AI для Разработки — Claude | Cursor | Copilot

Как техлид из Альфы воскресил игру с Nokia через ИИ Абакар 10 лет вынашивал идею: переписать ту самую залипательную аркаду про самолётики с кнопочных Siemens/Sony Ericsson под Android. Каждый раз упирался в одно — надо лезть в геймдев, физику, графику, сетёвку. А это уже не вечерний пет-проект. Решение оказалось в духе 2026: стать заказчиком, а не разработчиком. Команда — Claude Opus + Codex с GPT + Cursor (зачем-то). Сам — пишет ТЗ и принимает работу. Ещё и мультиагентность потрогал: оркестратор раздаёт задачи субагентам — аналитик пишет требования, разработчик кодит, тестировщик ломает. Итог — игра в RuStore: два самолёта, бот, Bluetooth на двоих. Спойлер от автора: Bluetooth оказался той самой стеной, в которую ИИ въехал на скорости. 🔥 — тоже хочу свой пет через ИИ 🤔 — а код-то читали? @ai_for_dev

Бэкпорты теперь делают боты — и это не страшно, а наоборот круто Есть в опенсорсе работа, которую все ненавидят: починил баг в main — а теперь перетащи фикс в 9.0, 8.1, 8.0 и в древнюю 7.2, на которой полпрода живёт. Конфликты, перепроверки, славы ноль, ошибиться — раз плюнуть. Valkey (тот самый форк Redis от Linux Foundation) в релизе 9.1 взял и спихнул эту каторгу агентам. Но — и вот это важно — не «ИИ теперь пишет Valkey». Агенту дали лопату, а не право голоса. Какой фикс важен, решают живые мейнтейнеры. А агент тащит патч по веткам, разруливает конфликты, гоняет тесты и зовёт человека, когда застрял. Дальше веселее. Redis уехал под лицензию, мешать с которой код уже нельзя, — и агент сторожит, чтобы в Valkey случайно не затёк кусок родителя: сверяет коммиты по хешам, а LLM добивает, реальное это совпадение или ложняк. ИИ караулит, чтобы форк не списал у родителя — ну ирония. И вишенка: их харнес для поиска дыр наткнулся на ещё закрытую embargoed CVE. Не «подсветил стиль» — нашёл настоящую уязвимость. Вся соль в том, где провели черту: бот ковыряется в проде — нестрашно. Страшно, когда ему дают решать. Тут — не дали. 🔥 — вот так и надо 🤔 — а у нас бы взлетело? Источник: habr.com @ai_for_dev

DeepSeek V4 Flash раздают бесплатно Сервис OpenModel на время акции отдаёт DeepSeek V4 Flash в ноль — и вход, и выход по 0$. То есть гоняешь запросы и ничего не платишь. Лимиты по-божески: 10 запросов в минуту и 100K токенов в минуту на юзера. А новичкам ещё накидывают 1$ кредита вообще без карты — он не сгорает и работает на всех моделях. Самое вкусное для нас: всё совместимо с Anthropic API. Берёшь свой код на SDK и меняешь ровно одну строку:

base_url="https://api.openmodel.ai/v1"
model="deepseek-v4-flash"

И вперёд — заявлено окно контекста в миллион токенов, можно закидывать целые репозитории. Условия акции тут. 🎉 — халява, погнал 🤡 — а в чём подвох @ai_for_dev

Визуализатор SQL, который реально объясняет ☕️ Нашёлся приятный инструмент: вставляешь PostgreSQL-запрос — и он рисует интерактивную диаграмму того, как этот запрос работает. Плюс разбор в словарной форме. Особенно спасает, когда прилетает чужой запрос на 50 строк с тремя уровнями вложенности и джойнами, в которых сам автор уже не уверен. Вместо медитации над кодом — наглядная карта логики. Короче, отличная штука, чтобы быстро вкатиться в незнакомый SQL. Сайт проекта тут. 🔥 — закину свой адский запрос 😎 — гляну на досуге @ai_for_dev

