AI для Разработки — Claude | Cursor | Copilot

AI обещал 10x, а по факту? Год назад все хором обещали, что с AI разработка полетит в десять раз быстрее. Ну и где? CTO по AI из red_mad_robot честно разбирает, почему ракета не взлетела. Они раздали команде Cursor AI — писать всякие скрипты и утилиты, не трогая боевой продакшен. И тут сюрприз: почти все залипли в режиме «Auto» с дефолтными настройками и вообще не пытались настроить инструмент под свои задачи 🤷 Мораль простая: сам по себе AI-ассистент ничего не ускоряет. Чтобы агент выдавал вменяемый и предсказуемый результат, его надо готовить — разбираться с MCP, контекстными навыками и промптами (Plan-Act, SDD и прочая инженерия). И да, магии не будет: чтобы органично встроить агентов в рабочку без просадки качества кода, инженерам нужно 3-6 месяцев. Не выходные, а полгода. Полный текст: Habr 🤔 — узнал свою команду 😁 — «Auto» это про нас @ai_for_dev

Phantom squatting: как галлюцинации LLM превращаются в атаку на цепочку поставок Unit 42 показали, что галлюцинации доменов у LLM определяются паттернами модели, а не шумом: на одинаковых запросах разные модели сходятся на одних и тех же несуществующих URL. Это делает выдуманные адреса предсказуемыми — и потому пригодными для атаки. Вектор: LLM всё чаще участвует в разработке — AI-ассистенты подсказывают ссылки на документацию, webhook-эндпоинты, сторонние сервисы, а агенты сами выполняют HTTP-запросы к сгенерированным URL. Атакующий заранее регистрирует часто галлюцинируемый домен и перехватывает этот трафик. Методология: 685 339 запросов по 913 брендам через несколько конфигураций двух моделей → 2,1 млн URL, из них 13 229 подтверждённых вредоносных и ~250 000 незарегистрированных галлюцинированных доменов. Проактивный мониторинг регистраций давал упреждение 18–51 день; в кейсе Montana Empire фишинг-кит был собран с помощью AI-ассистента и нацелен на домен, помеченный как высокорисковый за 23 дня. Технический разбор Unit 42. 🤔 — аудит URL от LLM 😐 — цепочка поставок под угрозой @ai_for_dev

Мини-модель обошла старших — и вот как Слышали про челлендж ECOM1 от BitGN? Прошёл в мае: AI-агенты рулят целым интернет-магазином — корзины, заказы, чекаут, фрод, возвраты, сбои оплат. Полный набор боли. Зацепил один агент — Exoskeleton от Ильяса Салихова, CTO RetailCRM. Он взял 1 место в Speed и 1 место в Live PROD. И всё это на gpt-5.4-mini — модели в 6 раз дешевле той, на которой сидели конкуренты)) Как? Вокруг слабой модели — каркас из кода и nano-моделей. Данные грузятся заранее, nano-классификатор ловит фрод и манипуляции, вся тяжёлая логика в коде. Модель делает только то, в чём реально сильна. «Экзоскелет», не иначе. Подробный разбор со схемами: English, русская версия. 🔥 — код рулит, не модель 😎 — заберу подход себе @ai_for_dev

Твоему второму мозгу нужен не демо-чатбот, а нормальный ассистент Decoding AI выкатили бесплатный open-source курс: как собрать ассистента для своей базы знаний на LLM, агентах, RAG и LLMOps. От кучи разрозненных заметок — до полноценного помощника, который сам находит нужное. Всё разложено на шесть модулей: пайплайны данных, генерация датасета, тонкая настройка, развёртывание, продвинутый RAG и агентный инференс с наблюдаемостью. Почему стоит глянуть: • Ставить Notion не обязательно — дают публичный снимок базы • Учат на реальном стеке: ZenML, Opik, Comet, Unsloth, MongoDB, Hugging Face, OpenAI • Готовый код, uv/ruff и Docker — не слайды ради слайдов • Лицензия MIT, бери и делай Код на GitHub 🎉 — бесплатно? беру 👏 — пошёл ставить звёзды @ai_for_dev

Собери свою инфраструктуру для агентов Появилась годная подборка — Awesome Harness Engineering. Это про то, что вокруг модели: как доставлять контекст, гонять циклы агента, хранить память и проверять результат. По сути, всё, что модель сама пока не тянет. Внутри разложено по полочкам: → основы обвязки и управление контекстом; → циклы агентов, память и верификация; → MCP-серверы и скиллы; → песочницы, оркестрация и мульти-агентные воркфлоу; → материалы от OpenAI, Anthropic, Google, IBM и LangChain. Кидаем в закладки — тут на GitHub. 🔥 — то, что искал 🤔 — сначала полистаю @ai_for_dev

