AI для Разработки — Claude | Cursor | Copilot

Поиск спешно подлаживается под агентов Агентов в сети всё больше, и под них строят целую параллельную инфраструктуру — банки уже занялись платежами, а теперь дошло и до фундамента, до поиска. За пару недель два интересных анонса, и оба — внезапно — не от Google. Microsoft выкатил (пока лист ожидания) Web IQ — пакет AI-native API к индексу Bing под запросы агентов. Формулировка соблазнительная: меньше токенов на входе, ответ лучше, вызов дешевле. Логично же: агенту незачем читать всю страницу, умный API вернёт нужный кусок — и токены целы. Perplexity, который изначально строился как поиск ИИ-эры, отвечает своей Search as Code (SaC). Тут агент лезет прямо внутрь поискового стека, а не жуёт готовый результат, и собирает свою стратегию кодом. У них одна задача порой запускает тысячи retrieval-операций за минуты — человеку такое не снилось. Честно, немножко завидую агентам: вот бы под нас так оперативно подстраивались 🙂 Microsoft Web IQ · статья Perplexity 🔥 — хорошо быть агентом 👀 — надо пощупать @ai_for_dev

Хватит арендовать такси — собери свою тачку Почти все знакомые аналитики живут в Claude: корпоративные данные, зарплаты, финотчёты — всё улетает в облако. Безопасники косятся, плана «Б» нет. А он есть. Claude — это такси: платишь за поездку, а водитель слышит весь разговор. Локальный AI — своя машина. Данные остаются на ноуте, никакого облака и подписок: скачал один раз и пользуешься бесплатно офлайн. Кузов (выбираешь под себя): 🔹 Jan.ai — скачал, открыл, работает. Идеально без терминала. → jan.ai 🔹 LM Studio — больше настроек, удобно подбирать модели под оперативку, есть сервер для Python. → lmstudio.ai 🔹 Ollama — классика для тех, кто кодит. Локальный API вместо платного Claude API. → ollama.com Двигатель (качаешь внутри интерфейса): 🔹 Qwen (Alibaba) — пишет код, понимает русский 🔹 Llama (Meta) — текст и логика 🔹 DeepSeek — reasoning: показывает ход мыслей перед ответом Честный тест-драйв: «семёрка» (7B+) заведётся даже на MacBook Air. Слабее Claude Sonnet 4.6, гигабайты данных не запихнёшь — захлебнётся. Но для базового Python, SQL и чистки чувствительного текста — идеальный гаражный вариант. 🔥 — ставлю свою тачку 👀 — сначала погляжу @ai_for_dev

В AUR Arch Linux нашли более 1500 заражённых пакетов В пользовательском репозитории AUR обнаружили вредоносные коммиты. Сначала разработчики оценивали масштаб в 400 пакетов и считали проблему закрытой, но итоговое число превысило 1500 — в опубликованном списке уже 1579 пакетов, и даже там оговорка: перечислены «многие, но не все» затронутые. Официальные репозитории Arch не пострадали — проблема только в AUR, каталоге, который ведёт сообщество. Компания Sonatype назвала кампанию Atomic Arch: злоумышленники брали на сопровождение заброшенные пакеты, меняли PKGBUILD и сценарии .install. Вредоносный код запускался уже на этапе сборки через preinstall-сценарий npm-пакета atomic-lockfile. Запускался Rust-стилер deps, нацеленный на рабочие станции разработчиков: он вытаскивал сессии из браузеров на Chromium, токены GitHub, npm, доступы к OpenAI и ChatGPT, SSH-ключи, учётные данные Docker и Podman, VPN-профили. Для закрепления создавалась служба systemd. Главное: удаления пакета недостаточно. Нужно менять все ключи и токены. Подробности на Хабре. 😐 — тревожно 🤔 — проверю окружение Источник: habr.com @ai_for_dev

