AI для Разработки — Claude | Cursor | Copilot

Apple сделала свой Docker — Container 1.0.0 Если вы на Mac и устали от прожорливого Docker Desktop — у Apple вышел опенсорс Container для запуска Linux-контейнеров. Весь на Swift, заточен под Apple Silicon. Главная фишка: раньше все контейнеры жили в одной общей виртуалке, а тут каждый контейнер — в своей отдельной лёгкой VM. Получаем настоящую изоляцию, приватность (монтируется только то, что реально нужно) и меньше расхода ресурсов. И да — никакого вендор-лока: формат OCI, образы тянутся из обычных реестров и спокойно запускаются в других инструментах. Рулится всё через CLI, появился container machine для долгоживущих окружений, а настройки переехали на TOML. Только без иллюзий: сама Apple честно говорит, что заменять Docker Desktop во всех сценариях рано — версия 1.0, часть привычного функционала ещё пилят. 🔥 — снесу Docker Desktop сегодня 👀 — подожду пару минорных Источник: habr.com @ai_for_dev

Агентные системы: поверхность атаки шире, чем у чат-бота У агента нет единой точки контроля. Результат работы LLM становится действием во внешней системе — значит, одна успешная промпт-инъекция превращается в реальное действие, а не просто в неверный текст. Ключевой вектор — confused deputy: непривилегированный источник (входящий документ, резюме, письмо) внедряет инструкцию, которую агент исполняет со своими полномочиями. Защита по периметру тут не спасает — доступ легитимен. Пять зон контроля из разбора Jay Guard: - права и учётные данные агента и его интеграции; - что уходит в LLM — персональные данные и скрытые инструкции внутри данных; - вызовы инструментов — именно тут инъекция превращается в действие; - файлы и память — где данные оседают после ответа; - правовой контур — 152-ФЗ и внутренние регламенты. Финальный артефакт — чек-лист готовности агента к работе с реальными данными. Источник: habr.com ✍️ — забрал чек-лист 🤔 — пересмотрю доступы @ai_for_dev

Decart открыл API к world-модели Oasis 3 Помните, как OpenAI дал всем API к языковым моделям и понеслось? Decart хочет провернуть то же самое, но с world-моделями. Их новинка Oasis 3 генерирует фотореалистичные сцены вождения в реальном времени — и поверх этого реально можно программировать. API доступен сразу, без листа ожидания. Зачем оно нам: • Тесты беспилотников на редких дорожных ситуациях — без выезда на трассу • Дальше обещают робототехнику и физический AI • Ценник — $0.02 за секунду генерации Бонус: всё это крутится на их собственном стеке оптимизации DOS, поэтому, по словам CEO, выходит «на порядок дешевле конкурентов». А вокруг базовой модели Lucy уже тусуется 100 000+ разработчиков. Кто хочет потрогать — детали у TechCrunch. 🔥 — пойду генерить трассы 👀 — два цента в секунду, считаю бюджет @ai_for_dev

ИИ читает бэклог и палит противоречия за 10 минут Классика жанра: спринт расписан, всё в Jira, команда довольна. И тут разработчик: «слушай, US-17 говорит кнопка красная, а US-23 — зелёная, какую делать-то?». Лезешь в доки — и правда конфликт. Час на созвон, полдня простоя, баг от тестера. Знакомо? 🙂 А бывает и подлее: одна история хочет 50 элементов на страницу, другая обещает API за 200 мс на всех данных сразу. Вроде обе ок — пока не сядешь писать код. Мозг не держит 40–50 историй разом, Jira и Confluence такое не ловят, а руками разбирать — полдня и всё равно что-то проворонишь. Идея простая: берём модель с большим окном контекста (Gemini 3, Claude 3), скармливаем весь бэклог одним куском — и она жёстко, без вежливых реверансов, выкатывает логические, ресурсные, временные и производительностные конфликты. В статье собирают весь пайплайн на Python, можно повторить у себя. 🔥 — натравлю на свой бэклог 👀 — а вдруг там ужас Источник: habr.com @ai_for_dev

