Вайб-кодинг

Одна команда, чтобы понять, что запустится на твоем железе: llmfit Терминальная утилита, которая по твоей конфигурации RAM, CPU и GPU рекомендует LLM-модели, которые смогут у тебя запуститься. Сейчас в базе 157 модели от 30 провайдеров: есть Llama, Mistral, Qwen, DeepSeek, Grok, Kimi и другие. Каждую модель оценивают по 4 метрикам: - качество (число параметров, репутация семейства модели) - скорость (примерная оценка tok/s) - совместимость (насколько модель укладывается в память) - контекст (размер контекстного окна) Потом считают итоговый общий score, а то, что в память не влезает, автоматически уезжает вниз списка. 100% opensource 🎉

Gemini 3.1 Pro be like:

Чувак собрал локальный движок инференса для LLM, который гоняет модель на 1B параметров на плате за $10 с 256 МБ RAM. Модель лежит на SD-карте и стримится по одному слою, при этом в оперативке держится примерно 45 МБ. Можно использовать как локальный backend для модели в PicoClaw. Без Python, без облака, без API-ключей. 80 КБ бинарник, чистый C, ноль зависимостей. 100% опенсорс 😼

Gemini снова возвращается в топ кодинг-моделей: Google выкатили Gemini 3.1 Pro Модель заметно прокачали в кодинге, reasoning и агентных задачах. Цифры говорят сами за себя: — 77.1% на ARC-AGI-2 (было 31.1% у Gemini 3) — 80.6% на SWE Verified (против 76.2%) — 85.9% на BrowseComp (вместо 59.2%) Уже доступно в приложении, на сайте, в Studio и по API 🎉

Гений потратил 2,54 МИЛЛИАРДА токенов, чтобы довести OpenClaw до идеала. Юзкейсы, которые он по пути откопал, поменяли то, как он живёт и работает. И теперь он делится этим со всеми. Вот 21 сценарий: 0:00 Интро 0:50 Что такое OpenClaw? 1:35 MD-файлы 2:14 Система памяти 3:55 CRM-система 7:19 Fathom pipeline 9:18 Встреча → action items 10:46 Система базы знаний 13:51 Pipeline для ingestion из X 14:31 Business Advisory Council 16:13 Security Council 18:21 Трекинг соцсетей 19:18 Pipeline идей для видео 21:40 Daily briefing flow 22:23 Три совета (Three Councils) 22:57 Расписание автоматизаций 24:15 Слои безопасности 26:09 Базы данных и бэкапы 28:00 Генерация видео/картинок 29:14 Self-updates 29:56 Трекинг использования и стоимости 30:15 Prompt engineering 31:15 Инфраструктура для разработчиков 32:06 Дневник питания - Бесплатная eBook с юзкейсами - промпты - SOUL - IDENTITY - PRD

Кто-то выложил в опенсорс CLAUDE SKILL, который по словам автора, заставляет его перестать писать баговый код. Называется MAKE NO MISTAKES. Кидаешь один файл в проект, и Claude начинает ловить свои же ошибки еще до того, как ты их увидишь

Теперь то, что ты собираешь в Claude Code, можно пушить прямо в Figma. С последними обновлениями Figma MCP server: сначала делаешь рабочий прототип в коде, потом отправляешь его на Figma canvas и там уже спокойно гоняешь несколько версий и вариантов. Чтобы начать, установи Figma MCP server:

/plugin install figma@claude-plugin-directory

Дальше просто попроси Claude отправить страницу из твоего локального веб-приложения в Figma. Подробности в доках

Claude наблюдает, как я пишу код вручную

React Doctor уже тут Сканируй свой React-код на анти-паттерны: ▪️лишние useEffect-ы ▪️исправляет проблемы с доступностью (a11y) ▪️prop drilling вместо context / композиции Запускается как CLI или как агент skill. Гоняешь снова и снова, пока всё не проходит. Полностью open source. Запусти это в терминале, чтобы попробовать:

npx -y react-doctor@latest

исходный код

Вышел Codex 0.102 с экспериментальной поддержкой multi-agent. TUI: включается в /experimental -> multi agents config:

