AI для Разработки — Claude | Cursor | Copilot

Ключ всё равно утечёт. Просто сделайте утечку бесполезной GitGuardian насчитал за 2024-й ~23,7 млн секретов, улетевших в публичный GitHub. И это в основном не хакеры, а мы сами: коммиты, логи CI, бандлы. Свежий ключ в открытом репо начинают долбить боты меньше чем за минуту. Знакомая картина? Один ключ OpenAI разом лежит в .env, в секретах CI, в проде, в test_gpt.py «на минутку» и в контексте ИИ-агента, который «сам пишет код». .gitignore и сканеры ловят только часть, а настоящий ключ в итоге всё равно у приложения — значит, утечёт вместе с ним. Идея простая: разорвать связь «приложение — ключ». Приложение ходит с виртуальным токеном, а настоящий ключ подставляет прокси только на момент запроса. Утёк токен? Не беда: с чужого IP — 403, сверх лимита — 429, отозвал одним кликом, оригинал цел. По коду это буквально две строки замены. Подробнее на Хабре. 😐 — знакомая боль 🤔 — надо проверить @ai_for_dev

Cloudflare Drop: закинул папку — получил сайт Прикольная штука подъехала от Cloudflare. Берёшь папку со статикой (или zip), кидаешь в браузер — и сайт уже в онлайне. Всё. Никакой регистрации, никаких конфигов, никакого «а куда тут задеплоить». Одна кнопка — и можно кидать ссылку заказчику или коллеге, чтобы показать прототип или демку. Для быстрого «глянь, вот оно работает» — то что надо. Пощупать тут. 🔥 — пойду закину демку 👀 — надо потыкать @ai_for_dev

Контекстная инженерия: чтобы агент не сходил с ума Знакомая боль: собрал агента с RAG, тулзами и памятью, на паре реплик — красота. А через 30 итераций он уже путает инструменты, тащит в ответ старые вызовы и цепляется за баг, который когда-то заполз в контекст. И новый промпт тут не спасает. Фишка в том, чтобы решать, что именно видит модель перед каждым шагом. Вот это и назвали контекстной инженерией. Anthropic говорит просто: контекст — это все токены, которые уходят в модель. Не только твоё сообщение, а ещё системка, история, документы, описания тулов, результаты вызовов и память. А хороший контекст — это минимум полезных токенов, ничего лишнего. Промпт-инжиниринг — это только про формулировку задачи. Контекстная инженерия — про всё остальное, что летит вместе с ней. И да, это не то же самое, что RAG или MCP — агент вообще может жить без них. Целый разбор с разницей между всеми тремя: Хабр 🔥 — база, наконец разложили 😐 — опять новое слово для старого @ai_for_dev

LiteRT.js: гоняем ML в браузере, сервер отдыхает Google выкатила LiteRT.js — теперь модели машинного обучения крутятся прямо в браузере, без единого запроса на сервер. Никакого бэкенда под инференс, всё локально у юзера. Под капотом WebAssembly плюс аппаратное ускорение через WebGPU и WebNN — и это ощутимо шустрее старого TensorFlow.js на чистом JS. Google обещает до 3x скорости (правда, замеряли на свежем MacBook на M4, так что на древнем ноуте магии может и не случиться). Переехать легко: есть .tflite — просто меняешь рантайм на LiteRT.js. Есть модель TensorFlow/Keras — прогоняешь через конвертер LiteRT из пакета Python TensorFlow, и готово. 🔥 — пойду переносить проект 👀 — сначала гляну бенчи Источник: habr.com @ai_for_dev

PR стало больше, а голова одна Агенты фигачат по десятку PR в день, а наш мозг процессить их быстрее не научился. В итоге ревьюишь и ловишь себя на мысли «ну вроде норм выглядит». Джеффри Литт собрал пару приёмов, чтобы не терять понимание системы. Приём раз — пусть агент пишет объясняшку к каждому PR: • расскажет контекст — что за подсистема и зачем она вообще; • сначала даст общую интуицию простыми словами, потом уже детали; • сделает интерактивно — хоть HTML со схемами, которые можно потыкать; • превратит сухой дифф в человеческий рассказ: связанные правки вместе, важные сниппеты крупным планом; • в конце подкинет мини-опрос — а точно понял, или только сделал вид? Есть даже готовый скилл, чтобы такую штуку собрать. Приём два — пилите себе тулзу под задачу. Автор мигрировал сайт на новый фреймворк, но смотреть на это диффом — боль. Он попросил агента сделать что-то вроде пульта управления: жмёшь кнопки, миграция идёт по шагам, а рядом видно, как меняется дерево файлов и как оживает новый сайт. Красота, и в голове всё уложилось. 🔥 — агент, пиши объясняшку 😎 — соберу такой пульт на выходных @ai_for_dev