Бот, который сам режет доклады на вертикальные ролики 🎬 Чувак взял запись выступления на 40 минут и сделал из неё 5–6 готовых вертикальных клипов — со спикером, субтитрами и слайдами. И всё это крутится на обычном CPU-сервере, прогон стоит 15–25 ₽. Копейки. Как это работает, если коротко: • Whisper распознаёт речь, режется по ядрам ради скорости, а сегменты склеиваются обратно в предложения — иначе мысль в ролике рвётся на полуслове. • LLM ищет хайлайты, но не «найди вирусное» (это мусор), а по предложениям [from, to] с жёсткими критериями и запретом стартовать со связок типа «Но...». Плюс ретраи, потому что модель иногда флапает. • Слайды выбирает vision-модель по кадру — image-hash автор пробовал, но забросил, точность не та. • Финальная сборка — спикер + субтитры + слайд одним проходом ffmpeg. Субтитры через drawtext, а не .ass, чтобы рулить переносами и таймингом. Классический pet-project, где половина статьи — это грабли, на которые автор честно наступил. За это и любим. 📎 Почитать целиком на Хабре 🔥 — погнал пилить такой же 🤡 — опять велосипед на ffmpeg @ai_for_dev

Любой сайт → десктопное приложение за одну команду Человеку надоел прожорливый Electron, и он сделал Pake — заворачиваешь сайт, получаешь лёгкое десктопное приложение. — Весит около 10 МБ — это до 20 раз легче Electron — Под капотом Rust + Tauri, так что память бережёт — Заводится на Windows, macOS и Linux — Умеет горячие клавиши, drag & drop и резать рекламу Хочешь ChatGPT, YouTube или свою внутреннюю панельку отдельным окном на рабочем столе? Одна команда — и готово. И всё это бесплатно. Хватаем — на GitHub 🎉 — бесплатно, беру 👀 — звучит слишком легко @ai_for_dev

Reasoning-модели убили половину промпт-инжиниринга Чувак на Хабре два года полировал свой промпт. Chain-of-thought, три few-shot примера, роль «инженер с 15 годами опыта», пошаговая схема — всё как учили. Запустил на reasoning-модели. Проиграл тупому минимальному промпту: вход + формат + одно ограничение. Без героики. Что сдохло на o-серии, Opus 4.7, GPT-5.5 thinking, Gemini 3: — «Подумай шаг за шагом» — модель и так думает, ты только мешаешь — Five-shot на логику — она уже умеет, ты ей не учитель — «Ты гениальный алгоритмист с 20 лет опыта» — теперь пишет как герой LeetCode-форума, пафосно и без сути — Жёсткие схемы «сначала X, потом Y» — ломают её внутренний thinking Что выжило и стало главным: контракт результата. Не «дай хороший отчёт», а «таблица 5 строк, столбцы X/Y/Z, без пояснений». Скучно? Да. Работает? Да. Раньше ты был инструктором — учил модель думать. Теперь она думает сама, твоя работа — поставить задачу и не мешать. 🔥 — пойду чистить свои промпты 🤔 — а я всё ещё пишу «think step by step» Источник: habr.com @ai_for_dev

Cache-aware BFS: −86% cache-misses на обходе 500 узлов Глава 15 серии про cache-friendly структуры данных. Кейс: discovery топологии сети через BFS, граф ~500 узлов, средняя степень 12. Наивная реализация — каноничный adjacency list:

typedef struct node {
    int id;
    struct node **neighbors;
    int num_neighbors;
} node_t;

Каждый neighbors[i] — указатель в произвольное место кучи. На обходе это последовательность непредсказуемых для prefetcher загрузок. Замер perf stat -e cycles,cache-misses:

45M cycles | 8.5M cache-misses | 37.5 ms

17k промахов на узел — это L3 miss на каждом ребре. При ~300 cycles/miss получаем bound по памяти, а не по compute. После перехода на cache-aware layout (узлы и соседи уплотнены в смежные регионы): 12M cycles, 1.2M misses, 10 ms — speedup ×3.75, miss-rate ×7. В главе разобраны: adjacency matrix (O(V²) память, но дружелюбна к prefetch), adjacency list (O(V+E), но миссы), и cache-aware представление как компромисс. Полный текст ⚡ — для гиков по perf 🤔 — а у меня где боттлнек @ai_for_dev