[features]
multi_agent = true

В комплекте 3 агента: default для смешанных задач: "spawn default agent to debug the failure and propse fix" explorer для ресерча по кодовой базе: "spawn explorer to map payment flow and check risks, no edits" worker для кодинга и фиксов: "spawn worker for src/auth/* and implement token refresh & run tests" Можно заводить и кастомных агентов. Пример:

[features]
multi_agent = true

[agents.fast_worker]
description = "Fast scoped implementation agent."
config_file = "/Users/<you>/.codex/agents/fast_worker.toml"

~/.codex/agents/fast_worker.toml

model = "gpt-5.3-spark"
model_reasoning_effort = "low"
model_verbosity = "low"

Бонус: сейчас дефолт это 6 agent threads на сессию. Можно поменять так:

[agents]
max_threads = 12

Вышла Claude Sonnet 4.6 с контекстом 1M Теперь можно поставить её дефолтом в Claude Code 💚 UI: /model claude-sonnet-4-6[1m] ~/.claude/settings.json:

{
  "env": {
    "ANTHROPIC_DEFAULT_HAIKU_MODEL": "claude-sonnet-4-6[1m]",
    "ANTHROPIC_DEFAULT_SONNET_MODEL": "claude-sonnet-4-6[1m]"
  }
}

Серьезно, ставь Sonnet везде вместо Haiku. Для продовых реп, которые большие и со сложной логикой, ты хочешь, чтобы работу делал именно Sonnet. Контекст 1M становится дороже только когда объем контекста превышает 200K, но модель работает лучше, когда “знает”, что у нее есть запас по контексту. Чтобы включить 1M контекст в Claude Code на подписочных планах, нужно активировать extra usage в своем плане. Я тестировал модель до 639K контекста и могу подтвердить: никакие мои extra usage credits не тратились, то есть это покрывалось включенным лимитом подписки.

Вышел Qwen3.5-397B-A17B: первая модель с открытыми весами в серии Qwen3.5. » Нативная мультимодальность. Обучена под реальных агентов. » Гибрид: линейное attention + разреженный MoE, плюс масштабирование RL на больших средах. » Декодинг быстрее в 8.6–19.0 раз по сравнению с Qwen3-Max. » 201 язык и диалект. » Лицензия Apache 2.0.

GitHub: https://github.com/QwenLM/Qwen3.5 Chat: https://chat.qwen.ai API：https://modelstudio.console.alibabacloud.com/ap-southeast-1/?tab=doc#/doc/?type=model&url=2840914_2&modelId=group-qwen3.5-plus Qwen Code: https://github.com/QwenLM/qwen-code Hugging Face: https://huggingface.co/collections/Qwen/qwen35 ModelScope: https://modelscope.cn/collections/Qwen/Qwen35 blog: https://qwen.ai/blog?id=qwen3.5

Кто-то собрал ИИ, который одновременно пишет код и лазит по вебу. Называется Accomplish и работает локально, не сжигая API-кредиты. Без Claude Desktop. Без Cursor. Без ежемесячных подписок. 100% open source.

Хватит простыней: один чувак сделал Visual Explainer Это skill для агентa + набор slash-команд, которые заставляют агента объяснять сложные темы не текстом в чатике, а в виде аккуратных HTML-страниц. 💃 Внутри есть референсные шаблоны и библиотека CSS-паттернов, чтобы вывод всегда выглядел одинаково аккуратно и читабельно. Исходники тут

В Kilo Code (CLI и VS Code) сделали GLM-5 бесплатным на ограниченный период времени 👏 Как получить: 1. Скачай CLI и выбери GLM 5 (free) из списка моделей. 2. Если пользуешься расширением для VS Code, выбери GLM 5 (free) в переключателе (model picker). Если хочешь почитать подробнее про GLM-5, загляни сюда

Если тебя уже поджигало от того, что дефолтные сабагенты в Claude Code гоняются на Haiku-моделях, есть супер простой лайфхак, как навсегда это вырубить. Просто ремапни alias через env vars в ~/.claude/settings.json:

{
  "env": {
    "ANTHROPIC_DEFAULT_HAIKU_MODEL": "claude-sonnet-4-5-20250929"
  }
}

