 - 70% пришлось писать заново — русская морфология не прощает - главный маркер — канцелярит: AI любит «осуществить проверку» вместо «проверить» - «является» живые люди используют в 2-3 раза реже, чем LLM - цепочки родительного из 3+ существительных подряд — почти гарантированный бот Статья на Хабре 🔥 — забираю в скиллы 🤡 — детектор задетектил детектора @ai_for_dev

Агент глючит? Не спешите менять модель Классика: агент работал, а потом 12–15% запросов поехали. Возвращает не тот файл, редактирует не то, а то и уверенно ссылается на документ, которого не существует. И ошибки ровным слоем по всем юзерам. Первая мысль — «да это модель слабая, надо Opus / GPT помощнее». Меняете. Инференс дорожает в 4–5 раз, ошибки падают с 12% до 9%. Бюджет квартала сгорел, а народ пишет про те же баги. Знакомо? Пойнт статьи простой: большинство сбоев живёт не в модели, а в обвязке — оркестрация, ретривал, описания инструментов, ретраи, контекст. Производительность системы перемножается: крутая обвязка + средняя модель часто рвёт слабую обвязку + топовую модель. Как вычислить виновника: ошибки липнут к конкретным инструментам, ретраи прячут сбои, а та же модель на другой обвязке ведёт себя иначе. В кейсе одна правка обвязки подняла долю успешных завершений с 26% до 88%. Без смены модели вообще. Внутри — чек-лист для самодиагностики. Хоть один баг да найдёте. 🔥 — пойду чинить обвязку 🤡 — а я-то модель менял @ai_for_dev

Три репы, чтобы не страдать с данными Если возишься с data-пайплайнами — эти штуки реально экономят нервы. ibis — пишешь запрос один раз, гоняешь где угодно: DuckDB, BigQuery, Snowflake и ещё 20+ бэкендов. Локально пробуешь, в проде катаешь — меняешь буквально одну строку. Меньше переписывания SQL под каждое хранилище. pygwalker (произносится как «Pig Walker», да) — кидаешь pandas DataFrame, получаешь интерактивный UI прямо в ноутбуке. Тащишь поля мышкой — строятся графики. Tableau, только бесплатный и без корпоративных лицензий. katana — шустрый краулер на Go: парсит JavaScript, умеет headless, жрёт URL из STDIN и плюётся JSON. Когда надо собрать данные с веба пачками. 🔥 — закину в выходные 👀 — а pygwalker занятный @ai_for_dev

archspec — контракт для сервисов вместо простыни из Markdown Знакомая боль: каждый микросервис по отдельности выглядит идеально — спека есть, план есть, тесты зелёные. А потом фича проходит через пять сервисов, и оказывается, что половина межсервисных правил живёт в голове у тимлида, а вторая половина всплывает на ревью. 🙃 Markdown тут не спасает: написал неполным — никто не заметил, автоматом не проверишь, ревьюить как контракт нереально. Автор собрал archspec — open source плагин для Claude Code. Запускаешь /archspec:init на сервисе, и он генерит: - YAML-спеку архитектуры (SERVICE_MAP.yaml); - человекочитаемую ARCHITECTURE.md; - три диаграммы — context / container / sequence; - pre-commit хуки, которые орут, если сгенерённое разъехалось со спекой. Фишка в том, что руками трогаешь только спеку, остальное — производное. Заодно LLM получает нормальный структурный контекст, а не кучу .md-файлов. Демо крутится на Go-проекте из 12 сервисов. 🔥 — заберу в свой монорепо 👀 — сначала на пет-проекте @ai_for_dev

Сегодня нет джунов, а к 2031-му не станет и сеньоров Автор статьи на Хабре с конца 2024 года вручную следит за вакансиями для джунов на LinkedIn и Indeed. График у него один: в 2024-м ровно, в 2025-м резкий обвал, в начале 2026-го ещё один. Крупные компании открыто берут только сеньоров, средние подтянулись следом. Цифры невесёлые: вакансий для начинающих стало примерно на 40% меньше, чем до 2022 года, а немногие оставшиеся предлагают зарплату пониже, требования повыше и домашний тест, заточенный не под навыки, а под отлов тех, кто решает всё через AI. Логика бизнеса простая: зачем джун, если сеньор с AI-ассистентом тащит больше один. Вот только сеньор не берётся из воздуха — это 5–7 лет ревью, ночных инцидентов и собственных факапов, за которые отвечаешь сам. Не нанимаем мидлов сегодня — остаёмся без сеньоров послезавтра. 😐 — призадумался 🤡 — а я ещё джун @ai_for_dev