QA умер, и виноват не только ИИ Мы всё ещё обсуждаем тест-кейсы, регрессию и приёмку перед релизом так, будто это до сих пор гарантирует качество. Спойлер: уже нет. Классический QA вырос из мира предсказуемых систем: логика фиксированная, релизы редкие, поведение продукта = что заложили разработчики. Сейчас всё иначе. Даже простой сервис живёт не как единое приложение, а как клубок зависимостей: облако, внешние API, сторонние библиотеки, конфиги, пайплайны. ИИ просто довёл кризис до полной очевидности. Когда часть поведения определяется моделью, а не строчками твоего кода — традиционные «прошли все тесты, релизим» начинают звучать как заклинание. Итог: качество = не свойство кода, а свойство системы в среде. Иначе QA превращается в театр контроля. Читать целиком 🤔 — больно, но правда 🤡 — а у нас всё по чек-листу @ai_for_dev

Эмбеддинги на собаках — наглядный гайд Beeline Cloud накидали подборку материалов про векторные представления — для тех, кто хочет понять эту магию без зауми. Самое весёлое — гайд Питера Сарджента: он объясняет эмбеддинги через классификацию пород собак. Берём бульдога, ши-тцу, бордер-колли, задаём параметры (размер + интеллект) и считаем манхэттенское расстояние. Векторная математика буквально на пальцах лапах. Дальше — категоризация книг: мешок слов, TF-IDF, Word2vec, RNN. На текстах Шекспира через PCA показано, почему TF-IDF не ловит семантику — все слова сбиваются в одну точку. Полезно, если строишь RAG, копаешь семантический поиск или просто хочешь наконец понять, что вся эта векторная магия делает под капотом. ✍️ — закину на выходные 🤔 — давно надо разобраться @ai_for_dev

Русский в LLM стоит дороже. Сильно дороже Короткая правда жизни: нейросеть не видит слов, она видит токены. Английское «contract» — один токен. Русская «разработка» — два-три. «Программирование» — четыре. И так с каждым предложением. Что из этого следует: — GPT-4 на русском в ~2 раза дороже, чем на английском, за тот же смысл — GPT-4o лучше — у него в словаре в 10 раз больше русских кусков — 128k контекста = 50-60 тыс. русских слов, не 100k. Длинные документы режутся быстрее, чем кажется — Llama 4 русский не умеет — её учили на 12 языках, нашего там нет Если работаете с русским в 2026 — смотрите в сторону Qwen 3, GigaChat, YandexGPT или дообученной Llama 3.3. У западных топов «по умолчанию» русский лежит хуже. Детальный разбор с тестами и методикой — на Хабре. 💔 — кошелёк плачет 😎 — переходим на Qwen @ai_for_dev

Сеньоры как редкий вид: рынок сам себе яму копает Все привыкли к мантре «AI не заменит, AI поможет». В 2026 формулировка трещит по швам. Codex, Claude Code и Copilot уже сами читают репу, редактируют файлы, гоняют тесты и приносят PR на ревью. Google на Cloud Next 2026 прямо сказал: 75% нового кода внутри компании пишет AI, человек только утверждает. Проблема не в том, что джун стал хуже. Проблема в том, что его учебные задачи слишком хорошо автоматизируются: CRUD, миграции, базовые интеграции, тесты, документация. Ровно то, на чём росли все мы — медленно, с ошибками, с ревью на пять кругов. Зачем отдавать таску джуну на три дня, если мидл с агентом закроет за час? Логика бизнеса железная. Только через пять лет окажется, что сеньоров взять негде — их никто не растил. Целиком на Хабре 💔 — за джунов обидно 🤔 — а у нас в команде как @ai_for_dev