По умолчанию Explore Agent садится на Haiku, а Task Agent берется из модели родителя. В больших и сложных репах это легко превращается в пропуски кусков важной логики, потому что Haiku чаще срезает углы. 🥹

RAG, который не сжигает бюджет: новый подход от Meta Большинство RAG-систем просто жгут бюджет. Они вытаскивают 100 чанков, когда тебе реально нужно 10. Они заставляют LLM переваривать тысячи нерелевантных токенов. В итоге ты платишь за вычисления, которые вообще не нужны. Meta AI это порешали. Они сделали REFRAG, новый подход к RAG, который сжимает и фильтрует контекст еще до того, как он попадет в LLM. Результаты звучат крайне интригующе: ▪️в 30.85 раза быстрее time-to-first-token ▪️контекстные окна в 16 раз больше ▪️в 2-4 раза меньше обрабатываемых токенов ▪️обгоняет LLaMA на 16 RAG-бенчмарках Чем REFRAG отличается: классический RAG просто сваливает все в LLM. Каждый чанк. Каждый токен. Даже мусор, который не по делу. А REFRAG работает на уровне эмбеддингов: ↳ сжимает каждый чанк в один эмбеддинг ↳ RL-политика (обученная через reinforcement learning) скорит каждый чанк по релевантности ↳ только лучшие чанки разворачиваются и отправляются в LLM ↳ остальное остается сжатым или вообще отфильтровывается То есть LLM обрабатывает только то, что важно. Пайплайн простой: 1. Закодируй документы и сохрани их в векторной базе 2. Когда приходит запрос, как обычно достань релевантные чанки 3. RL-политика оценивает сжатые эмбеддинги и выбирает лучшие 4. Выбранные чанки разворачиваются в полные token-эмбеддинги 5. Отклоненные чанки остаются одиночными сжатыми векторами 6. Все вместе уходит в LLM Итог: можно прогонять в 16 раз больше контекста в 30 раз быстрее без потери точности. Ссылка на доки 📝

Очередной клон OpenClaw : просто переписанный на Rust. Табличка по перфу, предоставленная автором: » OpenClaw 28MB -> ZeroClaw 3.4MB (сжал в 8 раз) » OpenClaw 5.98s -> ZeroClaw 0s (в ноль) » OpenClaw 1.52GB RAM -> ZeroClaw 7.8MB (разница в 194 раза) 100% исходный код 🫡

Ollama заколлабились с MiniMax и раздали пользователям Ollama бесплатный доступ к MiniMax M2.5 на ближайшие пару дней Запуск:

ollama run minimax-m2.5:cloud

Можно юзать MiniMax M2.5 вместе с OpenCode, Claude Code, Codex, OpenClaw через ollama launch. OpenCode:

ollama launch opencode --model minimax-m2.5:cloud

Claude:

ollama launch claude --model minimax-m2.5:cloud

5 продвинутых советов по Claude Code, которые я использую: 1) самоулучшение через “инъекцию”

“Create a UserPromptSubmit hook (global settings). Script echoes: If 8+ tool calls, append one optimization hint (reusable skill, memory pattern, or workflow fix). One sentence. Skip if exploratory.”

2) аудит skills

"Create a skill that lists all my installed skills (project & global level) with their line counts. Then ask the user which to review for improvement opportunities (conciseness, clarity, overlapping scopes, token efficiency).”

3) аудит Claude-файлов

“Create a skill that reads all CLAUDE .md files and checks for: redundant instructions, verbose phrasing, and content that could move to memory. Present findings and ask if the user wants to implement them.”

4) рефлексия

"Create a skill that reviews the current conversation, analyzes tasks, errors, and user feedback, and extracts opportunities for learning, skill creation, and skill improvement; then, presents the findings to the user and asks what to implement or write to memory.

5) условный линтер промпта

“Create a UserPromptSubmit hook in global settings. The script counts words and, if >50, echoes a note asking Claude to check if the desired outcome is clear. The output gets appended to the prompt.”

Чтобы начать пользоваться, просто скопируй/вставь те однопараграфные промпты выше в Claude Code.