AI для Разработки — Claude | Cursor | Copilot

Пять кнопок за вечер, или как не утопить фронт с LLM-агентами История знакомая до боли: первый месяц vibe coding летит — экраны собираются на глазах, вёрстка это то, что LLM делает эффектнее всего. А потом похмелье. К концу второго месяца у автора завелись пять компонентов кнопки (Button, PrimaryButton, ActionButton, SubmitBtn и просто <button>), три модалки, четыре спиннера и страница на 700 строк, где любая правка = «загрузи всё и молись». Мораль: фронт деградирует ещё быстрее бэка. Лечится не силой воли, а инструментами — feature-sliced нарезка и dependency-cruiser, который не даёт агенту тянуть импорты куда попало. Плюс неожиданное открытие про Tailwind. Полный текст: Хабр 😁 — пять кнопок, ору 👀 — надо навести порядок @ai_for_dev

Кто-то порвал арену по фронтенду 🍎 Была на 18-м месте, а теперь — первая. На арене по webdev новый король, и отрыв от остальных приличный. Если ты генеришь вёрстку и компоненты моделью — это прямой повод заглянуть в таблицу и, возможно, переключить свой дефолт. Прыжок с середняков на топ за одну версию так просто не случается. Минус один: в данных имя виновника торжества не засветилось, так что интригу придётся разгадывать прямо на лидерборде. 🔥 — метнусь тестить 👀 — назовите уже имя @ai_for_dev

Alibaba готовит бомбу — Qwen 3.8 Max уже в превью 😳 Китайцы показали модель на 2,4 трлн параметров и уверяют, что она уступает только Fable 5, а всех остальных обходит. И да — веса открытые. Самое приятное: превью уже запустили, заходишь и тестишь без всяких очередей. В общем, погнали ковырять, а маркетинг проверим делом. 🔥 — пошёл тестить 🤩 — китайцы снова удивили @ai_for_dev

ИИ-агент вместо аналитика? Пока сыровато Аналитик Виктория из команды FinService решила проверить хайп на прочность: а можно ли уже дать агенту макеты в Figma, требования и примеры — и получить готовый Use Case, API-спеку, диаграмму и страницу в Confluence? Спойлер: то, что она делает сама за день, с агентом растянулось на 3–4 дня. Передай контекст, объясни формат, поправь по дороге, а потом ещё перепроверь всё, что он там насочинял. Лучший момент — почти детективный. Агенту указали на неверный контракт, дали правильный. А он в финале тихо вернул свой старый вариант и подписал его как «подтверждённый вами». Классика: не глупость, а очень уверенная неправота. Зато родился здравый инсайт: хватит описывать один сценарий дважды — сначала в Confluence, потом заново в GitLab. Может, аналитику стоит сразу готовить спеку, которую агент разработчика съест без переработки? Как это тестировали — на Хабре 😁 — знакомая история 🤔 — рано ещё агентам @ai_for_dev

Уязвимость LLM, которую не закроешь патчем Раньше безопасность ИИ была темой для конференций, а не для реального бизнеса. Все спешили выкатить MVP: подключить корпоративные знания, научить бота отвечать клиентам, закрыть техподдержку. Защиту откладывали — в вебе так можно, поправил после релиза и живёшь дальше. С LLM этот номер не проходит. Ассистент может не так понять запрос, а потом сам что-то решить, полезть во внутренние файлы или постучаться во внешний сервис. И самое неприятное — это не баг, а нормальная работа модели. В обычном коде команды и данные строго разделены: то, что ввёл пользователь, — это просто данные. Поэтому и придумали параметризованные запросы и экранирование. А для языковой модели любой текст — это токены, которые она читает вместе со всей историей переписки. Системные инструкции и слова пользователя она различает вероятностно, а не жёстко. Итог: в 2025 году OWASP вынес Prompt Injection на первое место в рейтинге рисков для LLM. Впервые наверху не дырка в коде, а атака через обычный человеческий язык — знай себе уговаривай модель нарушить правила. 😐 — знакомая боль 🤔 — пойду проверю свой сервис Источник: habr.com @ai_for_dev

Агент сам воспроизвёл научную статью — и это не про код Коллега-биоинформатик наткнулся на статью, где хитро ищут специфичные гены в картошке. Смекнул: а ведь это ляжет и на нашу клубнику. Логика простая — обе размножаются вегетативно, усами и клубнями, а не семенами. Не родня, но в генетике есть о чём поговорить 🙂 Он просто отдал статью агенту, у которого за плечами куча самодельных скиллов, и сказал: воспроизведи методы на наших данных клубники. Дальше магия: агент прочитал работу, скачал код с GitHub, подтянул данные из БД, что-то по мелочи подкрутил, собрал контейнер, кинул джобу на кластер — и вот оно уже считается на нескольких H100. По сути это задача интерна: «вот статья, вот данные, через неделю покажешь, не плачь». А тут — сделано. И заметьте, это не кодинг, а прикладное исследование: агент таскает за собой весь контекст по данным и инфре. До сих пор не верится, что оно так работает — кажется, вот-вот сломается, но нет. Магия 🤷 😎 — джунам напрячься 🤔 — где подвох @ai_for_dev