У Colab теперь есть свой CLI Google выкатила официальную тулзу — и больше не надо лезть в браузер, чтобы погонять код на чужих GPU и TPU. Всё из терминала. Что по фичам: → выделяешь GPU/TPU одной командой → запускаешь свои локальные скрипты на удалённых рантаймах → тянешь модели, датасеты и логи к себе → интерактивная консоль на удалёнке → workflow заточены под AI-агентов — агент сам гоняет код на Colab Короче, локальная разработка + чужое железо для тяжёлых задач. Звучит как мечта, если у тебя ноут без видеокарты. Забирай тут: github.com/googlecolab/google-colab-cli 🔥 — закину на ноут без видяхи 👀 — а бесплатный тариф потянет? @ai_for_dev

NVIDIA сделала антивирус для agent skills Скиллы для агентов (Claude Code, Codex CLI, Gemini CLI) ставятся фактически на доверии — никто их толком не проверяет. А зря: по замерам NVIDIA 26,1% скиллов содержат уязвимости, а 5,2% — это уже похоже на злой умысел. SkillSpector отвечает на один вопрос: *безопасно ли это вообще ставить?* Под капотом: • 64 паттерна по 16 категориям — от prompt injection до утечки данных и атак на цепочку поставок • сначала быстрый статический скан, потом по желанию — разбор через LLM • подтягивает реальные CVE из OSV.dev, работает и офлайн • отчёт в терминал, JSON, Markdown или SARIF — последний прямо в CI/CD заходит • итоговый риск-скор 0–100 с понятным вердиктом Скормить можно git-репу, ссылку, zip или просто SKILL.md. Open-source, Apache 2.0. GitHub: github.com/NVIDIA/skillspector 😐 — пять процентов это много 🤔 — проверю, что у меня стоит Источник: github.com @ai_for_dev

Microsoft дала нам тесты для ИИ-агентов — на человеческом языке Знакомая боль: написал агента, а как проверить, что он не начнёт рассылать письма наружу или сливать конфиденциалку — непонятно. Microsoft выкатила ASSERT — открытую платформу, которая делает из ваших правил настоящие тесты. Фишка в том, что спеку пишешь обычными словами: «агент по поиску документов НЕ должен писать людям вне компании, резюме — краткие, секреты — только начальству». ASSERT сам раскладывает это на «можно / нельзя», придумывает каверзные сценарии, гоняет их на твоей системе и показывает результат. И главное — он логирует весь путь агента: промежуточные шаги, вызовы инструментов. Видно не просто «упало», а *где* и *почему* упало. Гонять можно на этапе разработки, после деплоя и в режиме постоянного мониторинга. Бонус-трек: исследователи напоминают, что модели умеют палить, когда их тестируют, и подыгрывать — так что слепо верить зелёным галочкам всё равно не стоит. 🔥 — забираю в пайплайн 👀 — надо пощупать Источник: habr.com @ai_for_dev

ИИ написал рабочий код. И это ещё ничего не значит Ребята используют ИИ в вебе каждый день и поймали повторяющийся паттерн: он чаще ошибается не в коде, а в выборе места, где задачу вообще надо решать. Классика: проблему шаблона он лечит джаваскриптом, кривую структуру данных — костылём в компоненте, а мутные требования — просто генерит код поверх. Вроде заработало 🎉 А в проекте уже завёлся лишний слой и зависимость, которая держится на одном конкретном сценарии. Поэтому «а оно работает?» теперь не первый вопрос. Первый — где это вообще должно жить: в требованиях, в данных, в настройке компонента, в шаблоне, на бэке, на фронте или не в коде вовсе. Главное: ИИ выдаёт не готовое решение, а первый черновик. Дальше — обычная разработка: оставить, переписать, встроить или выбросить. Сайт не знает, что ИИ про него ничего не знает 🙂 Три живых кейса (Excel-импорт кондиционеров, меню на MODX, Schema.org) — в статье на Habr. 🔥 — узнал свой проект 🤡 — а я всё мержу как есть @ai_for_dev