Сначала измерь, потом усложняй: путь от RAG к агенту Хороший антидот против синдрома «давайте сразу мульти-агента, потому что модно». Ребята из LLMStart построили консультанта по 1С:УНФ для Айтона и честно показали: на каждом шаге решал не хайп, а метрики. Данные кричат «хватит простого RAG» — оставляем RAG. Видим, что цепочки мало — только тогда едем в сторону агента. Контекст, ради которого всё затевалось, бодрит: вопрос в поддержку раз в 5 секунд, ~100 тыс. в месяц, половина — реальная работа, и из них почти половина — одно и то же по кругу. А очередь одна на всех: твой вопрос «куда нажать» стоит за чьим-то многошаговым кейсом и ждёт по нескольку дней. Заранее предупреждают: туториала по LangChain тут не будет, только живой продакшн-опыт. Читать на Хабре 🔥 — наконец без хайпа 🤔 — звучит слишком правильно @ai_for_dev

Твои skill.md теперь тюнит за тебя Microsoft Microsoft выкатила SkillOpt — штуку, которая прокачивает скиллы ИИ-агентов сама. Идея простая: обучаем навыки как нейросеть (эпохи, батчи, learning rate), но веса модели не трогаем — переписываем только файлы инструкций. Что делает по кругу: • гоняет твой набор скиллов на задачах, собирает ошибки и аналитику; • сам переписывает skill.md — дописывает инструкции, выпиливает слабые места; • смотрит, не сломал ли агента правками; • сохраняет новую версию, только если реально стало лучше. По цифрам: +25% точности в среднем и 52 из 52 конфигов выиграны на 6 бенчмарках. Open source, MIT, заводится на OpenAI, Anthropic и Azure. Забрать — на GitHub. 🔥 — натравлю на свои промпты 👀 — звучит слишком гладко @ai_for_dev

Agent-Sin: научи агента один раз — пусть пашет сам Знакомо? Просишь агента сделать одно и то же в десятый раз, а он каждый раз думает с нуля, жжёт токены и выдаёт чуть-чуть разный результат. Agent-Sin говорит: хватит. Пишешь обычными словами «сделай навык для этой задачи» — и агент через Claude Code или Codex собирает маленькую программу (Program Skill). Дальше она запускается как обычный скрипт: быстро, дёшево и одинаково каждый раз. LLM подключается только когда болтаешь или лепишь новый навык. По мелочи: - работает локально, болтать можно из терминала, Telegram или Discord - память, TODO, заметки, планировщик - дружит с Obsidian - macOS / Linux / Windows, open-source, MIT По вайбу — японский родственник Hermes Agent, только с упором на программные навыки. Звучит как мечта ленивого инженера (в хорошем смысле). 🔗 Сайт · 💻 GitHub 🔥 — хватит думать, давай делать 👀 — звёздочку поставлю, потом гляну @ai_for_dev

Чувак собрал профайлер для PostgreSQL за сутки, не написав ни строчки кода История простая: 16 лет на MS SQL Server, где профайлер — это первое, чем ловишь дедлоки и планы проблемных запросов. Переехал на PostgreSQL — а там такого инструмента просто нет. Раньше бы это ушло в Jira, потом макет в Figma, согласования, ожидание разработки... В этот раз — сам, через AI. Рецепт: — нарисовал интерфейс в Claude Design (по мотивам SQL Server Profiler) — скинул в Claude Code, он собрал приложение — отладил на сервере с Tantor Postgres + pg_trace Итог лежит на GitHub — pg-profiler: трассировка запросов в реальном времени через WebSocket, таблица событий с подсветкой по длительности, план запроса прямо во вкладке, фильтры, группировка с агрегатами и выгрузка в CSV. React + Vite спереди, FastAPI + asyncpg сзади. Самое сочное: продакт теперь приносит команде не ТЗ, а живой MVP. Дизайнеры нервно курят. 🔥 — вайбкодинг работает 🤡 — а я бы неделю проектировал @ai_for_dev