Токенная диета для агентов: Caveman, Ponytail и Headroom У агентов есть противная привычка — раздувать работу. Там, где хватило бы одной команды, прилетает простыня текста. Вокруг задачи на пять строк — новый слой кода. А в контекст улетает полный лог и JSON на сотни элементов, который уже никто руками не читает 🙈 Поодиночке вроде норм. А в длинной сессии это жирный счёт по API, раннее сжатие истории и забитое окно контекста. Агент внезапно забывает то самое ограничение, на котором держалась вся задача. Так родилась «токенная диета». Сначала выглядело как мем, а стало практикой: Caveman — агент отвечает как пещерный человек, без лишних слов. Ponytail — «ленивый сеньор», который сперва думает, можно ли код вообще не писать. Headroom — локальный слой, что сжимает логи, вывод команд и историю *до* модели. И да, дело не только в цене. Большое окно контекста — не идеальная память: есть протухание контекста и Lost in the Middle, когда нужное из середины достаётся хуже. 🔥 — посажу агента на диету 🤡 — мой и так голодает Источник: habr.com @ai_for_dev

Один чувак, AI-агент и 97 микросервисов на .NET 10 за 17 дней Представьте зоопарк: 97 из 150 микросервисов Mindbox на всём подряд — от .NET Core 3.1 до 9. Плюс парочка репозиториев-«монстров», где любое обновление тащит за собой каскад правок по зависимостям. Руками это чинить — минимум команда на три месяца. Архитектор Александр Корчак решил не собирать команду, а просто натравить на техдолг автономного AI-агента. Сам занимался только по 2–3 часа в день между встречами. Результат — все 97 сервисов и монолит на .NET 10 за 17 рабочих дней. Самая вкусная часть — агенту дали свою песочницу: workspace Coder в Kubernetes. Там он мог ставить пакеты, собирать контейнеры и ронять процессы сколько влезет — прод и ноут в безопасности. Ломай что хочешь, это же изолированный контейнер 😎 Полная история: Хабр 🔥 — тоже хочу такого агента 🤡 — а потом полгода баги ловить @ai_for_dev

Meta завезла Muse Spark 1.1 + свой API Мета обновила модель, и в этот раз серьёзно прокачали агентный кодинг. Muse Spark 1.1 — мультимодальная штука, которая умеет планировать, дёргать инструменты и рулить компьютером почти без человека. Чем цепляет: - 1 млн токенов контекста, причём модель сама решает, что запомнить, а что сжать - Из коробки понимает новые тулы и MCP-серверы — прикрутил и поехали - Может быть и главным агентом, и сабагентом: соберёт контекст, накидает план и раскидает задачи по параллельным воркерам - В кодинге вывозит большие проекты: чинит хитрые баги, пилит фичи, тянет миграции И главное — открыли Meta Model API. Цена $1.25 / $4.25 за миллион токенов, а новичкам накидывают $20 кредитов на потыкать бесплатно. Все детали — в блогпосте. 🔥 — пойду тыкать API 🤔 — а бенчи где @ai_for_dev

Умный дом руками Claude: YAML пишет агент Человек переехал в квартиру, напихал туда реле Wirenboard, кондиционеры через ESPHome, тёплые полы на ZigBee — а времени возиться со сценариями ноль. Знакомо всем, кто делал ремонт 🙂 Решение оказалось изящным: автоматизации Home Assistant — это просто YAML. Дай агенту доступ к файлам — и он сам их поправит. Именно так работает HA MCP (*The Unofficial and Awesome Home Assistant MCP Server*): через MCP он даёт Claude редактировать конфиги напрямую, без бесконечного копипаста между чатом и интерфейсом. У проекта уже 3,7 тыс. звёзд. И да, автор честно предупреждает в духе «ИИ всё сломает, а чинить тебе» — так что делайте бекапы и понимайте, что творит агент. Весь путь — в статье на Хабре. 🔥 — дам агенту мой дом 😐 — страшно пускать к проду @ai_for_dev

Selectel собрал 300+ ИИ-моделей в одно окно доступа Selectel подвёл итоги июньских обновлений продуктов. Главное — запуск ИИ-роутера: единого окна доступа к более чем 300 генеративным моделям с централизованным управлением ключами, квотированием, консолидированной отчётностью и сквозной аналитикой. Один универсальный API-ключ, оплата в рублях, без прямых контрактов с вендорами и с приватностью промптов и данных. В ИИ-маркетплейс добавили 4 новых образа: — OpenClaw — фреймворк с открытым кодом для автономных агентов, хранит контекст между сессиями и интегрируется с 50+ платформами; — Hermes-agent — локально развёртываемый агент с самообучением, работает через Ollama; — Label Studio — инструмент разметки данных (изображения, аудио, текст, видео); — RAGflow — RAG-платформа с открытым кодом для корпоративных систем с цитированием источников. Также анонсирована платформа корпоративных ИИ-агентов (совместно с JustAI) и получен аттестат по приказу ФСТЭК №117. Подробности → https://habr.com/ru/articles/1057434/ 🔥 — беру на заметку 🤔 — очередной облачный апдейт @ai_for_dev