В какой момент внешний API душит — и пора строить свой LLM-кластер Сначала всё прекрасно: дёрнул внешний API, накидал пайплайнов в n8n, и вот уже тексты пишутся сами. Красота. А потом LLM из «помощника» превращается в часть боевых процессов — и подписочная модель начинает поджимать. Как понять, что пора в on-prem? Обычно прилетает один из трёх звоночков: 🔸 Чувствительные данные. В модель полезли внутренние документы и клиентские данные — security и legal встают стеной. On-prem держит данные внутри периметра, без обходных костылей. 🔸 LLM врастает в систему. Нужны роли, доступы, логи, аудит и предсказуемое поведение. С чужим облаком это всегда «ну почти». 🔸 Счёт за токены. На масштабе он спокойно уезжает в десятки тысяч долларов в месяц, и бюджет превращается в рулетку. Свой контур = управляемая экономика. И нет, это не «затащить ChatGPT к себе на сервак». Это полноценная AI-платформа внутри корпоративной архитектуры. Совсем другой разговор. 🔥 — пора, накипело 🤡 — а потом сами это кормить Источник: habr.com @ai_for_dev

Достаём JSON из любого PDF — теперь опенсорсно Знакомая боль: надо вытащить данные из накладной или скана, а на выходе — каша. Datalab выкатила в открытый доступ Lift, и, кажется, эта боль стала меньше. Это vision-модель на 9B, которой ты скармливаешь свою JSON-схему — и она возвращает ровно такой объект, как ты просил. Не «примерно похоже», а валидный JSON: внутри стоит schema-constrained декодирование, так что сломанной структуры на выходе просто не бывает. Чем подкупает: • Десятки страниц обрабатывает примерно за 9,5 секунды • Значения, которые разъехались по нескольким страницам, собирает за один проход • Поля остаются такими же, как в оригинале — ничего не выдумывает Ставится в одну строку: pip install lift-pdf, есть CLI и режим через vLLM. Код на GitHub, веса на HuggingFace. 🔥 — self-hosted gang 👀 — закину на тестовый PDF @ai_for_dev

Как написать чат с ИИ-девушкой за выходные (и полгода чинить в проде) Яндекс 19 июня завёз ИИ-персонажей в Алису — больше 30 собеседников с характером, от блогеров до аниме-героинь. Окей, не первые: Character.AI и Replika этим живут пару лет. Но прикол в другом — собрать своё оказалось до смешного просто. Вся магия — три кубика: модель, память, голос. Базовый чат поверх готовой модели пишется буквально за вечер. А вот чтобы бот помнил вчерашнюю болтовню, не отказывал на ровном месте и не сжёг тебе весь баланс на API — вот тут начинается боль на месяцы. Каркас всегда один: системный промпт, история, новая реплика — и ответ. Промпт собираешь слоями (кто персонаж → с кем говорит → как отвечать), а к моделям ходишь через OpenRouter — единый интерфейс к куче моделей, менять одной строкой. Закинул пару долларов или взял модель с пометкой free. Ключ — в переменную окружения, не в код, понятное дело.

client = AsyncOpenAI(base_url="https://openrouter.ai/api/v1", api_key=API_KEY)

Кайфовый трюк с выбором модели: не дерево из if, а просто словарь по паре (тариф, сцена). Бесплатным — модель попроще, платным — поумнее, для горячих сцен — отдельную, без жёсткой цензуры. Голос потом прикручивается через TTS вроде Inworld. Вечер — и у тебя свой персонаж. 🔥 — погнал собирать на выходных 👀 — звучит подозрительно просто Источник: habr.com @ai_for_dev

Агент опять не нашёл нужную функцию? Дело в grep, и это лечится Знакомо: просишь Cursor или Claude Code «покажи, где у нас авторизация», а он начинает тупить grep'ом по словам. А функция-то называется validateUserSession — буквального совпадения нет, агент бегает по файлам, жжёт токены и в итоге сдаётся. Классика. Лечится семантическим поиском — когда код ищется по смыслу, а не по буквам. Попался инструмент cocoindex-code (команда ccc), и зацепил он тем, что ставится буквально в две команды и работает вообще без настройки баз данных:

pipx install 'cocoindex-code[full]'

Никакого Qdrant в Docker, никакого API-ключа — всё локально из коробки. Внутри маленькая модель эмбеддингов snowflake-arctic-embed-xs, в README обещают до 70% экономии токенов, и звучит правдоподобно: агент получает пару точных кусков кода вместо десятка файлов целиком. Apache-2.0, 1.7k звёзд на гитхабе. Автор сам прогнал на своём проекте и сравнил с CodeGraph и SocratiCode — без маркетингового вранья: habr.com 🔥 — две команды? ставлю 👀 — звучит лениво, люблю @ai_for_dev