Халява: бесплатный API для озвучки Ребята из Fish Audio раздают API своей модели S2.1 Pro совершенно бесплатно — но только до 24 июля, так что не тяните ☕️ Поддерживает аж 83 языка (русский на месте), а ещё есть метатеги вроде [шепчет] и [смеётся] — можно накрутить эмоций в голос. Захотел озвучить себе аудиокнигу или прикрутить TTS к пет-проекту — сейчас самое время. Ключ берётся вот тут. 🎉 — халява, качаю ключ 😎 — гляну на выходных @ai_for_dev

Две трети ИИ-приложений на iOS сливают ключи Исследователи прогнали 444 iOS-приложения с ИИ-фичами через динамический анализ трафика — и у 64% нашли рабочие LLM-креденшелы, которые может забрать кто угодно. Как именно утекает: - 136 светят переиспользуемые JWT/Bearer-токены - 92 держат бэкенд-прокси вообще без авторизации - 54 отправляют API-ключ в открытом виде прямо с устройства И это не разовый косяк: через три месяца после того, как разработчиков предупредили, дыру закрыли только 28%. Остальные 72% — всё ещё нараспашку. Мораль простая: ключ внутри приложения = ключ у всех. Держите секреты на своём бэкенде за нормальной авторизацией. Подробности: исследование 😐 — знакомо звучит 🤔 — пойду проверю ключи @ai_for_dev

Windows научился в Linux-контейнеры без Docker Desktop Microsoft выкатила на тесты WSL Containers (WSLC) — теперь Linux-контейнеры крутятся прямо в Windows, без Docker Desktop и прочих костылей. Показали на Build 2026. Ставится просто:

wsl --update --pre-release

и получаешь свой CLI (wslc.exe) плюс API. Можно поднять полноценный Ubuntu KDE с рабочим столом, пробросить порты, а видяху в контейнер закинуть одним флагом --gpus all — и вот тебе готовое окружение под PyTorch. Самое вкусное для сборки: API засунули прямо в MSBuild и CMake, так что шаги с контейнерами можно прописать в файле проекта. А каждый контейнер живёт в отдельной лёгкой Hyper-V ВМ — соседи друг за другом не подглядывают. 🔥 — пойду обновлять WSL 👀 — надо потыкать на выходных Источник: habr.com @ai_for_dev

Половине ИИ-фич сам ИИ не нужен Пока одни ищут, куда бы ещё воткнуть нейросеть, в реальном продакшене вопросы скучные и взрослые: сколько это стоит, кто виноват если модель налажала, и правда ли она решает задачу лучше обычного if-else. На Inside AI Meetup собрались команды RWB, Сбера, Альфа-Банка и red_mad_robot — не презентации показывать, а рассказать, как ИИ живёт в сервисах с миллионами юзеров. И тезис у всех один: настоящая работа начинается там, где заканчивается красивое демо. Любимое: умение сказать ИИ «нет». Прогнали сотни гипотез — часть не дошла до внедрения, и это норм. Иногда эвристика дешевле, надёжнее и понятнее, чем сложная ML-махина, которую потом полгода поддерживать. Из приятного и измеримого: поиск по фото — 1,7 млн человек в день, генеративка улучшила 3+ млн карточек товаров. А ещё куча невидимых сценариев: прогноз спроса, логистика, маршрутизация на складах. Не вау-фича, но именно она тащит бизнес. И да — про деньги: GPU, инференс на пиках, мониторинг, откаты. Красивая демо-метрика легко разбивается об экономику на масштабе. Репортаж целиком: https://kod.ru/inside-ai-meetup-rwb-ai-v-prodakshene 😎 — без вау-демо красиво 🤔 — а нам точно нужен ИИ @ai_for_dev