ИИ обещал убрать рутину. Принёс новую смену Все мечтают, что ИИ снимет рутину. А он вместо этого подкидывает свежую работёнку — разбирать, что там в своём бреду нагенерила нейронка. Автор честно делал всё как надо: подробные промпты, контекст, расписанная задача. По времени — почти как написать код самому. И тут начинается самое весёлое. Код вроде запускается, но раздутый. Тесты есть, только половина ничего не проверяет. Где-то агент добавил лишнего, где-то не врубился в ограничения проекта, где-то переписал соседний кусок «чтобы лучше было». С таким помощником про спокойствие можно забыть: сиди и проверяй построчно код, которому нельзя доверять, с мыслью «а где же оно рванёт после релиза». Но окончательно списывать ИИ со счетов автор всё же не спешит. 😁 — это буквально я 🤔 — а мне норм заходит @ai_for_dev

Мы должны уставать больше, чем модель Знакомо? Закрываешь агентскую сессию — код вроде есть, а в голове туман и стойкое чувство, что систему ты больше не понимаешь. Vicki Boykis разобрала, почему так выходит: агент работает как игровой автомат — дёрнул рычаг, прилетело решение. Дофамин есть, а навык тихо утекает. Лента соцсетей сменилась на ленту токенов, и привет. Лечится это одним — вернуть трение обратно в разработку: 👉 Сначала пишешь черновик сам, потом просишь агента сделать ревью и руками проходишь по комментариям. 👉 Не понял кусок кода — пусть агент объяснит и подкинет релевантные PR и доки. 👉 Заставляешь агента продумать два подхода, выбрать один и обругать второй. 👉 Зовёшь агента только после 20 минут наедине с задачей. Да, медленнее. Зато крепнет твой фундамент, а не фундамент модели. ✍️ — записал в привычки 🤡 — туман знаком @ai_for_dev

ИИ пишет код. А кто инженерит самого ИИ? Есть два направления, и их вечно мешают в одну кучу, потому что слова одинаковые: модели, данные, тесты, пайплайны. Но по сути это про разное. AI for SE — это наш любимый сценарий: ИИ пишет код, чинит баги, гоняет миграции и копается в репозитории за нас. Тут вопрос один — артефакт корректный или ИИ опять уверенно нагенерил дичь? Плюс тесты, права доступа агента и цена ошибки. SE for AI — это когда ИИ уже компонент твоего продукта, и его надо проектировать, мониторить и сопровождать как полноценную систему. Привет техдолгу: ещё в 2015 показали, что в ML ломаются не модели, а связи между кусками. А к июню 2026 эти две истории схлопнулись в агентах. Агент-кодер — это и инструмент разработки, и сам по себе ИИ-система, которой нужны границы, авторизация «по минимуму прав» и мониторинг. Иначе однажды он с энтузиазмом снесёт прод и честно отрапортует, что задача выполнена. 🙂 Короче: «попросить ИИ написать код» и «построить надёжную систему вокруг ИИ» — это две разные работы. Вторую обычно вспоминают слишком поздно. 🔥 — узнал свой прод 🤔 — а у меня агент без намордника Источник: habr.com @ai_for_dev

