AI для Разработки — Claude | Cursor | Copilot

Диктуешь промпты голосом? Вот что реально работает на русско-английском Знакомая боль: объясняешь Claude задачу, а там через слово — deploy, pull request, Kubernetes. Любая модель распознавания на этом коктейле начинает чудить. Чувак потратил полгода, перепробовал 5+ приложений — WisprFlow, Handy, OpenWhispr, GigaAM v3 — и разложил всё по полочкам. Главное: 🎙 Голосом — 150-180 слов/мин, печатью — в среднем 52. Разница в 3 раза 🎙 Для промптов в LLM точность не обязана быть идеальной — нейросеть поймёт 🎙 Нашёл промпт, который фиксит пунктуацию в 99% случаев 🎙 Даже PR в open source закинул — приняли в main Самое интересное — как модели по-разному обрабатывают code-switching. Одна пишет «research» латиницей, другая транслитерирует в «ресёрч». Для промптов это важно — попробуй объясни модели про Whisper, если он стал «Виспером». В конце статьи — сводная таблица «что поставить», если не хочется читать весь лонгрид. Статья на Хабре 🔥 — голос — это будущее 😐 — я и так 120 WPM @ai_for_dev

QA-шники отдали 70% рутины AI-агентам Знаете, чем на самом деле занимается тестировщик большую часть дня? Не тестированием. А чтением тикетов в Jira, ковырянием Confluence и попытками понять, что вообще должна делать фича. Ребята из «СВОЙ Тех» (финтех) замерили и ужаснулись — потом собрали цепочку из трёх AI-агентов: 🔹 Координатор — раздаёт задачи остальным 🔹 Исследователь — собирает требования из всех источников 🔹 Аналитик — генерирует тестовую документацию Что интересно: сначала они не AI внедряли, а банальный учёт времени. И только когда увидели, что подготовка съедает больше, чем само тестирование — начали автоматизировать. Статья целиком — на Хабре. 🔥 — тоже хочу так в команду 🤷 — 70% звучит оптимистично @ai_for_dev

Вайбкодинг: как не превратиться в фабрику техдолга Раньше — час на StackOverflow ради сниппета. Сейчас — комментарий, Tab, и Copilot уже что-то родил. Это и есть вайбкодинг: ты не пишешь код, а ловишь флоу — режиссируешь, а механику делает AI. Кайфово, быстро, без напряга. И это ловушка. Главные грабли: 1. Слепое Accept. AI учился в том числе на легаси-помойках. Спокойно подсунет устаревший хеш или дыру под SQL-инъекцию — потому что «так в туториалах 2019-го». Плюс галлюцинации: придумывает методы, которых в библиотеке нет, миксует версии. На экране красиво, в рантайме — краш. 2. Архитектура поплыла. Модель видит один файл и не в курсе, что у тебя уже есть хелпер в соседней папке. Через месяц проект — франкенштейн с тремя реализациями одного и того же. Лечится одним майндсетом: относись к AI как к самоуверенному джуну. PR от стажёра ты же не мёржишь не глядя. Полный разбор: Habr 🔥 — узнал себя 🤔 — у меня всё под контролем (нет) @ai_for_dev

«AI Review не делает код лучше» — пишет автор AI Review Звучит как самосаботаж, но на деле — самый честный пост про AI-ревью за последнее время. Статья на Хабре. Главная мысль: мы все ждём от AI-ревью чуть больше магии, чем оно реально даёт. Запускаем — получаем результат — и начинаются одни и те же вопросы. Не потому что «не поняли», а потому что ожидания всегда выше движка. Автор делит реальность на три зоны: — где AI Review реально помогает и экономит время — где он генерит шум — где он подсвечивает не баги в коде, а дыры в процессе ревью И главный дисклеймер: инструмент усиливает то, что уже есть. Хороший процесс становится быстрее. Плохой — становится плохим быстрее. CLI, без привязки к стеку, запускается хоть в GitHub, хоть вручную. Никакого «умного бота» — просто движок поверх LLM. 🔥 — наконец-то без хайпа 🤔 — а у нас процесс хороший? @ai_for_dev

