AI для Разработки — Claude | Cursor | Copilot

Pipecat: собираешь голосового агента как из кубиков Если когда-нибудь пытался склеить голосового бота из десятка сервисов — знаешь эту боль. Pipecat берёт всё на себя: распознавание речи, синтез, логику диалога и общение в реальном времени. Архитектура voice-first и подключаемая — можешь мешать провайдеров как захочешь. Транспорты WebRTC и WebSocket уже внутри, задержка низкая, разговор получается живой, а не «робот думает 5 секунд». Что делают на нём люди: голосовых ассистентов, компаньонов, агентов поддержки клиентов, интерактивные истории — фантазия ограничена только API-ключами. Сервисов подключается вагон: STT (Deepgram, Whisper, Groq), LLM (OpenAI, Anthropic, Gemini, Ollama), TTS (ElevenLabs, Cartesia, Deepgram) и даже speech-to-speech вроде OpenAI Realtime. Бонусом автор написал туториал про продакшен-агента поддержки: как ловить перебивания и жить с телефонными кодеками. 🔥 — иду собирать говорящего бота 👀 — сначала гляну примеры @ai_for_dev

Агенты пишут код за секунды. А кто отвечает за качество? Андрей Бровко из Авито Авто задаёт неудобный вопрос: агент генерит код мгновенно, но если процессы кривые — он просто быстрее доставляет баги. Скорость ≠ качество, спойлер прямо в начале 🙂 Немного цифр по SWE-bench: в 2023 агенты вывозили 2% задач, в 2025 — уже 70%+, а в 2026 — 80%+. Прогресс дикий, задачам с гитхаба реально можно доверять. Дальше про два лагеря. Вайб-кодинг — это когда просишь модель что-то сделать, а внутрь не смотришь. Для пет-проекта норм, для серьёзного продакшена — так себе. И agent engineering — тот же агент, но в рамках понятной методологии, с предсказуемым результатом. Автор сам сидит на Claude Code и Codex — топ бенчмарков плюс адекватная цена токенов по подписке. Внутри статьи: как внедряли агентов в Авито, навыки и MCP-серверы, Spec-Driven Development, тестирование и метрики. Источник: habr.com 🔥 — agent engineering наш путь 🤡 — вайб-кодер это я @ai_for_dev

Чувак заменил Datadog одним бинарником и срезал счёт за инфраструктуру на 98% Знакомьтесь — OpenObserve. Логи, метрики, трейсы и мониторинг фронта в одном self-hosted инструменте. Сделан ровно для того, чтобы счета не росли с каждым новым хостом и метрикой. → Один бинарник, поднимается меньше чем за 2 минуты. Никакого кластера и зоопарка компонентов → Внутри Rust и движок DataFusion — не задыхается даже на петабайтах → Хранит данные в Parquet + S3, а не в проприетарном формате — вот отсюда и вся экономия → Запросы на SQL или PromQL — команде не надо учить новый язык только ради дашбордов → Дружит с OpenTelemetry из коробки, свои агенты ставить не нужно → Готовые дашборды от сообщества: Kubernetes, Docker, Postgres, AWS и даже наблюдаемость за LLM По их же бенчмарку: 16 сервисов стоили $174 в день в Datadog против $3 в день на self-hosted. Да, цифра от самого вендора — так что проверяйте на своём кейсе, прежде чем нести начальнику. Уже 18 000+ звёзд на GitHub. 🔥 — пойду пробовать 👀 — надо глянуть на своём стеке @ai_for_dev

OpenAI выкатывает клавиатуру для вайбкодеров 😆 Это не шутка: судя по утечкам, сегодня покажут компактную Codex Micro — с шестью кнопками с подсветкой, которые прямо на столе показывают, чем сейчас заняты твои ИИ-агенты. Кнопки, энкодер и джойстик можно переназначить под команды Codex и любые другие приложения. А промпты, походу, придётся надиктовывать агенту голосом. Готовим кошельки — железка для тех, кто уже живёт в агентах. 🔥 — хочу пощупать 🤷 — обойдусь клавой @ai_for_dev

Kimi K5: китайцы завезли монстра В Китае показали новую модель с заявленными 3 трлн параметров — говорят, крупнейшая среди местных. Плюс окно контекста до 1 млн токенов и упор на кодинг и логику. Если цифры не маркетинг, то в теории можно закинуть половину репозитория целиком и не резать на куски. Посмотрим, как оно себя поведёт на реальных задачах, а не в пресс-релизе. 💯 — параметры радуют глаз 🤩 — китайцы опять удивили @ai_for_dev

