AI для Разработки — Claude | Cursor | Copilot

"Я кнопкодав со стажем смузихлёбства" — исповедь сеньора в 2026 Автор поймал боль, которую многие тимлиды стесняются озвучить. ИИ никого не уволил — он просто заморозил джунов на уровне джуна. Человек решает задачи брутфорсом: закидывает нейронку вопросами, получает ответ за 3 минуты и идёт дальше. А понимания, почему оно работает, как не было, так и нет. И поменялась сама атмосфера в командах. Раньше джун смотрел на старших с уважением, иногда с завистью к их скорости. Сейчас джун "знает лучше", потому что у него подписка и оркестр агентов. Объяснять, что без понимания кода ИИ тебя не спасёт, — бесполезно. Самое честное в тексте: автор не строит из себя гуру. Он прямо говорит — весомых аргументов у меня нет. Если студент делает за 2 часа то, на что он 15 лет назад убивал неделю с форумами и обзвоном коллег, — это обезоруживает. Поэтому он не спорит, а ставит эксперимент: сажает практиканта наедине с курсором и смотрит, что выйдет. 🔥 — узнал себя 🤡 — нытьё динозавра @ai_for_dev

Structured Output + Guard-слои: как заставить LLM играть по правилам Разбор архитектуры AI RPG «Стирая Грань» (FastAPI + PostgreSQL/pgvector + Flutter Web). Ядро — детерминированный бэкенд как source of truth. На каждый ход модель возвращает строгий контракт ProcessTurnResponse:

narration           — текст для игрока (единственное невалидируемое поле)
state_changes       — diff состояния: локация, character_patch по HP, инвентарь, дельты ресурсов
check_occurred      — данные проверки навыка
choices             — варианты быстрых действий
world_event_summary — seeds для фоновой симуляции мира

Всё, кроме narration, проходит валидацию. Трёхслойный заслон от галлюцинаций и prompt injection: даже в JSON mode модель пыталась подмешивать здоровье в нецелевые массивы. Первый слой — Resource Guard с 25 запрещёнными метками Vitality (hp, max_hp, energy, vitality, «здоровье», «мана»…):

if label.lower() in VITALITY_STAT_LABELS:
    отбрасываем

Вывод: жёстко разделяй художественный вывод и игровую механику — доверяй модели только первое. ✍️ — годный контракт 😎 — на выходных перепишу @ai_for_dev

Какой AI-стек для кодинга собрать под свой бюджет Разбивка по деньгам в месяц — выбирай свой уровень боли для кошелька. $200 — берём топ: Claude Max 20x или ChatGPT Pro 20x. Один план, никаких компромиссов. $120 — Claude Max 5x / ChatGPT Pro 5x + Cursor Pro. Уже почти всё что нужно. $60 — ChatGPT Plus + Claude Pro + Cursor Pro. Классика: две модели плюс IDE. $30 — ChatGPT Plus + OpenCode Go. Бюджетный минимум, но работать можно. Главное: без ChatGPT и Claude уже никуда. Это база, к которой докидываем плюшки — дешёвый OpenCode или Cursor с новым Composer 2.5. 🔥 — мой сетап тут 🤔 — а я на $0 сижу @ai_for_dev

Claude Code vs OpenClaw vs Hermes: что брать в 2026 Классический холивар «какой агент лучше» — мимо. Правильный вопрос: готовый по подписке или свой на сервере? Если хочется по-быстрому (SaaS): • Claude Code — для всего, где есть код. Репа, баги, тесты, автоматизация. Под капотом Opus 4.8 / Sonnet 4.6 / Haiku 4.5, для энтерпрайза — через Bedrock или Vertex. • Claude Cowork — десктоп-агент для офисной рутины. Разбирает папки, пишет отчёты, шуршит браузером. Для разработчика — скорее побочный сценарий. Если хочется своё (Self-hosted): • OpenClaw — open source, агент живёт в Telegram или WhatsApp. Контекст и скиллы на твоём железе, не в чужом саду. • Hermes Agent от Nous Research — MIT License, ставится в одну строку: curl … | bash. Помнит всё между сессиями, апается со временем. Не очередной wrapper над API. TL;DR: для пет-проектов и быстрых задач — Claude Code. Для агента, который реально твой — Hermes или OpenClaw. 🔥 — катну Hermes на VPS 🤷 — мне Claude Code хватает @ai_for_dev