Когда код пишет агент, а не ты Любопытная статья на Habr: автор ранжирует архитектуры — TDD, ООП, ФП, MVC, микросервисы, событийная, DDD — по тому, насколько они дружелюбны к AI-агентам. Логика простая. У агента окно контекста конечное, всю систему он не видит. Отсюда: — Чистые функции — топ. Глянул и понял, работает или нет. — Обработчик событий с двенадцатью подписчиками — ад. Чтобы поймать баг, нужен весь проект в голове. — TDD — мечта агента: красный/зелёный, машинная обратная связь без «вкуса». — ООП — лотерея: учебные данные забиты примерами ужасного ООП, агент шаблонит ровно их. Короче, функциональщина и TDD снова на коне, DDD и событийная архитектура идут лесом. Старики из ФП сейчас ехидно улыбаются. 😎 — ФП снова в моде 🤔 — а как же DDD? @ai_for_dev

Симулятор Hacker News: прогоняешь Show HN до сабмита и видишь, как тебя там обоссут Знакомо: час подбираешь заголовок, жмёшь submit — и через 30 минут либо ты в топе, либо тихо умер в /newest. Почему — непонятно. Автор за выходные собрал Foresyn HN — клон HN, где можно прогнать черновик до настоящего поста. Вводишь title + url + description, модель показывает: — сколько очков ожидать (с диапазоном p10–p90) — похожие прошлые посты — симулятор душнил в комментах — реальные старые HN-комменты к похожим постам: «we built this in 2017», «why not SQLite?», «pricing?» — Auto-improve — модель сама генерит варианты заголовка и лезет вверх по скору Ещё есть Live ledger — каждый день скорят настоящую frontpage и показывают, насколько модель промахнулась. В понедельник проект сам идёт на HN, до этого автор просит сломать штуку, особенно если вы уже постили на Hacker News. Внутри: 148K HN-постов, Gemini embeddings, halfvec, LightGBM на 31 фиче. 🔥 — пойду прогонять свой черновик 🤡 — прогноз для следующего pet-проекта @ai_for_dev

Copilot Chat теперь умеет в Ollama Нашлось то самое расширение для VS Code, которое пихает локальные модели — DeepSeek, Llama, Qwen — прямо в Copilot Chat. Без облака, без подписок, без «ваш код улетел в датацентр». Что умеет: → любая модель из библиотеки Ollama как полноценный участник чата (@ollama) → tool calling, MCP и vision — всё на месте → inline-автокомплит кода от локалки → переключаешь модели прямо в редакторе, без перезапусков → сайдбар с pull/run/stop, тюнингом temperature и контекста → thinking-модели (DeepSeek-R1, QwQ) с раскрывающимися блоками рассуждений По факту — это превращает Copilot Chat в локальную AI-песочницу. Запустил ollama serve, поставил расширение, выбрал модель в picker'е — поехали. 🔥 — пойду гонять DeepSeek-R1 локально 👀 — а GPU потянет? @ai_for_dev

Дать ChatGPT приватную страницу — без cookies и паролей 🔥 Есть chatgpt-portal — штука, которая пробрасывает в ChatGPT-контейнер локальный браузер, но без выдачи доступа к аккаунту. Схема такая: 1. Запускаешь — поднимается отдельный Chrome (твоей авторизации там нет) 2. Логинишься в нужный сайт руками 3. Инструмент читает страницу и делает текстовую копию: заголовки, видимый текст, ссылки, кнопки 4. Из копии вырезаются cookies, токены и скрытые поля (Pro модель очень нервничает, когда видит приватные данные) 5. Через временную Cloudflare-ссылку ChatGPT получает только очищенную версию 6. Ходить по ссылкам можно, отправлять формы, удалять и публиковать — нельзя Идея в одну строку: дать модели «посмотреть» приватную страницу, не пуская её в сам аккаунт. Запуск:

CHATGPT_PORTAL_ALLOWLIST=https://intranet.example.com npm run share

Автор пишет, что Pro-модель так ему собирала данные с голландского налогового сайта — а сам сайт думал, что это обычный человек в Chrome сидит. Удобно, когда лень разбираться самому. 🔥 — пойду пробрасывать интранет 🤔 — а Cloudflare-туннель не палится? @ai_for_dev