Галлюцинации LLM: классификация и почему это не баг Галлюцинация модели — генерация информации, которая не соответствует действительности, отсутствует в обучающих данных или противоречит контексту, но подаётся с абсолютной уверенностью. Модель не пишет «возможно» — она утверждает «согласно статье 7.2.3...» или «как показало исследование Smith et al. (2021)». Четыре типа галлюцинаций: — Фактические: неверные даты, имена, числа (Москва основана в 1147, а не 1047) — Ссылочные: выдуманные источники, законы, исследования — Логические: нарушение причинно-следственных связей («если нагреть лёд, он станет твёрже») — Контекстные: противоречие предоставленным данным (документ говорит «не более 100», модель пишет «до 150») Это не ошибка кода, а следствие архитектуры LLM. Модель — не база знаний, а генератор правдоподобной последовательности токенов: статистический расчёт «какой токен с наибольшей вероятностью продолжит текст». Понятие «правда» ей недоступно. Именно поэтому галлюцинации неизбежны и блокируют внедрение ИИ в медицину, юриспруденцию и финансы. 🤔 — базовая теория 😐 — для джунов написано @ai_for_dev

Используем подписки ChatGPT и Claude в Cursor, не платя за API Идея простая: у вас уже есть подписка ChatGPT или Claude, так зачем доплачивать за API-токены? Проблема в том, что Cursor шлёт запросы через свой бэкенд, и просто прокинуть localhost не выйдет — нужен туннель (тут выручает Cloudflare), плюс прокси, который переводит формат OpenAI в формат провайдера. Решения по кусочкам валялись на GitHub, но автор собрал всё в одно расширение — Ungate. Логинишься в Claude/ChatGPT через OAuth, оно само поднимает прокси и туннель. И главное — пашут все инструменты: правка файлов, режим планирования, а не только голый чат. По деньгам выходит вкусно: $20 за ChatGPT ≈ токенов на $1000, $100 за Claude ≈ на $2000 (подписка Cursor за $20 всё равно нужна). Вся настройка — минута. Ставим:

cursor --install-extension orchidfiles.ungate

GitHub: https://github.com/orchidfiles/ungate 🎉 — халява, беру 🤡 — плачу за три подписки @ai_for_dev

Anthropic: 250 документов — уязвимость в LLM любого размера Свежее исследование Anthropic ломает базовое допущение про масштаб: 250 отравленных документов в pretraining-данных достаточно для встраивания бэкдора независимо от размера модели. Атака на 7B и 405B по сути стоит одинаково. Для команд, тренирующих собственные модели или дообучающих open source чекпоинты, вывод прямой: фильтрация и атрибуция данных важнее наращивания параметров. Инструментарий «гражданского отравления»: — Nightshade — adversarial-возмущения в изображениях, визуально незаметны — Glaze — маскировка авторского стиля для генеративных моделей — CoProtector — защита кода в публичных репозиториях от использования в обучении В корпоративном контуре отчёт Writer и Workplace Intelligence (апрель 2026) фиксирует 29% саботажа AI-стратегий сотрудниками (зумеры — 44%): утечки корпоративных данных в публичные модели, обход разрешённых инструментов, отказ от внедрённых систем. Подробнее о феномене как форме сопротивления. 🤔 — пересоберу data pipeline 😐 — миф о масштабе мёртв @ai_for_dev

Оказалось, AI дороже живого джуна 🤓 Компании дружно гнали сотрудников в AI ради экономии — а получили счёт больше, чем за людей. Разбор экономики автоматизации намекает: что-то пошло не так. Главные пожиратели бюджета — AI-агенты. Один многошаговый агент сжигает в тысячи раз больше токенов, чем простой запрос. Microsoft уже пересаживает своих с Claude Code на Copilot CLI — дорого вышло. А основатель OpenClaw как-то насчитал 1,3 млн долларов за токены в месяц. И вишенка: появился «токенмаксинг» — когда сотрудники специально сливают токены на ерунду, чтобы накрутить KPI «использования AI». Парадокс Джевонса в чистом виде: чем дешевле токен, тем больше его жгут. Так что не спешите увольнять коллег — пока что они дешевле агента. 🤡 — токенмаксинг это про меня 👀 — пойду в свой биллинг @ai_for_dev