Plan-tango: гоняем план между Claude Code и Codex Чувак купил GPT Pro, в комплекте дали Codex — и внезапно самым полезным сценарием стал не код, а cross-review планов. Берёшь PLAN.md, который Claude Code накидал в фазе планирования, кидаешь в Codex: «найди дыры, не пиши код». Получаешь список замечаний, тащишь обратно в Claude. Смыть и повторить. Почему вторая модель видит то, чего автор не видит. LLM-as-judge во плоти: у Codex другие фокусы внимания и другие опасения. Claude писал план на оптимистичной волне («сейчас быстренько добавим хук») — Codex настроения не разделяет. Находки повторяются: edge-кейсы, кривые предположения про API библиотек, шаги, которые сам Claude честно пометил «возможно, понадобится» и сам же про них забыл к концу плана. Засада. Один план автор гонял 15 итераций. Оказалось, если просить LLM «что не так с планом?», она дрейфует к «давай перепишу как должно быть» — то есть к построчному псевдокоду. Звучит как улучшение, пока не вспомнишь, что код потом писать другому агенту. А у него после такого ревью уже нет пространства для решений — за него всё решил критик, который кодовый контекст в глаза не видел. Лечится явным промптом «не переписывай в код, оставляй решения writer-агенту». Подробнее на Habr 💯 — рабочая схема 🤷 — у меня одна подписка @ai_for_dev

Карта всех ML-библиотек Python в одном месте Знакомо: ищешь либу под задачу, открываешь десятый туториал, а там опять то же самое? Вот лекарство. Best-of Machine Learning with Python — это курируемый GitHub-список, где 920 проектов разложены по 34 категориям и отранжированы по качеству. Не по хайпу, а по реальным метрикам из GitHub и менеджеров пакетов. Фреймворки, NLP, картинки, AutoML, деплой, интерпретируемость — заходишь в нужный раздел и сразу видишь топ. По каждому проекту видно звёзды, форки, issues, контрибьюторов, загрузки и насколько живая разработка. В сумме там 5.1M звёзд, обновляется каждую неделю. Всё лежит на GitHub, лицензия CC BY-SA 4.0 — можно и звезду влепить, и свой проект предложить. 🔥 — забираю в закладки 👀 — вечером залипну @ai_for_dev

Скормил агенту чужой дизайн — и он наконец понял Знакомо: нашёл красивый лендинг, хочешь похожую айдентику, но объяснять Cursor «сделай как вон там» — боль. designmd.supply решает: кидаешь ссылку на любой сайт и получаешь бренд-кит, который агент реально читает. Инструмент делает скриншот, считывает цвета, шрифты, отступы и структуру, а потом упаковывает всё в три формата: — DESIGN.md (со всеми секциями, как по учебнику) — тема для Tailwind v4 — CSS-переменные Дальше просто отдаёшь файл агенту — и он лепит в нужном стиле. Код открытый, есть веб-версия и локальная установка. 🔥 — пойду подсматривать дизайн 😎 — вот это по-человечески @ai_for_dev

«У нас интернета нет». Как затащили AI-агента в air-gapped контур Ребята из «Первой Формы» полтора года крутили AI-ассистента в облаке: 70 модулей, 37+ инструментов, классификация, поиск по доке, проверка контрагентов через Контур.Фокус, формирование КП. Всё красиво — GitLab, CI/CD, дашборд, разные модели под разные задачи. И тут приходит промышленный заказчик: «У нас закрытый контур. Интернета нет. Облачных API нет. Есть сервер с локальной моделью. Сделайте как у вас». 🙃 Спойлер от авторов — не без приключений. Особенно весело стало с поиском по документации: гибридный пайплайн BM25 → dense vectors → cross-encoder rerank наполовину жил на облачных эмбеддингах. Плюс отвалились все внешние API и привычный CI/CD через GitLab webhook. В статье — честный разбор, что переписали, что выкинули и где пришлось наступить на грабли. Полный текст на Habr 🔥 — знакомая боль 👀 — надо глянуть @ai_for_dev

