AI для Разработки — Claude | Cursor | Copilot

12 факторов нормального агента Почти все мы только учимся работать с агентами — и даже у опытных команд агент иногда приносит больше вреда, чем пользы. HumanLayer собрали 12 принципов, чтобы боли было поменьше. Самое сочное: • Структурированный вывод — заставь модель отдавать JSON по схеме, и её наконец-то можно воткнуть в бекенд. • Свой промпт — не отдавай его фреймворку. Иначе агент ведёт себя странно, а ты даже не видишь, что ушло в модель. • Контекст-инжиниринг — окно контекста это бюджет внимания модели. Забил 40% — и recall поплыл, рассуждения ломаются. • Инструменты — модель сама ничего не вызывает, она лишь возвращает «имя функции + аргументы», дёргает код уже ты. • Состояние — не запрашивай одни и те же данные по кругу, держи их в сессии. Остальные факторы на Хабре 🔥 — сохранил, буду внедрять 🤡 — «12 факторов», ну-ну @ai_for_dev

Собрал бенчмарк под себя — и дорогие модели слили дешёвым Все смотрят на лидерборды: топ открытых — GLM-5.2 (744 млрд параметров), потом Kimi K2.6, DeepSeek V4. Автор пару месяцев им верил и гонял свою работу через флагманы. А потом измерил не «вообще», а конкретно себя — и в его задачах победила модель в 37 раз дешевле. Фишка в том, что он скормил скрипту 75 своих сессий и почти 24 тысячи вызовов инструментов и увидел правду: 45% всего, что он пишет руками ИИ, — это .md, а не код. Bash есть, но это git/grep/find, а не сборка. Вывод: «я не кодер с ИИ, я архитектор, который через ИИ думает». И никакой SWE-bench эту работу не меряет. Дальше он собрал 50 задач под свой реальный профиль, прикрутил трёх судей-моделей для оценки и прогнал кандидатов. Мораль простая: чужой лидерборд модель под тебя не подберёт — меряй сам. 🔥 — пойду мерить своё 🤷 — и так norm живётся @ai_for_dev

Мегагайд по запуску локальных LLM на домашнем ПК Если ты гоняешь модели локально и каждый раз заново гуглишь, какой флаг куда крутить — вот лекарство. Автор собрал один большой справочник вместо десятка разрозненных постов. Что внутри: - какое железо брать и как настроить ОС - как разрулить ОЗУ и видеопамять - зачем квантовать KV-кэш и как не упереться в лимит - тюнинг llama.cpp: P-ядра, профиль питания и прочая магия - как разогнать скорость даже на скромной машинке Ловите лайфхак из текста: включил XMP — и MoE-модель внезапно ускорилась в три раза. Иногда тормозит не модель, а память 🤷 Все цифры — с реальной тачки (RTX 4070 12 ГБ), не из головы. Забираем тут. 🔥 — пойду крутить флаги 👀 — сначала гляну свой XMP @ai_for_dev

🐍 Бесплатный курс по парсингу на Python — и он реально большой Если давно хотел разобраться с веб-скрейпингом по-нормальному, а не копипастить случайные сниппеты — вот целый курс на GitHub. Бесплатно, MIT, 15+ уроков. Идём от простого к сложному: сначала requests и BeautifulSoup, селекторы и регулярки, потом API и JSON. Дальше начинается мясо — динамические сайты на Playwright и Selenium, асинхронный парсинг на aiohttp + asyncio, Scrapy и, конечно, обход антибот-защит. Отдельно радует инженерная часть: хранение и валидация данных, ретраи, логирование, тестирование парсеров и даже разбор топ-20 ошибок из реальной практики. Плюс архитектура production-парсера и живые проекты для практики. Короче, готовая дорожная карта от нуля до бойца. 🎉 — бесплатно, забираю 👀 — гляну на досуге @ai_for_dev

Memanto: чтобы агент не забывал, о чём вы вчера договорились Знакомо? Новая сессия — и Claude Code снова не помнит ни архитектуру, ни ваши решения. Memanto это чинит: прослойка памяти для Claude Code, Cursor, Codex и ещё 14+ агентов. Хранит контекст между сессиями, ужимает его через ИИ и достаёт нужное меньше чем за 90 мс. Что внутри: ✓ подключается одной командой (Claude Code, Cursor, Codex, Windsurf, Gemini CLI...); ✓ 13 типов памяти — факты, решения, цели, ошибки — ищет точнее; ✓ 89.8% на LongMemEval, и да, есть пейпер, а не просто красивый график; ✓ 100K операций в месяц бесплатно. Для старта: Python (pip install memanto), бесплатный ключ Moorcheh и по желанию Docker под локальный сервер. Облачного API пока нет — крутится у вас на машине. Код тут: GitHub 🔥 — пойду прикручивать 👀 — гляну, что за память @ai_for_dev

