AI для Разработки — Claude | Cursor | Copilot

Прогнать весь сайт через Lighthouse одной командой Знакомо: открываешь Lighthouse, проверяешь одну страницу, потом вторую, потом третью… и так сто раз. Unlighthouse делает это за весь сайт сразу — сканирует все страницы и каждой выставляет свою оценку. Запускаешь и идёшь за кофе:

npx unlighthouse --site <ваш-сайт>

Вернулся — а у тебя готовая карта, где сайт тормозит. ⚡ — пойду гонять свой прод 🤔 — а на больших сайтах не помрёт? @ai_for_dev

Засунули «того самого сеньора» в AI-агента Знаете этого чела в команде — с хвостиком, в очках, работает дольше, чем существует контора. Показываешь ему 50 строк, он молчит и заменяет всё одной. Так вот, теперь он живёт внутри вашего кодинг-агента — это Ponytail. Идея простая как тапок: прежде чем агент начнёт строчить код, он проходит лестницу «а это вообще надо?». Сначала YAGNI, потом стандартная библиотека, нативные фичи платформы, уже установленные зависимости, one-liner — и только в самом конце минимальная реализация. Просишь date picker — а в браузере уже есть <input type="date">. Проект вышел 12 июня и уже улетел за 6000 ⭐ на GitHub. Обещают меньше кода, дешевле и быстрее, но цифры свои и на мелких задачах — так что верим, но проверяем. Иногда лучший код — тот, который агент вообще не написал. 🔥 — поставил, тестирую 🤷 — звучит как маркетинг @ai_for_dev

Агенты будут искать друг друга через DNS, а не сканить порты Пока все городят свои реестры и хардкодят endpoint'ы, проект DNS-AID говорит: ребята, у нас же есть DNS, который масштабируется на всю планету и который понимает каждая сеть на Земле. Давайте на нём и будем находить агентов. Суть простая: публикуешь запись агента в свою DNS-зону, подписываешь её DNSSEC — и теперь любой может зарезолвить твоего агента по адресу вида {agent-name}.{protocol}._agents.{your-domain} и проверить, что он настоящий, а не самозванец. Из коробки понимает MCP, A2A, HTTPS, искать можно по имени, функции и домену. Старт буквально в две команды:

dns-aid init

Уже есть Python SDK, проект забрал под себя Linux Foundation (родился в Infoblox), а CTO Cloudflare уже похвалил. Никакого посредника-прокладки между агентами — только привычная инфраструктура. Детали — на Хабре. 🔥 — красиво, переиспользуем старьё 🤔 — лишь бы не очередной стандарт Источник: habr.com @ai_for_dev

OpenRouter сделал Fusion: один запрос — целый совет моделей Идея простая и наглая: ваш промпт уходит сразу в несколько моделей параллельно. Каждая пыхтит по-своему, при случае лезет в web-поиск и дёргает bash-инструменты. Потом приходит judge, смотрит на всех и выкидывает тех, кто слил задачу. А synthesizer собирает из выживших ответов один нормальный. По сути это коллективный разум на сервере, а не «давай выберем модельку получше». Несколько мозгов думают одновременно, инструменты проверяют факты, судья банит слабаков, сборщик клеит финал. OpenRouter хвастается, что Fusion уже обходит frontier-модели на DRACO — это deep research бенчмарк от Perplexity. Звучит дерзко, надо щупать. Потрогать: openrouter.ai/fusion 🔥 — иду скармливать свой промпт 👀 — звучит дорого, но любопытно @ai_for_dev

ИИ заберёт нашу работу? История говорит: наоборот Знакомая паника: «скоро ИИ будет кодить лучше нас, и мы не нужны». Логика простая — машина в 8 раз быстрее, значит, людей надо в 8 раз меньше. Но есть нюанс возрастом 150 лет — парадокс Джевонса. Суть: когда ресурс становится эффективнее, его начинают потреблять больше, а не меньше. Уголь при паровом двигателе Уатта дешевел на единицу работы — и в итоге его стали жечь в разы больше, потому что паровые машины полезли повсюду. С кодом та же история. Фича стоила 8 часов, теперь час? Отлично — значит, бизнес наконец-то запустит всё то, что раньше было «дорого и долго»: кучу микросервисов, экспериментов, кастомных скриптов. Плюс вылезают новые фронты — селф-хостед модели, fine-tuning, RAG, оркестрация агентов. Кто это всё будет тащить? Правильно, мы. И это не теория: компиляторы, опенсорс, облака, no-code — каждый раз удешевление кода заканчивалось не увольнениями, а наймом ещё большего числа разработчиков. Спроса на софт всегда было кратно больше, чем рук. Полный разбор на Хабре 🔥 — выдохнул, работаем 🤡 — а джунов всё равно жалко @ai_for_dev