Zero Trust для AI-агентов: модель угроз и baseline защиты Агентная LLM-система получает цель, планирует шаги и вызывает внешние инструменты: файловую систему, браузер, БД, корпоративный API, SIEM, CRM. В отличие от чат-бота, она меняет состояние внешних систем — значит, требует отдельной модели безопасности. Ключевые векторы: агент читает недоверенный текст (риск инъекции в промпт), вызывает инструменты с побочными эффектами и хранит память между шагами. Поэтому идентификацию, права и каждый вызов инструмента проверяют отдельно. Минимальный baseline: - минимальные права на каждый инструмент (least privilege на уровне tool calls); - сегментация доступа к данным и действиям; - полная наблюдаемость — лог каждого вызова инструмента и изменения состояния; - дизайн-тест каждого действия: атака невозможна или просто неудобна? Опора — NIST SP 800-207 и материалы Anthropic по Zero Trust для агентов. Принципы переносятся на любой агентный процесс. 😐 — добавлю в threat model 🤔 — пора аудитить tool calls @ai_for_dev

«Без ИИ — ни строчки»: чем это аукнется Прикол 2026 года: лаборатория METR хотела повторить эксперимент про продуктивность, а разработчики слились — работать без ИИ не согласны даже за науку 🤷 При этом прошлый замер показал смешное: код модель выдавала быстрее, но потом народ дольше ловил баги и нянчил ассистента. Итог — медленнее, чем руками. Хайп вокруг «tokenmaxxing» (меряем пользу сожжёнными токенами) тоже сдувается. Amazon прибил свой лидерборд Kirorank — его накручивали агентами и палили бюджет. Uber слил весь годовой ИИ-бюджет за четыре месяца, а толку ноль. И вишенка от James Shore: «Пишешь код вдвое быстрее? Молись, чтобы и поддержка подешевела вдвое. Иначе ты променял временный разгон на вечную кабалу». Источник 😁 — это буквально я 🤔 — но обратно уже не могу @ai_for_dev

«Наймём двух фуллстеков, остальное закроет AI» — и почему потом бюджет плачет Знакомая история? CTO послушал конференции, поверил в «AI заменит всех разработчиков» и собрал команду из двух senior fullstack. Прототип взлетел 🚀 А как дошло до масштабирования — бюджет ушёл в депрессию. Наталья Лебедева (10+ лет в скрам-командах) честно раскладывает, на ком можно экономить, а на ком нельзя. Берёт три стадии: MVP, рост и стабильная разработка. Инструменты — те самые Cursor, Claude Code, Copilot. Что правда: - middle с агентом за день делает то, на что раньше уходила неделя; - прототип, который требовал 3–5 человек, один чел собирает по вечерам за неделю. О чём все молчат: «написать код» ≠ «сделать боевую систему». В бою баги и техдолг не проигноришь. AI удешевил итерацию, но подорожала ошибка — кинул размытую задачу агенту, получил экспоненциальный хаос вместо экономии. Разбор по ролям целиком — тут. 🔥 — буду показывать своему CTO 🤡 — а у нас всё ещё «AI всё сделает» @ai_for_dev

Агенты обещали революцию. Прошло два года — давайте честно Помните мечту? «Дай агенту цель — он сам напишет код, протестит и выкатит в прод». Демки, где агент за ночь пишет SaaS. Тысячи звёзд на GitHub. LangChain, AutoGen, CrewAI, LlamaIndex и ещё двадцать имён, которые вы уже забыли. А потом начался прод. 🎲 Надёжность — это рулетка. Гоняешь один таск пять раз: три ок, один уходит в бесконечный loop, ещё один выдумывает несуществующий инструмент и бодро отчитывается «готово!». В скрипте у тебя 0 или 1. У агента — *вероятность*. А вероятность в проде — это головная боль в три часа ночи. 💸 Бюджет токенов улетает за ночь, когда агент залип в петле и молотит по API до твоего утреннего алерта. 🔦 Observability — что он вообще делал последние 40 секунд? Логи как поток сознания. Итог: рынок не сдох, он отсеялся. Выжил не фреймворк, а паттерн. Концепции работают, а вот обёртки часто переинженерены до боли. 😁 — больно знакомо 🤔 — а у нас взлетело @ai_for_dev