Стать нейро-панком прямо сейчас Пока все обсуждали релиз Fable 5, владелец Anthropic Дарио Амадей выкатил статью «Policy on the AI Exponential». И там в первой главе предлагается, чтобы государство лицензировало мощные модели и запрещало те, что покажутся «небезопасными». Автор текста на Хабре переводит это с корпоративного: большой игрок хочет огородить полянку, чтобы маленькие не отъедали кусок. Ничего личного — просто деньги. Мораль для нас, разрабов: качать open-source LLM и независимое железо. И тут важны не только ML-щики, но и схемотехники — пока монополия NVIDIA держит цены, запустить топовую модель дома будет дорого. 🔥 — self-hosted наше всё 🤔 — пахнет манифестом @ai_for_dev

Хватит нянчить агента: встречайте Loop Engineering Знакомо? Промпт → ждёшь → копируешь → правишь → снова промпт. И так по кругу с Claude Code, Cursor, Codex и Grok. Автор репозитория loop-engineering говорит: пора завязывать. Идея простая — ты больше не сидишь с агентом за руку. Ты один раз проектируешь цикл, а дальше агенты сами работают, проверяют себя, чинят и зовут тебя только когда реально застряли. В коробке — готовые циклы под триаж, PR, CI, зависимости, changelog и issues. Плюс CLI, чтобы создавать циклы, прикинуть расход токенов, проаудитить репу и безопасно гонять агентов через GitHub Actions. «Prompt engineering — это как писать промпты получше. Loop engineering — как сделать систему, где агенты пашут без твоего присмотра на каждом шагу». Репозиторий: github.com/cobusgreyling/loop-engineering 🔥 — пойду заворачивать в цикл 🤡 — «само починит», ага @ai_for_dev

У разрабов новая болячка — ИИ-паралич 👻 Business Insider пишет, что вся эта ИИ-гонка добивает инженеров тревогой, выгоранием и лютым FOMO. Каждый новый релиз — это не «о, круто», а «блин, я опять отстал, надо срочно учить». И ведь правда не угнаться: в 2023-м было 18 крупных релизов, в 2025-м — 69, а в 2026-м уже накинули ещё 30 моделей. Один чувак завёл целую базу, чтобы всё отслеживать, — и всё равно не успевает. Сверху давят работодатели: считают токены, смотрят, как часто ты пользуешься ИИ, и вшивают это в оценку эффективности. Неудивительно, что больше 40% разрабов видят в ИИ угрозу своей работе, а кто-то уже поглядывает на другие профессии. ИИ забирает не только работу, но и спокойствие 😬 🙈 — это прям про меня 🤔 — да норм, успеваю @ai_for_dev

graphlens-mcp: хватит жечь токены на grep Знакомая боль? Спрашиваешь агента «как у нас устроена авторизация» или «что сломается, если поменять сигнатуру этого метода» — а он уходит в цикл: grep → открыть → прочитать → перейти по импорту → снова grep. Читает десятки файлов, забивает контекст и сжигает токены пачками. Автор собрал graphlens-mcp — ставится одной командой, бесплатный (MIT), пока alpha, потестить на своём проекте можно за пять минут. Под капотом движок graphlens строит из исходников (Python, TypeScript, Go, Rust, PHP) типизированный граф кода. Вместо «прочитай файл и поищи глазами» агент задаёт точный вопрос — «кто вызывает create_order?» — и получает маленький аккуратный ответ. И это не на словах: автор прогнал 936 запусков на apache/superset (~400k строк) и честно показал — на анализе влияния граф дешевле grep в 10–23 раза, а на точечных запросах профита почти нет. Без приукрашивания, что приятно. Вся история и установка — тут, на Хабре. 🔥 — пойду натравлю на свой легаси 👀 — гляну на выходных @ai_for_dev

AI-агент сделал всё правильно. И всё равно накосячил История знакомая до боли. Чел попросил агента просто разобраться, почему задача потерялась после переименования проекта. Поиск всё ещё цеплялся за старое имя — агент это мгновенно вычислил. Логика железная, гипотеза разумная. И тут он, не спрашивая, полез менять файлы и дописывать тесты. Через пару минут его тормознули. Не потому что глупо — а потому что никто не давал добро на правки. По протоколу проекта надо было остановиться и показать план изменений. Самый сок — ответ агента на «ты чего вне протокола работаешь?»: фразу «надо решить проблему» он понял как «чини прямо сейчас». Услужливость 100 lvl. Мораль: мочь сделать и иметь право сделать — это разные вещи. Агент может всё понять верно, написать чистый код — и спалить продакшен, просто потому что взял на себя больше, чем просили. 😅 ставьте чёткие границы агентам, пока они не «причинили пользу». 🙈 — было у меня такое 🤔 — а я думал я один такой Источник: habr.com @ai_for_dev