Пишем своего ИИ-агента с нуля. Часть 1 Все вокруг кричат про агентов, Claude Code и Codex уже в каждом втором рабочем процессе, а как оно внутри устроено — магия да и только. Автор решил разобраться по-честному: никаких фреймворков, только Python и понимание механики. Оказывается, для живого агента нужно всего четыре штуки: • цикл, чтобы агент крутился • подключение к LLM • ввод от пользователя (то есть цель) • контекст, чтобы агент не страдал амнезией после каждого сообщения Самое приятное — модель крутится локально и бесплатно через Ollama (gemma4:e4b на 4 млрд параметров), а общаемся с ней через знакомый OpenAI-клиент:

from openai import OpenAI
client = OpenAI(base_url="http://localhost:11434/v1", api_key="")

Дальше — список сообщений, системный промпт, ввод пользователя и отправка всего разговора модели по кругу. Вот тебе и весь «агент». В следующих частях обещают накрутить возможностей поинтереснее. Код и полный разбор: habr.com 🔥 — пойду свой собирать 🤷 — и это весь хайп @ai_for_dev

Агент, который не просто болтает, а реально делает дела Окей, агент пишет письма и ищет по базе знаний — мило. Но в корпоративе этого мало: пока он только жуёт текст, он сидит *рядом* с процессом, а не внутри него. Чтобы агент реально помогал в ITSM/SDLC, ему нужно уметь действовать: создать задачу, проверить статус, сходить во внешнюю систему и принести результат. И тут главный нюанс — не лезть напрямую в базу и не дёргать рандомный API, а работать в управляемом контуре: права, понятные инструменты, проверяемые параметры. Чтобы агент не устроил продакшену весёлую жизнь. Клей для всего этого — MCP (Model Context Protocol), открытый стандарт от Anthropic с конца 2024-го. Агент через него видит, какие инструменты есть, что они принимают и как их звать. Gartner вообще пророчит, что к концу 2026 до 40% энтерпрайз-приложений обзаведутся такими агентами. Как это собрать на платформе SimpleOne — статья на Хабре. 🔥 — звучит по делу 🤷 — опять корпоративный буллщит @ai_for_dev

Чел навайбкодил целую MMO в браузере Человек взял и собрал свою World of Warcraft прямо в браузере — с классами, квестами, торговлей, дуэлями и онлайн-миром на тысячи игроков. Помогала ему новая Claude Fable 5, а сам проект — полностью опенсорсный. И это не картонка: настоящий клиент-сервер, аккаунты, персонажи живут в Postgres, а офлайн и онлайн крутятся на одном детерминированном ядре — то есть мир ведёт себя одинаково везде. Хочешь свой сервер? Один docker compose up — и у тебя своя ваниль-WoW на VPS. Залетай в игру: worldofclaudecraft.com Звёзды и код: GitHub Покажите это разрабам GTA VI, что ли 👀 🔥 — пошёл клонировать репо 🤡 — а мне дедлайны горят @ai_for_dev

GLM 5.2: китайский ответ Claude Code прямо в дедлайн Тайминг шикарный: в США блокируют Fable 5 и Mythos 5, а через 48 часов Zhipu выкатывает GLM 5.2 — модель под кодинг с прицелом на Claude Code и GPT-5.5. Что завезли: ‣ 1 миллион токенов контекста, причём реально рабочий; ‣ два режима ризонинга — High и Max (для кода советуют Max); ‣ дружит из коробки с Claude Code, Cline, OpenCode, Goose, Roo Code и компанией; ‣ заточена под долгие сессии и агентные задачи; ‣ через неделю обещают MIT-веса — можно будет крутить локально; ‣ пока только по подписке GLM Coding Plan, Lite от ~$18/мес, халявы нет. Своих бенчей не показали, так что верим пока на слово. Зато на демо она сделала механические часы на SVG в 925 строк — пять слоёв, семь шестерёнок, фазы луны, всё одним файлом. Сайт | Coding Plan 🔥 — китайцы опять жгут 👀 — дождусь весов, гляну Источник: zcode.z.ai @ai_for_dev