За вечер пересобрал прод: OpenAI Realtime против Яндекса на голосовом боте Чувак пилит голосового ИИ-приёмщика Айку для малого бизнеса. Стек чисто наш: Yandex SpeechKit на распознавание и синтез, Claude за мозги. Обычная трёхзвенка STT→LLM→TTS. И тут 6 июля OpenAI выкатывает gpt-realtime — «речь в речь» напрямую: говорит как человек, можно перебивать, задержка упала. Лента загудела, автор занервничал: неужели его проверенный стек уже вчерашний день? Вместо того чтобы гадать по чужим демкам, он за вечер собрал прототип на WebRTC (ephemeral-токен, чтобы не светить основной ключ в браузере), откопал, что у Яндекса тоже есть свой Realtime, и замерил задержку у всех троих. По дороге словил грабль: beta-форму эндпоинта выпилили, теперь только GA /v1/realtime/calls, иначе прилетает 400. Первое впечатление от gpt-realtime — вау. А вот для российского прода итог оказался не в пользу хайпа. Весь путь с кодом и замерами: Habr 😎 — за вечер, красава 👀 — сохранил на потом @ai_for_dev

Как из голой LLM собрать нормального агента Сама по себе языковая модель — просто генератор текста. Чтобы она реально что-то делала сама, вокруг неё нужна обвязка (harness). И вот на GitHub выложили большой гайд, как собрать такую штуку с нуля — с кодом, который можно просто скопировать и запустить. Внутри по-человечески разобрано всё: как прикрутить память, настроить сборку контекста, дать модели дёргать внешние инструменты, огородить её границами безопасности и запускать в изолированных песочницах. Плюс — оркестрация нескольких агентов разом. Самое вкусное: авторы прямо сравнивают, как это устроено в Cursor, Aider и Claude Code. Всё открыто и бесплатно. Короче, если хочется собирать рабочие системы, а не просто кидать промпты в чат — то что надо. 🔥 — забираю репу 👀 — сначала гляну код @ai_for_dev

GPT-Live: голосовой ChatGPT наконец звучит как человек OpenAI показала GPT-Live — и это уже не про «робот читает текст» 😊 Главная фишка — полный дуплекс: модель одновременно слушает и говорит. То есть больше никаких неловких пауз, обрезанных фраз и «ой, она снова меня перебила». GPT-Live умеет поддакивать, ждать, пока вы думаете, и держать нормальный ритм разговора. А если вопрос сложный — голосовая модель не тупит на месте, а скидывает задачу «старшему» ИИ в фоне (на старте это GPT-5.5) и потом возвращает ответ прямо в диалог. Пока один думает, второй продолжает болтать с вами. В общем, голосовой ChatGPT впервые похож на нормальный интерфейс будущего. 🔥 — уже хочу поговорить 👀 — надо потрогать самому @ai_for_dev

Июль жарит релизами: GPT-5.6, Sol и мнение из первых рук Короче, месяц будет весёлый. К середине июля обещают DeepSeek v4 Pro, где-то там покажут Gemini 3.5 Pro (та самая, что уехала с июня), сегодня подвезут Grok 4.5 — xAI пилил его вместе с Cursor, аж на 1.5T параметров. Через полтора часа у OpenAI стрим про новый голосовой режим, а завтра — GPT-5.6 и топовая модель Sol. Preview месяц гоняли по избранным компаниям, народ доволен. Митчелл Хашимото (HashiCorp — Terraform, Vault, Ghostty) описал разницу шикарно: Sol — харизматичный продуктивный коллега, которому завидуешь, а Fable — гениальный затворник, который бесподобен в своём деле, но с ним «никуда не сходишь». Sol у него теперь по умолчанию, а Fable остаётся для точечной отладки и производительности. 🔥 — завтра всё проверим 🤡 — опять хайп до релиза @ai_for_dev

Ор: инженеры из GitHub основали Slopfix и чинят ваш вайбкод… через AI-агентов 🤣 Глава инженерного отдела GitHub с коллегами придумал, как заработать на вайбкодерах: $10 000 за неделю, и платят им пропорционально тому, сколько строк они удалят. В примере — распухший проект на 100 000 строк ужимают до 35 000, а функциональность остаётся. Самое смешное, что разгребать слоп они будут через AI-агенты, которых, как сами пишут, держат «на очень коротком поводке». На выходе — стройный репозиторий, чеклист по всем экранам, плюс ограничители против будущего хаоса: CLAUDE.md, линтер и CI. А статистика грустная: дублей в коде стало на 81% больше с 2023-го, рефакторить стали в пять раз реже, чем копипастить. А говорили, что ИИ заменит разрабов 😈 🔥 — гениальная схема 🤡 — сами напихали, сами чистим @ai_for_dev