Сколько денег экономит AI-команде: честный разбор от техдира Чувак — техдир аутсорс-конторы, в прошлом программист, который любит свою работу, а теперь ещё и уставший руководитель «с горящими попами и седыми волосами» (его слова 😎). И он сел посчитать, что AI-assisted-разработка реально делает с деньгами компании. Ключевая мысль: AI-assisted ≠ вайб-кодинг. Вайб — это когда тебе накидали каркас и дальше сам. А тут ты пытаешься запихнуть в агентов максимум задач, а сам сидишь контролёром. Дальше берётся ERP на 10 модулей — права, аналитика, интеграции с банками и 1С, всё как мы любим. Команда из 3 человек, базовый ценник до ИИ: дизайнер на 100 000 ₽, программист на 80 часов. А потом начинается самое интересное — как эти цифры схлопываются с агентами. Целиком тут: habr.com 🔥 — пойду пересчитывать смету 🤡 — опять «10x продуктивность» @ai_for_dev

Джуны всё? Каждый третий работодатель уже заменил их на ИИ 💀 Опрос 600+ рекрутеров из 39 стран показал: треть компаний отдаёт стартовые позиции искусственному интеллекту. По технологиям удар сильнее всего — минус 40% начальных вакансий. Не спасает даже MBA: берут реже, да ещё и зарплату на старте подрезали. И самый сочный пример — Anthropic больше не нанимает джунов. Сооснователь честно сказал: всю начальную работу делает Claude, поэтому проще нанять одного сеньора с интуицией, чем толпу новичков. Значит, теперь рождаться надо сразу сеньором 👍 🤔 — куда катимся 👀 — пойду апдейтить резюме @ai_for_dev

GPT-5.6 Sol: OpenAI дразнит новой моделью OpenAI выкатила превью GPT-5.6 Sol и гордо зовёт её моделью следующего поколения. «Sol» — это солнце по-латыни, так что теперь у нас в неймингах космос. 🌞 Цифра 5.6 намекает, что это апдейт внутри пятого поколения, а не прыжок к GPT-6. Почему именно так считают — OpenAI объяснять не стала. И вот тут самое интересное: архитектуры нет, бенчмарков нет, цен нет. Превью раздают избранным партнёрам, собирают фидбек и крутят настройки до общего релиза. То есть пощупать в своём коде пока нельзя — только облизываться. По сути, очередной сигнал рынку после Claude 4, Gemini 2.5 и Llama 4. Ждём, когда дадут API и можно будет реально потестить. 🔥 — наконец-то 👀 — надо глянуть, когда дадут Источник: mltimes.ai @ai_for_dev

Вайбкодим в два раза быстрее, чинить будем в пять раз дольше Компания METR хотела сравнить инженеров с ИИ и без — и не смогла собрать группу. Люди просто отказываются кодить руками: непривычно, медленно, больно. Ну ок, скорость есть. А дальше что? Инженер Джеймс Шор написал пост, который разошёлся, и напомнил неудобное: продуктивность команды — это не сколько ты написал, а сколько потом сопровождаешь. Его прикидка: месяц кодинга = 10 дней поддержки в первый год и по 5 каждый следующий. На дистанции команда превращается в отдел по разгребанию собственного техдолга. Главная мысль: ИИ обязан не только писать быстрее, но и выпускать код, который чинить вдвое дешевле. Иначе момент «занимаемся только техдолгом» прилетит не через 10 лет, а через 5. А пока — наоборот: модели подкидывают +54% багов на разработчика и в ×3,4 больше инцидентов (Faros-2026). Скорость есть, счёт за неё придёт потом. 😎 — это про мой бэклог 🤡 — а мы просто пишем ещё быстрее @ai_for_dev

PDF больше не приговор Нашли тулзу MinerU — закидываешь PDF, на выходе получаешь чистый Markdown. Никаких больше танцев с копипастом и развалившейся вёрсткой. Что внутри: • Понимает 109 языков • Бесплатно и с открытым кодом • Ставится одной командой: pip install mineru Особенно кайфово, если готовишь документы под RAG или просто устал воевать с кривыми экспортами. Забрать можно на GitHub. 🎉 — бесплатно? беру 👀 — кину свои страшные PDF @ai_for_dev