Python 3.14.5rc1 вышел — и инкрементальный GC отменяется Команда Python выкатила release candidate пятого maintenance-обновления 3.14. Финал — 8 мая. Внутри 113+ багфиксов, но все обсуждают одно. Инкрементальный сборщик мусора, который жил в 3.14.0–3.14.4, откатили обратно к генерационному из 3.13. Причина простая: продакшены жаловались на распухающую память. Видимо, инкрементальная схема в реальной нагрузке вела себя совсем не так, как в бенчмарках. Если держите Python-сервисы под нагрузкой — закладывайтесь, что после апгрейда на 3.14.5 поведение по памяти изменится снова. Заодно напомню, что в 3.14 появилось: • PEP 779 — free-threaded Python без GIL, уже официально • PEP 750 — t-strings, кастомные шаблонные строки • PEP 734 — несколько интерпретаторов в одном процессе • PEP 784 — Zstandard прямо в stdlib • Экспериментальный JIT для macOS и Windows • Remote attach в pdb — цепляемся к живому процессу • Цветной вывод у argparse, json, calendar, unittest В прод тащить рано, но потестить на staging — самое время. 🔥 — наконец-то откатили 🤔 — посмотрим на память @ai_for_dev

Claude Code теперь в Telegram — задачи AI с телефона Чувак собрал бота, который пробрасывает Claude Code прямо в Telegram. Лежишь на диване, прилетела идея — кинул сообщение боту, он залез в репу, поправил api.py, прогнал тесты и отчитался. Без терминала, без ssh, без «подождите я до ноута дойду». Что умеет из коробки: — держит контекст по проектам (каждая папка = своя сессия); — песочница — бот видит только разрешённые директории, не сбежит в /etc; — белый список юзеров по Telegram ID — посторонние не зайдут; — аудит-лог на случай «а кто это запушил в master в три ночи»; — ловит webhook-и и CI/CD события, может сам пинговать когда сборка упала. Ставится одной командой через uv или pip, нужны Python 3.11+ и авторизованный Claude Code на сервере. Лицензия MIT, форкай не стесняйся. GitHub — там же v1.3.0 и доки по настройке. 🔥 — пойду поднимать на VPS 🤡 — теперь и в отпуске не отстанут @ai_for_dev

GitNexus: скармливаешь репу — получаешь граф знаний Кидаешь ссылку на GitHub и получаешь 3D-карту всего проекта: файлы, зависимости, цепочки вызовов. Сверху встроенный AI-агент, которому можно задавать вопросы по коду вместо того, чтобы час вкуривать чужую архитектуру. Самое интересное — не сама визуализация, а CLI + MCP. Подключаешь граф к Cursor, Claude Code или Codex, и агент перестаёт писать правки вслепую — он видит, кто кого вызывает и что сломается, если тронуть вон ту функцию. Авторы обещают, что даже модели поменьше начинают тянуть как взрослые. Лицензия PolyForm Noncommercial — для пет-проектов и онбординга норм, для прода придётся идти на их SaaS. GitHub 🔥 — затащу в Cursor сегодня 🤔 — а на монорепе не ляжет? @ai_for_dev

0,85⁸ = 27%. Вот почему ваш AI-пайплайн разваливается в проде ВТБ на Data Fusion честно сказали: их AI-проекты дохнут между пилотом и продакшеном. Пилот работает — а в реальности всё разваливается. И это не баг, а фича архитектуры. Математика жестокая. Берём цепочку из 8 AI-агентов, каждый точен на 85%. Перемножаем — получаем 27% общей точности. Три четверти результатов — мусор, и ты даже не знаешь какие именно. Почему пилот работал? Потому что там один шаг, ручные данные, контролируемые условия. В продакшене — цепочка без верификации, ошибки копятся как снежный ком. Автор разбирает на Хабре что делать: вставлять человека в контур на каждом уровне — валидация данных на входе, валидация решений на выходе. Не "полная автономия", а "управляемая автоматизация". И главный инсайт: индустрия меряет не ту метрику. Все считают "сколько задач без человека", а надо считать точность на длинном горизонте. 🔥 — знакомая боль 😎 — у меня human-in-the-loop с первого дня @ai_for_dev