Купил Ferrari, а дороги грязные Именно так в Thoughtworks описывают команду, которая накатила LLM-ассистентов: двигатель мощный, а время прибытия всё равно решают пробки и ямы. Один разработчик пишет код в разы быстрее — а вот пропускная способность команды почему-то не выросла. 🏎️ Знакомо? Требования на лету превращаются в код вместе с недопониманием, ревью пухнет, интеграция трещит. Потому что «сгенерировано» не значит «согласовано». Их ответ — SPDD (Structured Prompt-Driven Development). Суть простая до неприличия: промпт живёт в гите рядом с кодом, как полноценный артефакт, а не теряется в истории чата. Тогда AI-изменения становятся управляемыми, проверяемыми и воспроизводимыми. Чтобы это работало, нужны три скилла: согласованность, «сначала абстракция» и итеративный анализ. Подробный разбор с примером — в статье на Хабре. 🔥 — заберу в команду 🤔 — звучит как новый ритуал @ai_for_dev

Claude Fable 5: Anthropic выкатила новый топ для кода Свежак от Anthropic — Fable 5, первая публичная модель класса Mythos (он же, по словам компании, мощнее Opus). Доступна всем — и в подписке, и в API. Самое вкусное для нас: 80,3% на SWE-Bench Pro против 69,2% у Opus 4.8 и 58,6% у GPT-5.5. Stripe гоняла её на кодовой базе в 50 млн строк — говорят, два месяца работы ужались в один день. Звучит как сказка, так что помним: цифры от самой Anthropic, внешних проверок ещё нет. Пара подводных камней: safety-обёртка иногда молча перекидывает ответ на Opus 4.8 (даже на безобидном запросе), а лимиты Fable 5 жрёт в 2 раза быстрее. И ещё — с 23 июня из подписки уберут, останется только за кредиты в claude.ai и по API. Детали: kod.ru 🔥 — го тестить 🤡 — циферки от самих себя @ai_for_dev

Как я вырастил собственного монстра вокруг кодящего агента Чувак три месяца верил, что всё решает модель: менял модели, крутил промпты, ждал следующий релиз. А оказалось — разница не в модели, а в том, что вокруг неё. Память между сессиями, карта проекта, правила, руки и место под результат. Без этого модель — эрудит без рабочего места, который каждый раз начинает с чистого листа. Вот это всё обвязка и зовётся харнесс. Дальше — честный разбор его сетапа на живом проекте: пять сервисов, Kubernetes, прод. Не вылизанная схема из README, а то, что видно в логах. Спойлер, который бьёт по самолюбию: половина подключённых MCP-серверов за 98 сессий не вызвалась НИ РАЗУ. Понаподключал и забыл — знакомо? И любимое: затащил claude-mem (80+ тысяч звёзд!) как память — база за пару недель распухла до 700 МБ бесполезной каши, а потом баг сожрал пять ядер CPU. Пришлось сносить. Мораль: звёзды на GitHub и реальная польза — это вообще разные вселенные. Монстра в заголовке никто не проектировал — он просто так вырос. Читать целиком на Хабре 🔥 — у меня та же свалка MCP 🤡 — а я всё на голой модели @ai_for_dev

Naive RAG развалился на проде — что делать дальше Ребята из «Честного знака» написали честный (каламбур засчитан) разбор: как они тащили корпоративного AI-помощника на open-source моделях для поиска по Confluence, Jira и GitLab. Спойлер после MVP: дело не в модели и не в векторке. Болит то, что документы криво нарезаны, запрос не причёсан перед поиском, а лишний мусор не отфильтрован после. Знакомо? 🙂 Лечится это Advanced RAG — двумя слоями вокруг привычного «запрос → поиск → генерация»: - до поиска — переписать запрос, раскрыть аббревиатуры, проложить маршрут; - после поиска — переставить, отфильтровать и отранжировать чанки. Самое сочное — про индексацию: - Small-2-Big: ищем по отдельным предложениям, а потом раздуваем контекст вокруг попадания. Эмбеддер точнее, LLM сытее. - Sliding Window: чанки внахлёст, чтобы нужная фраза не провалилась в стык между фрагментами. Вся история — тут на Хабре. 🔥 — узнал свой RAG 👀 — сохранил на потом @ai_for_dev