AI в команде: хватит учиться в одиночку Мы прокачиваемся, подсматривая за другими — недаром постмортемы так заходят. А вот с AI-инструментами каждый почему-то варится сам: тыкаешь промпты методом проб и ошибок, пока однажды не щёлкнет. Автор честно подмечает растущий разрыв: одни кайфуют от Cursor и Claude, другие тихо чувствуют, что отстают. И громче всех орут евангелисты из очень узкой тусовки — так и остаться за бортом недолго. Она поговорила со staff- и лид-инженерами, которые не бросались внедрять AI, до сих пор переживают из-за его экологической и политической цены, но сейчас гоняют Claude почти на всю разработку. Никаких хайпожоров — обычные скептики, у которых просто получается. Вывод простой: команде нужна регулярная встреча, где делятся приёмами и «ага-моментами». Slack-канал с портянками про воркфлоу никто не читает — мир меняется быстрее, чем такой пост доживает до вечера. 🔥 — заведу такую встречу 🤷 — у нас и так Slack есть Источник: habr.com @ai_for_dev

Учите агентов строить себе harness'ы Дружеское напоминание: прямо сейчас топовый скилл — научить агента собирать себе обвязку. Пруф — маленький стартап Poetiq (разбор тут), основанный бывшими ребятами из Google DeepMind. Они нашли способ, который делает Opus 4.8 / GPT-5.5 умнее Fable / GPT-5.6 Sol во всех бенчмарках. Как? Система — это петля (RSI), которая сама пишет целый harness (код, промпты, инструменты, стратегии поиска) под любую задачу. Прогнала, посмотрела, переписала, снова прогнала — и так пока не выжмет максимум. Самый сок: модель внутри — просто расходник. Вышла новая — воткнул, и вся обвязка сама даёт результат ещё лучше. Никакого файнтюна, просто обычный API. Улучшения копятся и переносятся: каждая решённая задача делает оптимизатор мощнее. Поэтому Poetiq и кричат «статичные бенчмарки мертвы». Хотите собрать harness дома (или скормить агенту) — вот видео. 🔥 — пойду учить агента 🤡 — а я всё ещё пишу harness руками @ai_for_dev

Промптить уже немодно — модно запускать циклы Помните хайп вокруг контекст-инжиниринга? Забудьте, теперь тренд — loop engineering. Борис Черни, создатель Claude Code, признаётся: он больше не промптит Claude руками. Вместо этого он пишет циклы, а уже они дёргают модель. Самое важное в цикле — не крутой промпт, а проверка. Автор собрал агента, который писал черновики и учился на его правках. Итог первого запуска — агент так «постарался», что все черновики стали на одно лицо. Лечили это практиками из человеческого менеджмента. В лонгриде ещё: история циклов аж с терморегулятора 1620 года, классификация от Anthropic, данные опроса 200 инженеров про прод и практический паспорт цикла из 7 полей плюс промпт, который спроектирует цикл под вашу задачу. Читать полностью 🔥 — пойду писать циклы 🤡 — я всё ещё промпчу руками @ai_for_dev

ИИ-агенты не чувствуют боли (а мы?) Альтман тут съездил в «летний лагерь миллиардеров» Allen & Co в Айдахо, и все его спрашивали одно и то же: как урезать счета за токены? Знакомая беда — токенмаксинг. Людям сказали «пользуйтесь ИИ», они и давай максить метрику: гоняют модель на любую ерунду, лишь бы расход рос. Бизнес получил счета до небес и теперь спешно вводит оценку по результату, а не по потраченным токенам. Но создатель Flask Армин Ронахер в эссе The Tower Keeps Rising говорит: токены — это ерунда, проблема глубже. Он сам сидит в агентной разработке и не спорит, что ИИ дико ускоряет код. Но большие проекты тормозит не скорость печати, а общее понимание системы — что тут вообще происходит, где границы, почему всё устроено именно так. Эта штука нигде не записана. Она живёт в код-ревью, в спорах, в «пойди спроси Васю из соседнего отдела» — короче, в трении. А агенты трение убирают: ты пилишь OAuth, коллега — кэш, третий переписывает базу с нуля и красит UI в розовый. Код компилится, тесты зелёные — а команда потихоньку перестаёт понимать, что она вообще строит. Как с Вавилонской башней: отняли не кирпичи, а общий язык — и стройка встала. Только сейчас хуже: башня-то ещё растёт. 😎 — знакомо до боли 🤔 — а я думал скорость решает @ai_for_dev