Натравили эволюцию на LLM — чтобы она писала нормальные тесты Ребята из ecom.tech устали, что LLM генерит тесты на Kotlin "как бы правильные", но мимо всех внутренних конвенций. Знакомо, да? Взяли маленькую Qwen3-4B и решили дообучить тремя способами: 🔹 SFT — показываем эталонные тесты, модель учится копировать 🔹 GRPO — RL с функцией награды: не просто "похоже на эталон", а "реально полезный тест" 🔹 Evolution Strategies — самый дикий вариант: берём 30 мутированных копий модели, смотрим кто лучше справился, двигаем параметры в сторону победителей Главная мысль: качество теста ≠ похожесть на образец. Тест должен реально ловить баги и соответствовать стилю команды. И именно тут RL и эволюция могут дать фору классическому SFT. Модель на 4 миллиарда параметров — можно крутить локально. Никакого облака. Статья целиком 🔥 — эволюция для LLM — красиво 🤷 — SFT и так норм работает @ai_for_dev

«Замедлиться, чтобы ускориться» — парадокс AI-разработки Знакомая ситуация: один тимлид говорит «AI пишет код за нас, шипаем в 5 раз быстрее», а второй отвечает «у нас техдолг растёт быстрее, чем мы его гасим». Кто прав? Статья на Хабре разбирает это через призму Канемана. LLM — это чистая Система 1: шаблоны на вход, шаблоны на выход. Отлично генерит код. Но вопрос «а ту ли задачу мы вообще решаем?» — это Система 2, и тут AI пока не помощник. Самый жёсткий инсайт: раньше кривое ТЗ = один разработчик пилит не то неделю. Сейчас кривое ТЗ = AI за день нагенерит тонну кода, который весь идёт в мусор. Цена ошибки в требованиях выросла кратно. Вывод простой: жмёшь на газ при написании кода — жми на тормоз при проектировании. AI сделал архитектурные решения дороже, а не дешевле. Читать целиком 🔥 — техдолг не спит 😎 — сначала думаю, потом промпчу @ai_for_dev

Очередная методичка по работе с LLM — но честная Фрилансер выкатил вторую версию своей методички AIDD (AI Driven Development). Сразу дисклеймер от автора: работает только если ты разработчик, опыт — проекты до 60к строк и 4 месяцев, без энтерпрайза и больших команд. Почему вообще села писать правила: без них модель уходит в дебри, забывает решения, ломает рабочее и зацикливается на ошибках. Проще руками написать, чем разгребать. В основе — Test + Spec Driven Development, но доки во главе угла. Во второй версии подтянул то, что за полгода стало мейнстримом: Sub-agents, MCP, context engineering, Skills. Говорит, это уже не хайп, а база. Главный тезис, который у многих болит: архитектурное мышление важнее кодинга. Раньше внимание дробилось между синтаксисом и архитектурой, теперь синтаксис делает модель — фокус целиком на «что и как устроено». Минус: если выбрал кривое направление, LLM раскатает кривизну в десять раз быстрее, чем ты бы налажал руками. Опухоль, а не баг. Полный документ с чек-листами и форматами — в статье на Хабре. 🔥 — узнал свои грабли 🤡 — опять методички вместо кода @ai_for_dev

X5 Tech теперь спрашивают на собесах про MCP и температуру модели Да, мир изменился. Крупнейший ритейлер запустил AI-блок на техническом интервью для сеньоров Python и QA. Выглядит так: тебе дают инструмент, ты шаришь экран и решаешь задачу с AI. Оценивают не «решил/не решил», а как ты работаешь — промпты, итерации, критическая оценка ответов модели. Самое интересное — могут дать CLAUDE.md или .cursorrules и попросить сделать ревью. Найти размытые формулировки, потенциальные источники галлюцинаций, оптимизировать под контекстное окно. По сути проверяют, понимаешь ли ты как AI работает с контекстом. Что ещё спрашивают: — агентный подход vs чат — в чём разница — что такое MCP — как обеспечиваешь безопасность при работе с AI Но если ты крутой инженер без опыта с AI — всё равно наймут и обучат. Так что паниковать рано, но готовиться стоит. Статья целиком 🔥 — готов к такому собесу 😐 — ещё и это теперь учить @ai_for_dev