Похоже, у открытых моделей появился свой «Pirate Bay» 😁 Забавно: HuggingBay вышел раньше, чем GTA 6. Комьюнити-площадка, где можно искать и качать открытые веса AI-моделей — по описанию через торренты. Правда, если зайти на сайт, риторика уже спокойнее: это проверенный реестр открытых артефактов с метаданными, лицензиями, сигналами доверия и зеркалами с хешами. И отдельно написано, что закрытые модели они качать не помогают — так что до настоящего пиратского флибустьерства не дотягивает. Проект сырой, но идея приятная: одно место, где видно происхождение и лицензию модели, прежде чем тащить её к себе. 🔥 — пойду копаться 🤔 — а это вообще легально? @ai_for_dev

Google перетряхнул Android Bench — и Gemini там на пятом месте 😁 Google обновил свой бенчмарк для AI-разработки под Android, закинул туда Fable 5 и других агентов. Сюжетный поворот: собственный Gemini оказался лишь пятым. По деньгам всё тоже весело (100 задач, 10 прогонов): - Fable 5 и GPT 5.5 — красавцы по качеству, но жрут больше $130 токенов за заход. - Gemini 3.1 Pro экономнее — $87, зато и баллы поскромнее. - Gemini 3.5 Flash, который вроде как «дешёвый», внезапно самый дорогой: $165 и 28 часов прогона, потому что тупил дольше всех. Для Google это неловко — компания вовсю толкает агентную разработку, а свои модели пасут задних. Но главное для нас: Google переезжает на фреймворк Harbor — это песочница, где можно самому запустить Android Bench, оценить и расшарить результаты. Все старые тесты перегнали заново, датасет и инструкции уже лежат на GitHub — можно подкинуть свои задачи в общий набор. 👀 — надо потестить 😁 — Gemini на пятом @ai_for_dev

Свой ИИ-агент с нуля — репа-находка на выходные Нашлась репа, которая за ручку проводит через сборку полноценного ИИ-ассистента для arXiv. Он сам тянет научные статьи, парсит PDF, ищет и отвечает на вопросы. Красота. Самое приятное — вас не бросают сразу в vector search. Идёте как в нормальных продакшенах: сначала крепкий keyword-поиск, потом сверху навешиваете вектора и получаете гибридный поиск. За 7 недель проходите весь путь: от базы с Docker и FastAPI до агентного RAG на LangGraph и даже собственного бота в Telegram. На последней неделе — как раз агентная магия и мобильный доступ через бота. Всё бесплатно, забирайте: production-agentic-rag-course 🔥 — уже клонирую 😎 — займу выходные @ai_for_dev

Собрали все бесплатные API для нейронок в одном месте Откопали сервисы, которые раздают токены на ИИ-модели забесплатно. Можно гонять разные модели, собирать ботов и лепить приложения, не заглядывая в кошелёк. • OpenRouter — один ключ, куча моделей • NVIDIA NIM — API от Nvidia • GitHub Models — прямо из GitHub • Cerebras — шустрый инференс • Groq — тот самый быстрый • Mistral AI — официальный Mistral • Cloudflare Workers AI — прямо на edge • Hugging Face Inference — море открытых моделей Сохраняем в закладки, пока раздают. 😎 🎉 — бесплатно? забираю 👀 — надо потыкать на выходных @ai_for_dev

Раздали ИИ 500 инженерам, а быстрее делать не стали 😅 Знакомая история? Подключили чат, раздали кодинг-агентов, графики использования полезли вверх — все довольны. А потом смотришь метрики, и там... ничего не ускорилось. Марат Киньябулатов из банка честно рассказывает, как они внедряли ИИ на 500 инженеров и почему рост использования ≠ рост скорости. И заодно как дошли до идеи Agentic Engineering. Цифры, которые отрезвляют: в 2025 году 88% компаний попробовали хотя бы один ИИ-инструмент, но реальный эффект получили только 6%. А ещё 43% инициатив просто закрыли. Почему так? Часто дело не в инструментах, а в том, что никто не может внятно ответить: зачем вообще внедряем. Чтобы не гадать, авторы взяли три честные метрики — Lead Time (за сколько делаем), Throughput (сколько делаем) и Defect Rate (не ломаем ли по пути). Логика простая: если ИИ реально помогает, время до релиза падает или поток растёт, а багов не прибавляется. Весь разбор — в статье на Хабре. 🔥 — прям про нас 🤔 — а метрики где? @ai_for_dev