Целый день гонял GLM 5.2 и Grok — делюсь впечатлениями Кто не в теме: GLM 5.2 — сейчас самая мощная open source модель, по многим тестам делает некоторые топовые (подробнее тут). Подрубил её в codex, рядом для сравнения — подешевле Grok Build 0.1, а главным судьёй поставил GPT 5.5 (она же смотрела безопасность кода, я тут не спец — доверился). Выводы крупными мазками, чисто по моим задачам: • когда слетели кредиты Опуса или GPT 5.5 — GLM 5.2 реально выручает • Grok порадовал скоростью и точностью, даже сам оптимизировал картинки, хотя не просили. GLM так не умеет • GLM медленнее, без vision из коробки, а на творческих задачах сразу видно, на чём её тренили китайцы — очень веет Claude. У Грока хоть и попроще, но свой стиль • по референсам обе ок, но GLM опять медленнее • Грок вышел дешевле • фронт: GLM не оптимизировала лендинги под Safari, Грок сделал сам Если лень читать — обе юзать можно, но Грок мне зашёл больше. 🔥 — китайцы опять жгут 👀 — пойду гонять сам @ai_for_dev

Twenty: CRM, которую коммитишь в Git как обычный код Нашёл годноту — Twenty, open-source альтернатива Salesforce и HubSpot, которую можно держать прямо в своём репозитории. Раньше за настройку CRM под бизнес платили интегратору как за квартиру. Сейчас — берёшь агента, поднимаешь сам. Платишь только за VPS и за то, чтобы всё это настроить, а подписку за каждого юзера платить не надо. Кайф в том, что весь стек тянется под себя: пишешь фичи на TypeScript, добавляешь свои объекты, поля, серверную логику, агентов. А из коробки уже есть всё, что нужно: - Объекты и поля — без SQL, мышкой - Таблица, канбан, календарь — как удобно - Скрипты и AI-автоматизации Запускать можно по-разному: их облако (по подписке), свой сервер со своими данными или standalone через SDK на GitHub. И да — есть встроенный MCP для агентов, чтобы двигать сделки и гонять записи. Что для open-source CRM прям редкость — UI быстрый и приятный. 🔥 — self-hosted gang, погнали 👀 — звучит вкусно, надо пощупать Источник: twenty.com @ai_for_dev

Что ломается в тестировании, когда приходит LLM 13 лет у багов был адрес: шаг 1, шаг 2, ожидал — получил. Нажал ещё раз — то же самое. А потом пришли LLM, и почти весь классический QA просто перестал работать. Не усложнился — перестал. Где именно больно: Нет одного правильного ответа. «Париж», «Столица Франции — Париж», «Это Париж» — все верны, а твой expected == actual тихо падает на каждом. Теперь сверяешь не со строкой, а с критериями: корректность, полнота, тон. Тот же тест то проходит, то падает. Запустил — ок. Запустил снова, ничего не трогая, — упал. Это не флапающий тест, это сама модель так живёт. На голосовом боте из 10 прогонов 4 распознавались неверно — и это не шум, это дефект, который приходится мерить в процентах. Зелёный прогон ничего не обещает. Стенд стабилен, а живая система между двумя днями ведёт себя по-разному. Агент вчера заполнял формы, сегодня перепутал поля — без единого изменения с твоей стороны. Целиком тут: Хабр 😁 — добро пожаловать в ад 🤔 — и как с этим жить @ai_for_dev

Счёт за ИИ пугает? Давайте резать Есть модель в 6+ раз дешевле Opus — и она реально тащит. На этом фоне роутинг, кэш и оптимизация токенов из «когда-нибудь потом» превратились в горящую задачу для всех, кто хоть раз открывал биллинг и тихо вздрагивал. Завезли статью со всеми способами сэкономить на токенах — и сразу с прикидкой, сколько каждый приём экономит. P.S. если у вас мак на 256 ГБ, то GLM можно гонять локально и бесплатно. Бесплатно, Карл. 🔥 — режу свой чек 👀 — гляну статью @ai_for_dev