Учил AI-агента аудитить сайты — а он снёс мне всю таблицу История простая: каждый месяц отдавали подрядчику 4–6 страниц на проверку — title, description, H1, ошибки в консоли. Дорого и долго. А проверки-то однотипные, так почему бы не свалить это на агента? Не в стиле «глянь и скажи мнение», а по нормальной процедуре: на выходе гугл-таблица с чек-листом и PDF со скриншотами. Казалось — дел на пару дней. Ага. Первый аудит страницы GeoERP агент вроде прошёл, собрал данные, начал отчёт. Открываю Google Sheets — а он решил не заполнять шаблон, а переписать всё целиком. Формулы, стили, чекбоксы, валидацию — с любовью снёс подчистую. Оказалось, объяснить агенту, что таблица это не черновик для творчества, сложнее, чем сам аудит. После этого появились жёсткие правила: таблицу только копировать из шаблона, писать можно только в ячейки колонок A и C, формулы и валидацию не трогать, скриншоты обязательны. Вывод банальный, но важный: агенту мало сказать «заполни отчёт» — надо чётко очертить, где ему можно, а где руки прочь. Потом выяснилось, что одного HTML мало: вёрстку на мобилке и ошибки в консоли видно только в браузере. Так в процесс заехал Playwright со скриншотами в разных разрешениях. Все грабли — в статье на Хабре. 😁 — знакомая боль 🤷 — проще руками @ai_for_dev

Opus 5 вернулась в строй Власти США дали Anthropic зелёный свет — самая мощная модель снова доступна. Кто держал прод на Claude и грустил — можно выдыхать. Но не всё так гладко: компания теперь обязана докладывать регуляторам про уязвимости и серьёзные инциденты. И по нагрузке облом — до 7 июля на модель можно спускать максимум 50% недельного лимита, а дальше включится система кредитов. Короче, если планируешь гонять её на полную — заложи запас по лимитам и приготовься считать кредиты. 🔥 — вернули, ура 🤔 — посчитаю кредиты сначала @ai_for_dev

Одна точка входа к 100+ моделям — caila.io от Just AI Just AI выкатила caila.io: подключаешься один раз, а дальше меняешь модель сменой одного параметра. API OpenAI-совместимый, так что твой сервис или кодинговый агент перескакивает на другую модель хоть на лету — продукт переписывать не надо. Актуальность на максималках: в июне регулятор за 72 часа вырубил внешним юзерам топовую Fable, и все, кто был на ней, экстренно переезжали. Тут как раз страховка от «а поставщик взял и отвалился». В каталоге всё подряд — от Opus и Gemini до GigaChat с YandexGPT и китайцев типа DeepSeek v4 Pro. Бонусом встроенный шлюз безопасности: прячет секреты и режет промпт-инъекции. Платишь в рублях, заходишь по API-ключу. 🔗 Читать 🔥 — заберу в стек 🤷 — ещё один враппер @ai_for_dev

ИИ-агентов посадили в песочницу под присмотром Cloud.ru запустил EvoClaw — управляемую облачную среду, где можно гонять OpenClaw, Ouroboros и компанию, не собирая всё руками. Смысл простой: OpenClaw штука мощная, но в корпоративный контур его просто так не пустишь — прав слишком много. EvoClaw даёт изоляцию рабочих пространств, Zero Trust, хранение секретов и нормальный мониторинг с логами и трейсами. Есть и NemoClaw — версия для критичных процессов, где агенту заранее подрезали доступ к сети и файлам. Бонусом — каталоги скиллов и промптов, MCP-серверы, протокол A2A и возможность настроить агенту специализацию и тон. По задумке — для DevOps и админов. Как это выглядит 🔥 — удобно, забираю 🤡 — агент сам себя перепишет @ai_for_dev

Свой ChatGPT на домашнем ПК: локальная нейросеть на Windows 11 Облака — это удобно, пока не захочется приватности, работы без подписки и без отправки данных наружу. Тогда на сцену выходит локальная языковая модель прямо на твоём компьютере. Автор поднимает такую на скромной сборке: Windows 11, всего 4 ГБ VRAM и 16 ГБ оперативки. Сравнивает модели Qwen и Gemma, среды — LM Studio и Ollama. Спойлер по финалу: Ollama как движок для автоматизации, Qwen3.5-4B основной, Gemma в запас. LM Studio — чтобы по-человечески потыкать модели в графическом интерфейсе, прежде чем уходить в командную строку. Главное, что стоит запомнить: Ollama и LM Studio — это не модели, а среды запуска. Модель — это файл с весами, а среда грузит его в память и раздаёт ответы. 🔥 — погнал поднимать 👀 — сохранил на выходные Источник: habr.com @ai_for_dev

Google выложил Copybara — свою внутреннюю магию для синхры репозиториев Корпорация добра открыла Copybara — штуку, которой сама годами таскала код между репозиториями. Теперь ей может пользоваться любой. Зачем это тебе: держишь закрытый корпоративный репозиторий и его публичную версию в актуальном состоянии — без ручной боли и копипаста. Выбираешь один репозиторий главным (источник истины), а править можно где угодно — Copybara сам разрулит и перенесёт изменения куда надо. Приятный бонус — он без состояния: всё нужное хранит прямо в целевом репозитории (меткой в коммите), поэтому запускай хоть вдвоём, хоть сервисом — результат один и тот же. Пока дружит с Git, Mercurial — пока экспериментально. GitOps здорового человека, короче. 🔥 — self-hosted gang 👀 — надо глянуть на выхах @ai_for_dev