Вайбкодинг: почему идеальный промпт — это ловушка Разрабы всё чаще не пишут код руками, а гоняют модель через диалог. Называется это вайбкодингом. И тут есть момент, который многих ломает. Самая частая ошибка — пытаться выкатить идеальный промпт с первого раза. Сидишь, читаешь советы про «правильные слова», полчаса крутишь формулировку — а в итоге быстрее было бы просто спросить, посмотреть результат и уточнить. Промптинг — это не магия, а диалог. Если оборвал после первой реплики («ну ладно, сойдёт») — ничего хорошего не выйдет. Нормальный цикл: спросил, посмотрел, уточнил, поправил. И ещё: вайбкодинг работает там, где ты уже понимаешь, что хочешь и как проверить. Без знания языка и архитектуры ты не управляешь моделью — ты просто копируешь то, что она нагенерила. ИИ полезен, но базу не отменяет. Подробности на Хабре 😁 — узнал себя 🤷 — да и так делаю @ai_for_dev

Токен-гонка: менеджмент изобрёл советские гвозди заново Короче, случилось то, что должно было. В компаниях теперь измеряют продуктивность инженеров по количеству сожжённых AI-токенов. Называется tokenmaxxing — звучит как диагноз, и это недалеко от правды. Meta в ночь с 7 на 8 апреля срочно закрыла внутренний дашборд Claudeonomics. Причина: 85 тысяч сотрудников за месяц нажгли 60 триллионов токенов, а один чел набил 281 миллиард лично. Цукерберг в топ не попал (видимо, не успел). В Shopify и OpenAI такие рейтинги живут и здравствуют. Дженсен Хуанг говорит о токен-бюджетах по $250K на инженера в год. В LinkedIn ребята постят счета от Anthropic на $200K–$400K за месяц с подписью «вот это я называю работой». TechCrunch вежливо намекает: те, кто гоняют агентов в три ночи, не так продуктивны, как им кажется. А теперь внимание. В СССР был гвоздильный завод с планом в тоннах — делали гигантские бесполезные гвозди. План в штуках — делали иголки. Хрущёв в 1959 ругал фабрики за слишком тяжёлые люстры: план-то был в весе. Чарльз Гудхарт, 1975: когда метрика становится целью, она перестаёт измерять то, что должна. h-index → взаимные цитирования. Школьные тесты → натаскивание на формат. Токены → кто больше сжёг, тот и красавчик. Статья целиком 💩 — менеджмент как всегда 🤡 — побежал жечь токены @ai_for_dev

RAG: на демо красавчик, в проде клоун Знакомо? Босс прилетел с конфы: «у них бот по внутренней доке, хочу такой же, до конца квартала». Четыре месяца спустя у тебя Pinecone, OpenAI API, две недели парсинга PDF — и бот, который отвечает идеально ровно на те пять вопросов, что ты сам подобрал для демо. На шестом нормальном вопросе сотрудника он начинает уверенно сочинять. Фокус в том, что на PoC ты подсознательно жульничаешь: берёшь запросы, ответы на которые знаешь, и доки, где ответ лежит одним абзацем. А в проде — половина «документации» это сканы в PDF, скриншоты таблиц и Confluence-страницы от уволившегося год назад чувака. И привет, чанкинг. RecursiveCharacterTextSplitter бодро рубит таблицу отпусков пополам: шапка в одном куске, строки в другом. Спрашиваешь про учебный отпуск — а эмбеддинг улетел в чанк, где слова «учебный» вообще про другое. Спойлер: волшебной «правильной архитектуры RAG» нет, кастомный чанкер придётся пилить под каждый тип доки руками. 🔥 — больно и правда 🤡 — мой бот тоже сочиняет @ai_for_dev