Китайцы готовят громкий релиз: на подходе Kimi K3 😳 Moonshot показали новую модель Kimi K3, и заявка серьёзная. Что известно по утечкам Financial Times: — будет открытой (open-weight), 2–3 трлн параметров — крупнейшая в Китае; — окно контекста на 1 млн токенов; — и вишенка: должна обойти Claude Opus 4.8 в бенчмарках. Опять «DeepSeek-момент»? Посмотрим, как оно окажется на практике. 🔥 — жду открытые веса 🤔 — сначала бы релиз @ai_for_dev

Русский Agentic RAG в опенсорсе: встречайте T-Search «Т-Технологии» выкатили в открытый доступ T-Search — модель-ретривер для многошагового поиска по корпоративным доккам. Самое вкусное: она просто встаёт вместо поискового модуля в ваших готовых агентах, ничего не переписывая. Задача у неё одна, но важная — собрать нормальный контекст из внутренних баз, а генерить ответ пусть дальше любая LLM. На бенчах умудрилась обойти модели покрупнее, включая GLM-5.2 и Kimi-K2.6. А теперь то, ради чего мы тут: инференс дешевле на 20–50%, и крутится всё на одном H100 — под капотом Qwen3.6-35B-A3B, где из 35 млрд параметров активны только 3 млрд. Веса лежат на Hugging Face, что к чему — по ссылке. 🔥 — качаю на своё железо 👀 — а как оно на моих доках @ai_for_dev

Найдёте пять багов в коде, который дёргает LLM? Вызвать модель — три строки: клиент, промпт, response.choices[0].message.content. Туториалы на этом и заканчиваются. А настоящая работа начинается, когда ответов нужно полмиллиона, когда прилетает 429, когда клиент отвалился по таймауту, а модель всё дописала — и денежки уже списали. Смешно: с обычными кривыми зависимостями питонист — красавчик. Таймаут поставит, retry повесит, кеш, пул соединений. А LLM-клиент суёт в код будто это локальная функция. Без тормозов вообще. Классика жанра — распараллелить пачку через asyncio.gather:

results = await asyncio.gather(*[classify(t) for t in texts])

Красиво, но не работает: десять тысяч корутин ломятся разом, провайдер выдаёт лавину 429, и даже неудачные запросы жрут лимит. Чем сильнее долбишься — тем меньше проходит. Первым делом — потолок конкурентности:

sem = asyncio.Semaphore(20)

И подбирай его по TPM, а не по RPM — с длинными промптами упрёшься в токены раньше запросов. А ещё сервер сам говорит retry-after-ms, через сколько бюджет вернётся. Слепой sleep(5) вместо этого — либо ждёшь зря, либо ловишь второй 429. 😁 — узнал свой прод 👀 — пойду чинить семафоры Источник: habr.com @ai_for_dev

LM Studio завезла Bionic — агента для локальных моделей В общем, LM Studio выкатила Bionic — ИИ-агента, который живёт целиком у вас на машине. Никакого обязательного облака: агент лезет в файлы на диске, пишет код, правит доки, собирает таблицы и презентации. А команды можно тупо надиктовать голосом — за распознавание отвечает Voxtral. Модели ищутся и качаются прямо из интерфейса. Не хватает железа — можно подцепить облако через аккаунт LM Studio. Почему только сейчас? Разработчики говорят, что открытые модели вроде Kimi K2.6 и GLM 5.2 недавно дозрели, и агентные сценарии на них наконец поехали нормально. Забавный штрих: Bionic пишут с помощью самого Bionic. Правда, ставить его придётся отдельно от обычной LM Studio — одной кнопкой оба не поставить. Читать 🔥 — self-hosted gang торжествует 👀 — а сколько оно памяти сожрёт @ai_for_dev

Giskard — гоняем агентов до отказа Ваш агент падает не от одного сообщения. Он тихо разваливается на дистанции: несколько диалогов, пачка вызовов инструментов, пара смен контекста — и привет. Ловить такое руками — боль. Giskard — open-source библиотека на Python, которая как раз про эти сценарии. Версия v3 переписана с нуля под многошаговое тестирование и красное командование (red teaming) агентов. Что внутри: - Оборачивает LLM, агент-чёрный ящик или целый пайплайн - Модульно и async-first — тянешь только то, что нужно - Сканер уязвимостей + оценка RAG из коробки Ставится по классике:

pip install giskard

Нужен Python 3.12+. Всё лежит на GitHub. 🔥 — иду ронять своего агента 👏 — пошёл ставить звёзды Источник: github.com @ai_for_dev