Свой ChatGPT для своих агентов на 16 ГБ VRAM Закрываем цикл про self-hosted LLM. Бэкенд уже есть: подняли локальную модель на облачном GPU, прикрутили LangGraph с MCP-серверами, получили REST API и завернули всё в сервис на FastAPI. Красиво, с трейсингом и персистентностью. Только показать это живому человеку нечем — ну не curl же ему в терминале совать. Оказывается, у LangChain есть официальный ответ на вечный вопрос «а где фронтенд?» — проект agent-chat-ui. Готовый интерфейс на Next.js, который сам коннектится к LangGraph Server, стримит токены и показывает шаги агента, вызовы инструментов и размышления модели прямо вживую. По ощущениям — тот же ChatGPT, только крутится на вашем железе и полностью ваш. Подключение — дело пары минут: клонируем репозиторий, кидаем в .env адрес сервера и имя агента, запускаем. Одна команда — и готовый UI поверх вашего API. Полный путь: инфраструктура → локальная модель → агентный бэкенд → MCP-инструменты → фронтенд → деплой. Кайф. 🔥 — погнал поднимать 👀 — гляну на выходных Источник: habr.com @ai_for_dev

«Наэйай мне биай»: Apache Superset научили говорить по-человечески Знакомая боль: бизнес просит аналитику, менеджер выбивает ресурсы, аналитик неделями перемалывает данные — и в итоге решение всё равно принимают «на глазок». Ребята из Cloud.ru решили закопать эти тёмные времена вместе с пейджером. Идея простая: берём Apache Superset с поддержкой MCP, прикручиваем Foundation Models — и получаем агента, который фразу «построй мне дашборд по продажам» гонит в реальный дашборд за минуты. В базовой настройке агент закрывает до 80% запросов, а то, на что уходили дни, теперь занимает минуты. В статье потрогали архитектуру, масштабирование и безопасность — читать на Хабре. 🔥 — наконец-то 🤷 — у меня и так Metabase @ai_for_dev

Ваш Cursor теперь умеет монтировать видео На GitHub вирусится OpenMontage — первая открытая агентная система, которая превращает Claude, Cursor или Copilot в личную видеостудию. Пишешь обычным текстом «хочу трейлер», а агенты делают всё сами: ресёрч, сценарий, генерация, озвучка, субтитры и финальный монтаж. Что под капотом: • 12 пайплайнов — от трейлеров и анимаций до подкастов и туториалов. • 52 инструмента и 500 скиллов на видео, аудио, музыку и картинки. • Дружит с Kling, Runway, FLUX, ElevenLabs, Suno и компанией. • И да, оно умеет в настоящее видео из реальных клипов, а не только «подвигать три картинки и назвать это роликом». 16K звёзд и первое место в трендах GitHub, всё открыто под AGPLv3 — забрать тут. 🔥 — self-hosted gang, погнали 👀 — сначала гляну демки @ai_for_dev

Looper: причеши цикл агента, пока он не причесал твой прод Знакомо? Запустил агента «на автомате», а он намотал 40 итераций и спалил бюджет токенов. Looper — скилл для Claude Code, который сначала помогает спроектировать нормальный цикл, а уже потом его гонять. Логика честная: Goal → Plan → Review → Deliver → Judge → Stop clean. Что умеет: • Сам критикует и тестирует твою автоматизацию и уточняет цели. • Сажает вторую модель в кресло арбитра — пусть оценивает работу нейронки. • Ставит лимиты, попытки и бюджет токенов, чтобы цикл не жрал деньги зря. • Показывает схему цикла прямо в терминале, без танцев с бубном. • Складывает всё в один набор файлов, который запускается в той же сессии. MIT, ставится через /looper. Лежит тут. 🔥 — пойду натравлю на свои циклы 🤔 — а нужен ли мне ещё один скилл @ai_for_dev

Hydra: хватит мучить argparse Знакомо? ML-проект растёт, конфигов плодится десяток, гиперпараметры передаёшь через argparse или (давай честно) хардкодишь прямо в скрипте. Hydra от Facebook Research разруливает это красиво. Идея простая: конфиги — это YAML-файлы, которые можно собирать как конструктор и переопределять прямо из терминала. Меняешь параметры без правки кода:

python train.py model=resnet dataset=imagenet lr=0.001
python train.py model=vit dataset=cifar10 lr=0.0001

А multirun запускает целую сетку одной строкой:

python train.py -m lr=0.001,0.0001 model=resnet,vit
# и поехали 4 эксперимента сразу

Конфиги собираются из кусочков: отдельно model/, отдельно dataset/, а train.yaml склеивает всё вместе. В комплекте экосистема: lightning-hydra-template для быстрого старта на Lightning, hydra-zen для генерации конфигов прямо из Python, hydra-torch для типобезопасности.

pip install hydra-core --upgrade

Код и доки тут: GitHub 🔥 — пойду чистить свой конфиг-зоопарк 👀 — надо глянуть на выходных Источник: clc.to @ai_for_dev