Ralph Wiggum: Claude Code, который просто не останавливается Если заглядывали в техно-Twitter — видели, как про «Ralph Wiggum» говорят будто это чит-код. Нейминг дурацкий, но идея рабочая: это официальный плагин для Claude Code, который гоняет один промпт по кругу, пока задача реально не сделана. Представьте стиралку в режиме повтора: - кидаете задачу (промпт); - агент крутит цикл — правит файлы, гоняет тесты; - пытается остановиться; - плагин говорит «ещё рано» и подкидывает тот же промпт обратно. Фишка в том, что промпт не меняется, а код меняется — агент учится на собственном выводе, читая обновлённые файлы и результаты тестов. Поэтому приличный промпт + цикл обходят одиночный «one-shot», особенно на скучной механической работе. Чтобы оно не крутилось вечно — ставите лимит итераций и строку-пароль завершения, которую агент выведет только когда всё готово. Промпт точный + результат проверяемый = сходится. Промпт мутный = бродит кругами. 😎 — на выходных потестю 🤡 — оно мне прод снесёт @ai_for_dev

Хватит руками выдумывать edge cases — пусть машина ломает ваш код Знакомо? Написал десяток тестов на «хитрые» входы, радуешься покрытию, а прод падает на строке из одних пробелов. Классика: URL-нормализатор отлично жуёт странные урлы, но на " " молча отдаёт пустую строку. Теста, конечно, нет. Тут на сцену выходит Hypothesis — property-based testing для Python. Идея простая: ты не перечисляешь примеры, а описываешь свойство, которое должно держаться для любого входа. Было:

def test_round_trip_specific():
    assert decode(encode("hello world")) == "hello world"

Стало:

from hypothesis import given
from hypothesis import strategies as st

@given(st.text())
def test_round_trip_any_string(s):
    assert decode(encode(s)) == s

Дальше библиотека сама накидывает тебе сотни входов — пустые строки, unicode, null bytes, монструозно длинные значения — и целенаправленно пытается всё уронить. А когда роняет, сама ужимает вход до минимума: Falsifying example: url=''. Красота. Три свойства, которые заходят почти везде: round-trip (туда-обратно = то же самое), идемпотентность (применил дважды — ничего не изменилось) и просто не падай (парсер не должен крашиться на любом мусоре). 🔥 — пойду натравливать на свой парсер 👀 — звучит как магия, проверю @ai_for_dev

ИИ-агенты в проде: какие приёмы можно забрать в свой продукт Аналитик из Cloud.ru разобрала несколько агентов разной степени зрелости. Самый показательный — Pixel Societies: вместо того чтобы свайпать самому, вы отправляете в симуляцию своего ИИ-двойника, а он общается с двойниками других людей и подбирает совпадения. Для разработчика интереснее не сама идея, а два паттерна под капотом: 1. Отложенный вывод. Агент сначала прогоняет несколько взаимодействий в песочнице и только потом выдаёт результат — выводы о совместимости не делаются «с порога». 2. Memory Stream. Память делится на три типа записей: наблюдения (сырой опыт), размышления (периодическое переосмысление) и планы (стратегия дальше). Принцип близок к стэнфордской работе о генеративных агентах 2023 года. Главная боль на практике — двойник галлюцинирует и выдумывает факты, поэтому критично, чтобы архив памяти не путал контексты разных собеседников. 🤔 — занятная архитектура 👀 — заберу паттерн @ai_for_dev

Больше не рисуем логотипы руками Нашлась годная штука — Developer Icons, открытая коллекция из 300+ SVG-иконок: языки, облака, инструменты, компании. Всё в хорошем качестве и сразу качается. Что радует: • Есть светлые и тёмные варианты • Меняй размер, цвет, толщину линий — как удобно • Подключается как npm-пакет или React-компонент • И всё это бесплатно и опенсорс Идеально, когда надо быстро накидать иконки стека в README или на лендинг. Ссылка: developer-icons. 🔥 — заберу в проект 👀 — гляну на досуге @ai_for_dev