Твой лучший инженерный дневник — тот, что ты никогда не вёл Чувак полвечера дебажил утечку коннектов в postgres и на середине понял: он это уже чинил. Не похожее — то же самое. Тот же сервис, тот же pgxpool, те же симптомы. Фикс нашёлся ближе к полуночи — не в git, не в заметках (их, конечно, не было), а в апрельском транскрипте Claude Code под ~/.claude/projects/. Дальше он прикинул, сколько такого добра накопилось. Итог — 3,3 ГБ и около 50 000 сообщений от разных агентов. Каждый разобранный баг, каждая рабочая команда, каждый тупик. Только читать это невозможно: grep тонет в выводе tool-вызовов, а под каждый формат пилить jq-пайплайн — удовольствие ниже среднего. А форматов, на секундочку, восемь, и документации по ним ровно ноль. Так родился deja — один Go-бинарь без зависимостей, который парсит все восемь форматов в общий локальный индекс:

deja "connection pool exhausted"

Ищет сразу по всем агентам, работает по тому, что уже лежит на диске — никакого холодного старта. 🔥 — пойду копать свои логи 😁 — заметки? не, не слышал Источник: habr.com @ai_for_dev

Понять чужой код за минуту Нашёлся сервис Foglamp, который берёт ваш репозиторий и рисует красивую интерактивную схему всего, что там происходит. • Все зависимости, интеграции и базы данных как на ладони — легаси видно сразу • Заодно разбирает кастомных ИИ-агентов • Ни установки, ни аккаунта — закинул репу и смотришь Потрогать тут. 🔥 — закину свой спагетти-код 👀 — а приватные репы потянет? @ai_for_dev

Мурати выкатила Inkling — и он с китайским акцентом Thinking Machines Lab шли к первой модели почти полтора года — и вот Inkling. Мультимодалка на «смеси экспертов»: 975 млрд параметров, 41 млрд активны на токен, текст-картинки-аудио, до 1 млн токенов контекста и режим рассуждения. Кайф в том, что веса открытые — уже на Hugging Face, качай и дообучай. По агентному кодингу (Terminal Bench 2.1) держится вровень с Nemotron 3 Ultra, но жрёт втрое меньше токенов. Ещё фишка — регулируемое «усилие мышления» от 0.2 до 0.99: сам крутишь ползунок цена/качество. А самое смешное спрятано в разделе про обучение: чтобы стартануть, американцы дообучились на синтетике от китайских моделей, включая Kimi K2.5. Возвращение США в открытые веса — на китайском топливе. Детали на Хабре. 🐳 — китайский след 😎 — заберу на выходных @ai_for_dev

Скилл, который не верит багам на слово Для Codex завезли Bug Reproducer — штука, которая сама лезет в твой проект, находит подозрительные места и, главное, доказывает баг падающим тестом, а не «ну тут вроде сломается». Пока тест не упал по предсказанной причине — это не баг, а гипотеза. Как работает: → Прочёсывает код, собирает список вероятных косяков → Сортирует по опасности → Показывает, что именно триггерит ошибку и где → Пишет точечные тесты на самых злых кандидатов → Отсекает ложные срабатывания → Спрашивает разрешение дважды: сначала на тесты, потом на правку кода В конце — отчёт в Markdown с доказательством «было красное → стало зелёное». Никаких сюрпризов в продакшене от того, что он что-то по-тихому переписал. Ставится одной строкой:

npx --yes codex-bug-reproducer@latest

Код — тут, на GitHub. 🔥 — натравлю на легаси 👀 — сначала гляну репозиторий @ai_for_dev

💻 Браузер, которым рулит ИИ глазами Знакомьтесь — Magnitude: открытый агент, который смотрит на страницу как человек и делает то, что вы попросили обычным текстом. Никаких плясок с XPath — он просто видит кнопку и жмёт. Что умеет: ‣ понимает любой интерфейс и сам придумывает план; ‣ кликает и печатает за вас; ‣ вытаскивает данные в нужной структуре; ‣ гоняет визуальные проверки — удобно для тестов. Можно автоматизировать рутину, склеить сервисы без API или собрать своего браузерного агента. И да — проект бесплатный и опенсорс (94% на WebVoyager, между прочим). Старт — секундное дело:

npx create-magnitude-app

Нужен Node.js 18+, а зрительную модель цепляете сами: авторы советуют Claude Sonnet 4, но зайдёт и Qwen 2.5 VL 72B. Забрать на GitHub 🔥 — пойду автоматизировать рутину 👀 — надо потыкать на выходных @ai_for_dev