Когда AI ошибается уверенно: три рубежа контроля Автор строит трёхуровневый SOC-пайплайн на Claude и разбирает, почему автономному AI нельзя отдавать последнее слово. Архитектура: · L1 Triage (Haiku 4.5) — отсеивает шум из потока алертов SIEM · L2 Investigator (Sonnet 4.6) — расследует инцидент, строит таймлайн, выносит вердикт · SOAR Responder — формирует предложение и ждёт «ДА» от человека Управление — из Telegram-чата обычным языком: ночной дайджест, сводка за 15 минут, разбор конкретного инцидента по запросу. На этом шаге к L2 подключается CTI: сверка подозрительного IP с глобальными базами угроз (AbuseIPDB). Иллюстрация цены ошибки — CrowdStrike, 19 июля 2024: sensor update с багом в драйвере уронил 8.5 млн Windows-машин в бесконечный цикл BSOD. Ущерб — $5.4 млрд за сутки, только Delta потеряла $500 млн. Причина — авто-рассылка апдейтов без gate-stage на стороне клиента. Вывод для инженера: staged rollout сам по себе не гарантия — если баг проявляется только под боевой нагрузкой, тест-среда покажет чисто. Спасает заложенный с первого дня паттерн — человек на последнем рубеже. 🤔 — human-in-the-loop рулит 😐 — доверять страшновато Источник: habr.com @ai_for_dev

Eigen Engineering Agent: agentic-ИИ с нативным доступом к контексту TIA Portal Siemens анонсировал Eigen Engineering Agent — агента для АСУ ТП, интегрированного в TIA Portal на уровне среды, а не внешнего чата. За счёт этого он получает прямой доступ к структурам данных и тегам проекта, программным блокам и их внутренним взаимосвязям, параметрам, конфигурации и топологии оборудования. Архитектурно ключевое — отказ от однократного вывода на промпт в пользу многошагового рассуждения: - декомпозиция инженерной задачи на подзадачи; - пошаговая генерация кода (SCL) и HMI; - автоматическая верификация результата против стандартов заказчика; - итеративная доработка при несоответствии. Именно контекст и контур самокоррекции снижают риск галлюцинаций и делают вывод применимым к legacy-системам с неполной документацией, где универсальные LLM-инструменты бесполезны. Источник — Хабр. ⚡ — контур самокоррекции 🤔 — а верификация надёжна? @ai_for_dev

SOTA теперь делает мэрия Рио-де-Жанейро 🫨 Звучит как мем, но это правда: городская IT-компания IplanRIO выкатила открытую модель Rio 3.5 Open 397B на базе Qwen 3.5. Раньше про неё реально никто не слышал. Самое сочное — по заявленным бенчмаркам она выше Qwen 3.7 Plus, DeepSeek V4 Pro и Kimi-K2.6. Внутри 397 млрд параметров (17 млрд активных), окно контекста 1 млн токенов и лицензия MIT — то есть можно тащить в прод без головной боли. Плюс хитрый режим SwiReasoning: модель сама переключается между развёрнутым размышлением и латентным, экономя токены. DeepSeek-момент, только из Бразилии 🍺 Лежит на Hugging Face. 🤩 — мэрия жжёт 👀 — пойду качать на выходных @ai_for_dev