Structured Outputs: кто из провайдеров реально держит JSON Schema, а кто только делает вид Когда LLM работает в проде, её ответ почти всегда летит дальше — в API, базу, следующий промпт. И тут промпт «верни JSON по этой схеме» — это молитва, а не гарантия. Модель может переименовать ключ, добавить «Sure, here is your JSON:» перед ответом или вернуть enum, которого в схеме нет. Для этого и придумали Structured Outputs — провайдер сам режет токены, которые ломают схему. Звучит красиво, но вопрос в том, что именно из JSON Schema провайдер на самом деле применяет, а что просто принимает и кладёт на полочку. Ребята с Хабра проверили OpenAI, Gemini и xAI простым приёмом: дают схему с ограничением (например, minLength: 5) и в промпте просят его нарушить (верни 'hi'). Если провайдер реально применяет ограничение — модель не сможет, как ни старайся. И да, жёсткая схема иногда ломает качество — модель тупит или зацикливается в длинном поле до лимита токенов. С этим тоже придётся жить через evals и разбиение задачи. Читать целиком: habr.com/articles/1033478 🔥 — забираю в свой пайплайн 🤔 — а у меня и так норм через retry @ai_for_dev

9 папок, которые отличают LLM-демку от продакшена Есть у вас в проекте main.py с одним вызовом OpenAI и промптом в f-строке? Поздравляю, это не AI-система, это хобби. А вот как выглядит честный продакшен: services/ — RAG, семантический кеш, память, query rewriter, роутер. Пять штук, не один файл. agents/ — document grader, decomposer, adaptive router. Агенты сами проверяют себя. prompts/ — версионируются и типизируются. Хардкод в коде = технический долг с процентами. security/ — фильтры на вход, контент и выход. Три слоя, потому что один пробьют. evaluation/ — golden dataset + офлайн + онлайн-мониторинг. Этот слой пропускают примерно все. Потом удивляются, почему модель внезапно поглупела. observability/ — трейсы, фидбек привязан к трейсам, стоимость каждого запроса. Без этого вы не AI-инженер, а финансовый донор OpenAI. .claude/ — контекст для кодинг-агента, чтобы он не переписал вам половину репы под настроение. Главное: 9 слоёв звучит как оверинжиниринг, пока вас не разбудят в 3 ночи из-за галлюцинирующего бота на проде. 🔥 — сохраняю как чеклист 😐 — у меня пока 2 из 9 @ai_for_dev

AI-агент теперь умеет в дизайн — встречайте Lazyweb Появился MCP-сервер Lazyweb, который подсовывает Cursor, Claude Code и Codex библиотеку из 257 тысяч скринов реальных приложений. Пишешь агенту «запили мне страницу настроек как у нормальных людей» — он лезет в базу, смотрит как это сделано в живых продуктах, и собирает что-то похожее. Без этого агенты обычно выдают вечный Bootstrap из 2018 года, потому что просто не видели, как выглядит современный UI. А тут — насмотренность из коробки. И да, бесплатно. Для людей и для агентов. 🎉 — бесплатно? беру 👀 — гляну, не Bootstrap ли там внутри @ai_for_dev

«Я пошутил, что разработчики не нужны — мне поверили» Парень с Хабра написал сатиру: типа продакт без скиллов попробовал вайбкодинг, уволил команду, теперь правит миром. В конце даже ссылку на localhost прилепил и тег «сатира». Не помогло — заминусовали на серьёзных щах, в личку писали «у вас ссылка не работает». Дальше автор переходит к делу. Да, порог входа падает — дашборд теперь соберёт кто угодно за вечер промптами. Но как только дело доходит до масштабирования, эйфория испаряется быстрее, чем кредиты в Cursor. Зато аналогия с техписателями цепляет. Раньше — целые отделы копирайтеров на крупную компанию. Сейчас — один человек ревьюит то, что нагенерила нейронка на всю контору. Изюминки нет, авторского стиля нет — а в доке оно и не надо. Мораль: инстадевы из твиттера ничего сложнее дашборда не сделают ни через год, ни через десять. Но формат профессии меняется, и сидеть на попе ровно — плохая стратегия. **Читать на Хабре** 😁 — отрезвляющий лонгрид 🤡 — снова паника на ровном месте @ai_for_dev