Гонка провайдеров: лимиты сброшены, Grok Build — в опенсорсе На фоне конкуренции сразу три компании сделали подарок разработчикам за одно утро. — Anthropic сбросил пятичасовые и недельные лимиты. — OpenAI в честь 9 млн активных пользователей Codex сбросил лимиты Codex и ChatGPT Work. — Главное: xAI выложила своего агента Grok Build в опенсорс и тоже сняла лимиты для всех. Grok Build — терминальный агент для кодинга (TUI на Rust): понимает кодовую базу, редактирует файлы, выполняет shell-команды, ищет в вебе и ведёт долгие задачи. Работает интерактивно, в headless-режиме для CI и встраивается в редакторы через ACP. 🔥 — забираю в стек 🤔 — посмотрим на деле @ai_for_dev

Захотел полку — собрал 3D-сканер комнаты на SAM, CLIP и DINOv2 Человек хотел сколотить книжную полку, но возиться с рулеткой скучно. А живём мы в эпоху воплощённого ИИ — так почему бы не заставить машину сделать замеры за тебя? 🙃 Смысл в чём: снимаешь комнату на телефон, получаешь плотное облако точек. Красиво, но бесполезно — картинка не скажет, где стены и сколько там стульев. Пока точка не «осознает», что она часть пола, это просто набор координат, а не комната. И вот кайф: обучать ничего не надо. Готовые сеточки компьютерного зрения и так всё понимают на кадре. Задача — не тренировать, а правильно их оркестрировать и перетащить знания из 2D в 3D. В гайде весь путь: видео → облако точек → разметка словами вместо бесконечных кликов → трекинг объектов между кадрами → готовый чертёж. И да, по этой модели автор реально собрал кухонную тумбу — встала как влитая, без единого ручного замера. 🔥 — гениальный оверинжиниринг 😎 — заберу на выходные @ai_for_dev

Хватит шаблонных макетов от ИИ Знакомая боль: просишь агента накидать интерфейс, а он выдаёт очередной одинаковый шаблон. The Taste лечит именно это. Это набор скиллов для Cursor, Claude Code, Codex, Gemini CLI, v0, Lovable и других. Читает бриф, сам понимает нужное направление и выдаёт нешаблонные интерфейсы. По мелочи умеет много: — стиль и дизайн под конкретную задачу — современные анимации и единый вид всего проекта — светлая и тёмная темы на автомате — редизайн уже существующих сайтов — повторяет интерфейс по картинке — сам проверяет, что в итоге получилось Бонусом — концепты сайтов, мобилок и бренд-киты. Ставится одной командой и, что приятно, бесплатно. Забрать: tasteskill.dev 🎉 — прощай, шаблоны 🤔 — поверю, когда увижу @ai_for_dev

OpenJarvis: свой личный Джарвис без облака Собрать костюм Железного человека в гараже пока не выходит, а вот умного помощника — вполне. Стэнфорд выкатил OpenJarvis, открытый фреймворк для персональных ИИ-агентов, которые крутятся полностью на вашем железе. Никаких платных и дырявых API — всё приватно. По цифрам звучит бодро: проверили на 20+ моделях, локально закрывается 88,7% обычных запросов. Эффективность за пару лет подросла в 5,3 раза — было 23,2% задач, стало 71,3%. Похоже, домашние модели реально дозрели. Внутри — модульная архитектура из пяти кирпичиков: Agents рулят поведением, Tools and Memory отвечают за данные и интеграции, Learning дообучает на логах, Intelligence подбирает модель под ваши ресурсы. Собираешь как конструктор. 🔥 — прощай, платный API 👀 — покажите репозиторий Источник: habr.com @ai_for_dev

Наконец-то тулза против кода-слопа от нейронок Знаете этот почерк AI-проектов? Индиго-градиенты, светящиеся карточки, эмодзи в каждом углу и капсовые плашки со статами. Машина тянется к этому, когда хочет выглядеть солидно, но вкуса нет. Kill AI Slop это лечит. Как работает: • каталог из 33 признаков AI-слопа, у каждого демо before→after; • Agent Skill kill-ai-slop — ставится в Claude Code, Cursor и прочие, сканит проект и объясняет, почему кусок выглядит машинным; • сканер ничего не редактирует сам — только показывает, где косяк. Правки делает минимальные, логику и структуру не ломает. И да — всё бесплатно. Забрать можно на GitHub. 🎉 — бесплатно, беру 🙈 — узнаю свой прод @ai_for_dev