GLM-5.2: китайцы снова заряжают на кодинг Z.AI анонсировали GLM-5.2 — обновлённый флагман для кодинга. Пока только анонс, полноценный релиз на следующей неделе, но в Coding Plan модель уже потрогать можно. Что завезли: — Доступ на всех тарифах, даже на Lite — Окно контекста 1 млн токенов — кидай хоть весь репозиторий — Максимальный вывод 131 072 токена — Режимы рассуждений high и max — Прокачанные агентские сессии И да — её уже можно подцепить прямо в Claude Code через settings.json (маппишь на glm-5.2[1m]). На следующей неделе обещают API, веса и бенчмарки. Где копать — тут. 💯 — циферки радуют 🤩 — китайцы опять отжигают @ai_for_dev

Мультимодальный пайплайн контроля сервиса на АЗС: видео-приоритет + ReID Инвариант архитектуры: видео первично. Без стабильного ID клиента и временных границ сессии аудиоаналитика работает вхолостую — поэтому старт с трекинга, а не с ASR. Видеомодуль, две задачи: 1. Классификация ролей в 4 класса: клиент, кассир, стажёр, заправщик. У каждой роли своя зона и свой пункт чек-листа. Стажёр исключается из оценки первые 14 дней (требование заказчика, маркер виден визуально). Стандартные веса не годятся: кассир и стажёр похожи, заправщик выглядит как сотрудник, но в другой зоне — детектор дообучали на реальных данных с точек. 2. Удержание ID клиента на всю сессию. Перекрытие стойкой → новый ID → одна сессия рвётся на две, метрики ломаются. Для ReID — визуальные эмбеддинги, пороги докручивали под конкретный ракурс камеры. Плюс два правила: два одновременных трека не делят один ID, и контроль появления новых треков. Аудиомодуль даёт содержание диалога, но асимметрия громкости (кассир громко / клиент тихо) убивает наивный ASR. Сессия собирается только после синхронизации видео- и аудиопотоков по общей таймлинии. ⚡ — мультимодалка рулит 🤔 — а пороги руками крутить? Источник: habr.com @ai_for_dev

«Не трогай этот файл» — а он всё равно лезет Классное исследование про то, как AI-агенты бесят нас в реальной работе. Не бенчмарки, а живые сессии: разобрали 20 574 сессии в IDE и CLI. Фейл тут — это не упавший код. Фейл — это момент, когда ты начинаешь исправлять, прерывать или спорить с агентом. И самое смешное: код-то чаще всего рабочий. Бесит другое — агент игнорирует твои же ограничения. Пишешь «пока ничего не меняй» — он меняет. Просишь объяснить баг — он по ходу правит код. Говоришь «проверь всё перед ответом» — он рапортует «готово!» ещё до запуска тестов. Забавное наблюдение: CLI-агенты чаще уезжают за рамки (длинные размытые задачи), а IDE-агенты косячят локально — работают как плотный копилот в мелких итерациях. И да, эти сбои не ломают всё разом. Они просто тихо жрут время и доверие — сидишь и перепроверяешь, понял ли он задачу и реально ли что-то протестил. 😁 — это про меня 🤔 — пойду осмыслю @ai_for_dev

Скилы умерли, да здравствуют воркфлоу Заморочился на выходных, написал скрайпер и собрал все публичные динамические воркфлоу. Фиче всего неделя, так что нашлось пока ~800 штук — где-то по сотне новых в день прилетает на GitHub. Почти всё про разработку. И сразу видно, в чём кайф по сравнению со скилами. Скилы — это древняя штука из февраля-марта 2026. На дворе июнь, модели уже всосали в себя всю мудрость, которую могли дать скилы из интернета. Я даже сделал мини-эвал: в больше чем половине случаев скил для кодинга либо бесполезен, либо делает задачу активно хуже, чем просто LLM, которую вежливо попросили придумать план и сделать. Воркфлоу лучше тем, что это не инструкция «как надо», а программируемая система с проверками и обратной связью, которая рулит агентами вокруг цели. 😎 — скилы, спите спокойно 👀 — где скрайпер, автор? @ai_for_dev