Где взять API нейросети бесплатно (и не платить $20/мес) История знакомая: делаешь бота на Aiogram, VPS за 150 рублей, и тут вопрос — за чей счёт банкет? Гипотеза ещё не проверена, а подписку уже просят. Не, мы не ищем лёгких путей. Что есть на халяву: 🔥 Groq (console.groq.com) — чипы LPU, Llama 3.1 8B жарит ~2000 токенов/сек, API как у OpenAI. Бесплатно: 14 400 запросов в день — это 10 в минуту нон-стоп сутки напролёт. Боту с сотнями юзеров хватит за глаза. Бонусом Whisper (распознаёт голосовые) и TTS, правда TTS всего 100/день — на «привет» хватит, на контент нет. OpenRouter (openrouter.ai) — агрегатор кучи моделей: 50 запросов/день даром, 1000/день если закинуть $10 (на free-модели деньги не списываются). Gemini (aistudio.google.com) — flash и pro бесплатно, но твои промпты уходят Google на обучение. Платный тир это выключает. Cloudflare Workers AI (developers.cloudflare.com) — 10 000 Neurons в день. Итого: прототип можно гонять вообще за 0 рублей. 🎉 — даром же, беру 🙏 — спасибо, кошелёк цел @ai_for_dev

Наконец-то единый справочник всех AI-моделей Знакомая боль: надо сравнить цены и окна контекста у разных моделей, а единой базы нет — лезешь по десятку сайтов и собираешь всё руками. Models.dev это закрывает. Опенсорс-база с метаданными десятков моделей: цены, контекст, модальности, провайдеры. И всё доступно через API одной командой:

curl https://models.dev/api.json

Берёшь поле Model ID — и подтягиваешь любую модель (тот же ID, что в AI SDK). Данные лежат TOML-файлами, правит сообщество, так что свою модель можно докинуть обычным PR. Звёзды — на GitHub. 🔥 — self-hosted gang 👏 — пошёл ставить звёзды @ai_for_dev

Когда tmux уже не вывозит: командный runtime для AI-агентов Соло-разработка с агентами — решённая задача: Agent Deck, Vibe Kanban, /agent-view в Claude Code. А вот когда вас 2+ человек — начинается боль. Не «как запустить 500 сессий», а кто, где и с какими правами их запускает, кто может подключиться к сессии джуна для ревью, как не раздать всем root и не словить хаос. Чувак с Habr расписал 3 уровня зрелости командного runtime и как перейти с нулевого (агенты на ноуте) на первый (управляемая команда). TL;DR минимальной схемы: — Агенты живут на dev-серверах, не на ноутах — Долгие сессии держит tmux, подключение — Eternal Terminal (не отвалится) — У каждого свой linux-юзер, агенты запускаются от отдельного юзера с урезанными правами — Поверх tmux — менеджер сессий, чтобы лиды могли видеть сессии разных людей на разных серверах и делать attach — События логируются для аудита Это не замена контейнерам и DLP — это базовая гигиена, чтобы команда из 2-5 человек не закопалась. Статья на Habr 🔥 — забираю схему 👀 — посмотрю, мы пока соло @ai_for_dev

«Просто прикрутим RAG» — ага, щас Чувак собрал локальный стенд и проверил, где RAG реально начинает тормозить. Спойлер: не в векторной БД, как все боятся. Основная задержка — это эмбеддинг запроса и раздутый промпт, который модель потом мучительно переваривает. Что вынес: • Top-k и chunk size — это решения архитектора, а не галочки «по умолчанию». Поставил наугад — получил тормоза или мусор в ответах. • Больше контекста ≠ умнее. Запихал полкорпуса в промпт — заплатил токенами и задержкой, а качество не выросло. • Стратегию поиска надо выбирать под тип вопроса и данные. Универсальной «правильной» настройки нет. Стенд скромный: Mistral 7B, Chroma, Ollama, RTX 3090 Ti — без агентов и реранкинга. Не бенчмарк, а честный разбор граблей. Вся кухня с цифрами — тут, на Хабре. 🔥 — узнал свои грабли 😎 — почитаю на выходных @ai_for_dev