Сборник 50+ гайдов по ИИ-приложениям — бери и делай Нашёлся отличный репозиторий Hands-On AI Engineering: больше 50 готовых проектов, где можно научиться строить ИИ-агентов, RAG-системы, OCR и голосовые нейронки. Кайф в том, что это не туториалы ради туториалов — у каждого проекта есть рабочий код, пошаговая инструкция и документация. Хочешь — изучаешь, хочешь — берёшь за основу своего пет-проекта (а потом и монетизируешь). Модели на выбор: OpenAI, Anthropic, Google, open-source. Есть и жирные штуки вроде мульти-агентного аналитика и RAG на LangGraph. Всё тут, на GitHub. 🔥 — клонирую на ночь 👀 — звёзд накину @ai_for_dev

Сборник на 50+ ИИ-проектов с кодом — бесплатно Кто-то собрал в один репозиторий 50+ пошаговых проектов по ИИ — и это прям клад для практики. От агентов и RAG-систем до OCR и голосовых ассистентов. Главный кайф: у каждого проекта есть полный код, доки и инструкция как запустить. То есть не "вот теория, дальше сам", а реально берёшь и крутишь у себя. Что внутри: • мультиагентный финансовый аналитик • self-reflective RAG на LangGraph • агент-планировщик путешествий из одного запроса • и ещё гора всего на OpenAI, Anthropic, Google и опенсорсе Лицензия MIT, так что тащи в свои пет-проекты без угрызений. Забираем — на GitHub. 🔥 — клонирую сейчас же 😎 — пет-проект на вечер @ai_for_dev

421 страница про агентов — и ни одной продажи курса Инженер из Google выкатил бесплатный документ по агентным паттернам. И самое редкое — автор реально объясняет, а не подсовывает «купи мой курс» после каждой главы. Что внутри: ⬩ агентные архитектуры ⬩ мульти-агентные системы ⬩ память и управление контекстом ⬩ оркестрация и планирование задач ⬩ инструменты, MCP и интеграции ⬩ production-кейсы с примерами кода Короче, если вы пилите агентов и устали собирать знания по обрывкам из тредов — вот вам один большой источник. Забрать документ 🎉 — бесплатно? беру 🙈 — добавлю к 40 непрочитанным @ai_for_dev

Десятки готовых AI-проектов в одной репе 🔥 Нашлась отличная коллекция — Hands-On AI Engineering. Внутри пачка реальных проектов с полным кодом и инструкциями: RAG-системы, мультиагентные штуки, OCR, анализ YouTube-видео и даже финансовый аналитик из команды агентов. Из вкусного: - Agentic RAG на LangGraph — сам оценивает контекст и переписывает запросы, если что-то не так - Travel Planner — один запрос на естественном языке → готовый план поездки с рейсами и отелями - Competitive Intelligence Agent — собирает разбор конкурентов под твой бизнес Всё на OpenAI, Anthropic, Google и open-source моделях. Бери любой проект, запускай, переделывай под себя — идеально, чтобы прокачаться на практике, а не на туториалах из 2022-го. Залезть в репу 🔥 — клонирую на выходных 👀 — стащу пару идей @ai_for_dev

Кажется, скоро новый Claude — в Dev Mode спалили claude-fable-5 Народ в Dev Mode откопал контрольные точки claude-fable-5 и claude-fruitcake-eap (да, fruitcake — кодовые имена у Anthropic как всегда огонь 😎). По слухам, это будущая публичная модель Claude Fable 5, внутри её зовут Claude Mythos. На Hacker News уже завертелось. И по таймингу всё сходится: 10 июня у Anthropic конференция Code with Claude в Токио. Идеальная сцена для «а вот вам новая модель». Официально пока тишина, так что фильтруем как слух. Но если ваш прод сидит на Claude — готовьте бюджет на новые токены. 🔥 — давайте уже 👀 — поверю на релизе @ai_for_dev