У вашего проекта появится память: Trellis Знакомо? Агент в Claude Code или Codex со временем будто тупеет. Первая реакция — переехать на модель помощнее или раздуть промпт до размеров «Войны и мира». А проблема обычно не в модели: каждый запуск стартует почти с нуля. Стек, нейминг, договорённости, на чём вообще остановились — объясняй заново каждый раз. Больно. Trellis даёт проекту собственную долговременную память. Заводит каталог .trellis/ с правилами команды, задачами, прогрессом и знаниями — и всё это лежит прямо в репозитории. Агент подключается, читает и сразу в теме: какие правила, какой этап, что делать дальше. И это не просто свалка контекста. Внутри настоящий рабочий цикл: уточнили требования → сделали → агент сам проверил себя по правилам и тестам → записал новый опыт обратно в проект. Из приятного: сложную задачу Trellis может разбить на подзадачи и запустить несколько агентов параллельно без драки за файлы. А правила, которые написал один человек, сами подхватываются у всей команды — новичку почти не нужно ничего настраивать. Поддерживает 14 платформ: Claude Code, Codex, Cursor и компания. 🔥 — пойду скармливать боту 🤷 — у меня и CLAUDE.md живёт Источник: github.com @ai_for_dev

Не тащи графовую БД, если есть WITH RECURSIVE История из жизни: команда держит wiki по нейронной памяти — 72 страницы в AlloyDB (PostgreSQL 16.11) с pgvector. Прикрутили сверху граф знаний (11 типов связей, веса на рёбрах) — и recall подскочил с 46.7% до 68.3%. Неплохо так. Тут Google выкатывает граф на Spanner с нативным Property Graph и языком GQL, где один MATCH красиво схлопывает 20 строк джойнов. Соблазн мигрировать — велик. Но ребята почесали затылок и остались. Потому что в обычном Postgres уже лежит WITH RECURSIVE — он спокойно обходит граф в обе стороны. Завернули в функцию graph_neighbors(...) и поехали дальше. Мораль простая: красивый синтаксис — не повод плодить отдельную базу. Когда вектора, данные и граф живут в одной БД, жить становится сильно проще. Весь разбор с кодом: Habr 🔥 — KISS победил 🤔 — а я бы взял Spanner @ai_for_dev

Как Claude убедил заказчиков, что разработчик некомпетентен Классика жанра с Хабра. Чел полгода пилил заказчикам серьёзного бота для селлеров Wildberries — аналитика заказов и остатков, автоответы на отзывы, RAG с векторкой по магазину, парсинг конкурентов, генерёжка карточек. Всё пахало как часы. Потом заказчики словили «проблемы с налоговой», забрали репозитории и пропали. А в их канале он увидел, что разработку они продолжили — сами через Claude Code и Codex. Ну и зачем платить живому, если есть нейронка, да? Самое сочное — не драма, а паттерн, который автор назвал делегированием мышления: когда человек отдаёт модели не задачу, а само рассуждение. И если ты не можешь проверить вывод модели — ты ей просто веришь. А она тебе уверенно нагенерит обоснование на половине контекста. Мораль: LLM в инженерном процессе — топ. LLM вместо инженерного процесса — грабли, на которые наступят ещё многие. 😎 — сам так не делаю 🤡 — заказчики такие заказчики @ai_for_dev

Ваша «память» для AI тихо сходит с ума Все хотят персонализацию и долгий контекст. А исследователи Writer взяли и показали: чем больше юзерского контекста копится, тем сильнее модель поддакивает и тем меньше думает своей головой. Классика: записали, что любимая книга — «Station Eleven», потом спросили про топовую антиутопию. Модель радостно выдаёт... «Station Eleven». Вопрос вообще про другое, но память подсунула якорь. На Mem0 и Zep эффект только злее. Второй эксперимент ещё веселее: засунули пользователю кривое мнение про финансы — и модель согласилась с ошибкой вместо нормального анализа. Больше контекста = тупее ответ. Мораль для тех, кто строит RAG и память: без валидации, дедупа, срока годности и чёрных списков хранилище превращается в свалку, которая копит галлюцинации и жжёт деньги на лишних извлечениях. Кстати, Opus 4.8 в тесты не попал — его как раз учили спорить с кривым вводом. Подробности на TechCrunch 😁 — мой бот тоже поддакивает 🤔 — пойду чистить хранилище @ai_for_dev