В AUR нашли вредонос-матрёшку, ворующий ваши секреты Если ставите софт из AUR — момент насторожиться. В пользовательском репозитории Arch Linux нашли масштабную атаку: злоумышленники прибрали к рукам более 1900 пакетов и переписали их сценарии сборки. Официальные репозитории чистые — пострадал только AUR. Схема простая и оттого противная. Атакующие брали заброшенные пакеты, становились сопровождающими и меняли PKGBUILD или .install. Имя то же, доверие то же, а внутри — установка пакета atomic-lockfile из npm с preinstall-скриптом, который запускал вредоносный файл прямо во время сборки. Дальше он выгребал сессии браузеров и Electron-приложений, токены GitHub и npm, SSH-ключи, данные Docker, Vault, OpenAI и закреплялся через systemd. Обновляли AUR-пакеты с 11 июня? Сверьтесь со списками Arch Linux и при совпадении меняйте все пароли, токены и ключи. 👀 — надо ревизию ключей 😐 — неприятный звоночек @ai_for_dev

У вашего сайта уже есть третий юзер — и это ИИ-агент Откройте свой продукт глазами не человека, а агента. Клиент говорит ChatGPT: «запиши меня на стрижку вот сюда» — и агент идёт на ваш сайт. А там каша из HTML: смысл спрятан в вёрстке, кнопка нарисована картинкой, цену подгружает скрипт через пару секунд. Человек разберётся: видит страницу целиком, тыкает наугад и попадает. Агент не догадывается. Агент исполняет буквально. Если смысл живёт только в том, как страница выглядит — для агента его просто нет. Это и есть AX, Agent Experience (термин от Мэтта Билманна из Netlify, начало 2025). После UX для людей и DX для разработчиков — теперь опыт для агента, который делает дело за клиента. Где агент слепнет: • Доступ — капча на входе ок, агент передаст управление человеку. А вот капча и rate-limit посреди процесса роняют его на полпути. • Контекст — цена/наличие/часы должны быть данными, а не баннером. • Инструменты — дайте агенту вызвать функцию напрямую, а не кликать наугад. И да — это не «когда-нибудь». Агенты ходят по вашему сайту прямо сейчас. Самое обидное даже не баг, а когда вас тихо обходят стороной: невидим — значит, тебя нет. 😎 — у меня всё ок (надеюсь) 🤔 — а ведь не проверял @ai_for_dev

LLM-as-judge для vision: три оси оценки вместо одной «точности» Задача — бенчмарк распознавания блюд по фото для калорийного трекера. Стек: Gemini 2.5 Flash через OpenRouter, пайплайн на Go в два прохода. Первый проход — provider.Recognize(ctx, f, mime) на каждое фото, возвращает DishName, ингредиенты с весами, КБЖУ и Confidence; всё пишется в results.csv с пустыми полями verdict. Второй проход — судья проставляет вердикты. Три метрики: • Severity ошибки. Вердикты correct / wrong-but-close / wrong. Гарниры и уточнения не штрафуются (correct); фатальный только wrong. Порог удержания доверия — доля wrong < ~20%. • Калибровка confidence. Порог предупреждения 0.85 проверяется на корреляцию с фактической ошибкой, а не принимается на веру. • Plausibility калорий. Per-dish референс из manifest.csv (ref_kcal_low/ref_kcal_high, напр. борщ 300–500), проверка попадания. Датасет: Food-101 (Stanford) + Roboflow russian-food, маппинг классов через labels_map.json, итог — 66 фото (RU/ASIA/EU). Код, метрики и финальный вывод — на Хабре. ✍️ — забрал в закладки 😎 — соберу на выходных @ai_for_dev

Атаки на ИИ: чем их моделировать Если вы пилите что-то на LLM, плохая новость: ваш антивирус и WAF атаку на модель не увидят в принципе. Сигнатуры тут не работают — нужен отдельный взгляд на угрозы. Для этого есть MITRE ATLAS — по сути ATT&CK, но заточенный под машинное обучение. За 3 месяца он раздулся почти вдвое: с 84 до 170+ техник. Что из этого реально касается разработчика: • Prompt Injection (AML.T0051) — самая ходовая техника начального доступа к LLM-приложению • LLM Plugin Compromise (AML.T0053) — когда зло прилетает через ваши же плагины • Состязательные примеры (AML.T0043) — подготовка атаки на этапе ML Attack Staging ATLAS раскладывает всё по полочкам — от разведки до воздействия. Удобно пройтись по тактикам и честно спросить себя: а где у меня дыра? Статья целиком на Habr 👀 — возьму на заметку 🤔 — проверю свои LLM @ai_for_dev

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