«Сеньор с агентами заменит команду» — и почему это враньё Автор разобрал доклад AWS про команды в мире агентского ИИ и вынес главное: гонка «у кого модель круче» закончилась. Сильную модель сегодня можно просто купить через API или взять готовой. Выигрывает не тот, кто первым подключил, а тот, кто встроил её в нормальный рабочий процесс. Рамка от AWS простая — Use / Compose / Build. Use — берём готовое. Compose — прикручиваем чужую модель к своим данным и правилам. Build — пилим своё только если модель и есть твой бизнес. Все большие игроки рулят туда же: Claude Code, Codex, Jules, Cursor, Bedrock AgentCore. И да, спойлер про «сеньор + агенты = минус целая команда» — удобная сказка для менеджера, который хочет срезать найм. По факту сильный инженер выезжает только если у него уже есть цели, доменный контекст и право принимать решения. Целиком — тут, на Хабре. 🔥 — это прям откровение 🤡 — опять хайп про «замену людей» @ai_for_dev

Meta зарелизила Astryx — свою дизайн-систему в опенсорс 8 лет пилили внутри, гоняли на 13 000+ приложений — и вот наконец выложили в открытый доступ. Что в коробке: → 150+ UI-компонентов сразу готовых → 7 брендовых скинов → темы под кастом → дружит и с людьми, и с ИИ кодинг-агентами Гляньте сами: astryx.atmeta.com 🔥 — пойду накидаю UI 😎 — гляну на выходных @ai_for_dev

Китайцы выкатили свой Claude Code 😮 Разрабы GLM зарелизили ZCode 3.0 — комбайн для кодинга и работы с ИИ-агентами, всё в одном окне. Планируешь, пишешь, ревьюишь, деплоишь — без прыжков между вкладками. Самый сок: рулить задачами можно удалённо через Telegram, WeChat и Feishu. Вся среда заточена под GLM-5.2 — главную китайскую нейронку прямо сейчас. И да — есть бесплатный тариф, а платные сильно дешевле конкурентов. Забрать тут. 💯 — циферки радуют 🤩 — китайцы опять удивили @ai_for_dev

США сдают позиции: китайские модели уже 50% трафика Вышла аналитика по токенам в OpenRouter, и цифры впечатляют. За год всё перевернулось: • год назад 70% трафика было на американских моделях, у Китая ~20% • теперь у США осталось 30%, а Китай вырос до 50% Люди банально пошли за тем, что дешевле. Решил прикинуть, какой стек можно собрать целиком на китайцах — на случай, если однажды доступ к US-моделям прикроют (°□°): 1. Код: Opus 4.8 → GLM 5.2, теряешь ~8%, платишь в 5 раз меньше 2. Агенты и инструменты: GPT-5.5 → GLM 5.2, ~3%, дешевле в 5 раз 3. Массовка: GPT-5.4 mini → MiMo V2.5, ~0%, дешевле аж в 7 раз 4. Картинки: GPT-Image-2 → Seedream 4.5, ~10%, в 2 раза дешевле 5. Видео: Veo 3.1 → Kling 3.0, ~0%, в 2 раза дешевле за секунду Итого по прикидкам: экономия 60–75%, качество просядет на 7–10%. Кому-то такой размен зайдёт на ура. А вы кто на чём гоняете? 😏 💯 — циферки радуют 🤩 — китайцы опять жгут Источник: bloomberg.com @ai_for_dev

«Ты сможешь»: обучение с подкреплением для тех, кто устал от формул Знакомая боль? Открываешь туториал по ML, а там код будто писал не программист, а математик: сплошные выкладки, и без теории вообще непонятно, что происходит. Автор — такой же разработчик — решил сделать наоборот: никакой математики, только код, как мы привыкли. Тема выбрана одна — обучение с подкреплением. Немного базовых понятий всё же будет, но по-человечески. Главная фишка: тут нет готового датасета, данные добывает сама программа. Её зовут Агент — он тыкается в среду и по дороге собирает себе материал для обучения. Весь код лежит на GitHub, есть ru и en описания. Можно клонировать и щупать руками. 🔥 — наконец без матана 🤔 — код без теории — рискованно Источник: habr.com @ai_for_dev