Контекст для агента: файлы, RAG или MCP? Любая модель тупит без контекста — не дашь ей нужное, и она выдаст самый частотный ответ, а не самый логичный. Вопрос только один: где этот контекст хранить. Есть три лагеря. 1. Просто текстовые файлы. .md, json, yaml — лежат локально, в git или внутри dbt. Агент гоняет grep или скачет по ссылкам между документами, а во внешние тулы лезет через API или MCP. И знаете что? На небольших задачах это работает неприлично хорошо. 2. RAG и векторные/графовые базы. Когда доков становится за тысячу, поиск по словам сдаётся. Тут выходят векторные базы — ищут по смыслу, спасают на сложном и многоязычном. Графовые держат связи между метриками, таблицами и дашбордами — агент лучше понимает, что с чем связано. Масштабируется отлично, но и инфры с поддержкой просит соответственно. 3. MCP и сырые данные. А можно вообще ничего не хранить — пусть агент сам сходит в Jira, Confluence и куда надо через MCP и коннекторы. Мораль: на одном домене данных обычно хватает файлов. Векторную базу тащить туда — как ставить Kubernetes ради одного скрипта. 🔥 — пойду пилить .md 👀 — а я-то думал нужен RAG Источник: yandex.cloud @ai_for_dev

«Не ИИ работал на меня, а я на него» — как уйти от копипаста к агентам Дарья Воронкина (ML-инженер, ex-тимлид DataHub в медтехе) честно описала знакомую боль: каждое утро — копипаст. Сюда контекст, оттуда ответ, обратно поправить, и заново объяснять чату, кто ты и какая у тебя схема данных. Один запрос — один ответ, завтра модель всё забыла. На ввод контекста уходит больше, чем экономится. 🙃 Это и есть граница между «юзать ИИ» и «построить систему». Чату не хватает трёх вещей: памяти, доступа к данным и умения делать задачу в несколько шагов без няньки. Что автоматизировать в первую очередь — три фильтра: частота, боль, описуемость. И четвёртый, золотой: умей делать это руками сам, иначе не отличишь нормальную работу агента от красивой галлюцинации. Первый кейс — выгрузки данных. Было: аналитик пишет SQL, валидирует, экспортит — час-два. Стало: команда агентов сама пишет SQL, сама себя проверяет и кидает сводку с ID. 6 минут. За месяц так набежало ~200 сэкономленных часов. 🔥 — узнал своё утро 🤡 — а я всё ещё копипащу Источник: habr.com @ai_for_dev

Хватит быть копипастой между Obsidian и LLM Знакомо? Открыл заметку → скопировал кусок → вставил в Cursor/ChatGPT → задал вопрос → руками перенёс ответ назад. И так по десять раз на дню. Чел поймал себя на этом и решил, что проблема не в Obsidian и не в LLM — между ними просто нет моста. И написал его сам — MCP-сервер для Obsidian. Теперь модель видит твой vault напрямую: читает заметки, ищет по ним, смотрит структуру, создаёт и обновляет файлы. Не плагин внутри Obsidian, а слой интеграции — контекст подтягивается прямо там, где ты уже работаешь. Что внутри: stdio для Cursor и Claude Desktop (локально, без сети), SSE для ChatGPT и удалёнки (с OAuth 2.1). Поднимается в Docker одной командой, лицензия MIT. Репа: obsidian-agent 🔥 — забираю в сетап 🤷 — у меня и так копипаст работает Источник: habr.com @ai_for_dev

Завёл 20B-модель на ноуте без видеокарты — и оно живёт Человек взял обычный ноут (Ryzen 7 260, встроенная Radeon 780M, 32 GB RAM) и запустил gpt-oss-20b в MXFP4 GGUF через LM Studio. Без дискретной видеокарты, на голой оперативке и CPU. И знаете что? Работает. Что получилось на практике: • Контекст 16384, 32768 и даже 65536 — всё стартует и отвечает. • Скорость ~9 токенов/сек. Не ракета, но читать успеваешь. • Узкое горлышко — оперативка, а не процессор. При 65536 жрёт 30 из 31,3 GB, дышать почти нечем. • Диск спит (0–1%), NPU вообще не у дел. Итог: на 32 GB поиграться можно, но для повседневки бери 16384–32768 — так остаётся запас. Раздувать контекст до максимума смысла мало, ответы от этого умнее не стали. Весь разбор с замерами: Habr 🔥 — вечером заведу у себя 👀 — на моём калькуляторе взлетит? @ai_for_dev