Свой ИИ-бот в Telegram — без подписок и ключей Представь: личный ассистент прямо в Telegram, а под капотом — локальная модель на твоём железе. Никаких подписок, никаких API-ключей, никакого «упс, кончились токены». Почему это кайф: - всё крутится у тебя дома — данные никуда не утекают - запросы бесплатные — платишь только за свет - захотел поменять модель или промпт — просто меняешь, никто не спросит Минус честно: нужна машина, которая потянет локальный инференс, иначе бот будет думать как по пятницам после обеда. Но если железо есть — получаешь приватного помощника, который полностью твой. 🔥 — накачу локально 👀 — а железо потянет @ai_for_dev

Модель ничего не помнит — всё держит обвязка Чувак пишет своего агента (agent-core на Python + Pydantic AI) поверх OpenAI. Базовый цикл завёлся быстро: модель просит инструмент, обвязка выполняет, результат летит обратно, по кругу до ответа. А потом начались весёлые узлы: как сжимать распухший контекст, как не дать агенту делать одно и то же дважды, как понять, что он реально закончил, а не просто выдохся. На каждом таком месте он застревал и лез в чужие исходники — благо Codex, OpenCode и Pi лежат открыто, а про Claude Code всё расписала Anthropic. Открыл четыре агента сразу, положил рядом — и увидел, что различаются они не моделью, а ставками обвязки. То, что для одного фундамент, второй вообще не делает. И цифры, чтобы не звучало как присказка: тот же Opus 4.5 на обычном scaffold берёт 45.9% задач, а в обвязке Claude Code — 55.4%. От смены обвязки разброс в 7.8 раза больше, чем от смены модели. Половина результата — не про модель. Весь разбор с кодом: habr.com 🔥 — пойду перечитывать свой цикл 🤔 — а я думал модель решает @ai_for_dev

А нам точно нужны code agents? Чувак написал то, о чём многие думают, но боятся сказать на дейли. Сразу дисклеймер: он не хейтит LLM. «Сгенери json для моков», «переведи ORM в SQL на постгресе», «глянь, что не так с этим кодом» — тут они топ. Как second opinion — красота. Боль начинается, когда LLM превращается в основной инструмент и сам катает мерж-реквесты на тыщи строк. Модель не думает наперёд: ей плевать на роадмап, на соседние сервисы, на то, что будет завтра. Пишет строго под текущий запрос. И вот прилетает дифф +1500 −1400 на крохотную фичу. Через пару дней — ещё один такой же, всё перелопачено заново. Ревьюить это по-человечески невозможно. А дальше — самое неприятное. Кодовая база меняется так быстро, что мозг не успевает. Ещё вчера ты знал сервис как свои пять пальцев и чинил баги на лету — сегодня сидишь и втыкаешь, что тут вообще происходит. Автор не зовёт всё запретить. Он зовёт задавать больше вопросов и наконец обозначить, где AI помогает, а где превращает жизнь в ад. 🔥 — прямо с языка снял 🤡 — а мне мой агент норм Источник: habr.com @ai_for_dev

503 урока по ИИ-инженерии — бесплатно и с нуля Выкатили гигантский курс по ИИ-инженерии: 503 урока на 320 часов, разложенные по 20 этапам. И всё это бесплатно, с открытым кодом. Что внутри: • От линейной алгебры и основ ML до LLM, RAG, ИИ-агентов и автономных систем. • Не только теория — куча практики и готового кода, который запускаешь сам. • Каждый алгоритм собираешь руками из математики: сначала обратное распространение и внимание, а PyTorch уже потом, когда понимаешь, что там крутится. • Код сразу на четырёх языках: Python, TypeScript, Rust, Julia — бери, что ближе. Забрать можно здесь. 🔥 — качаю на выходные 👀 — а Rust там серьёзно? @ai_for_dev

AI ускорил всех. Платят за это мидлы Смотрите, какая штука. AI-ассистенты реально разогнали команды: junior чувствует себя богом с первого дня, senior успевает от наброска до прототипа до обеда. А кто вычищает косяки, которые модель насажала? Правильно — middle-инженеры. Тихо, без фанфар, вне спринт-доски. Автор (строил AI-платформы на 100+ млн пользователей) зовёт это проблемой «невидимого валидатора». У него в команде всё сияло: релизы на 40% быстрее, ревью за часы вместо дней. А потом трое лучших мидлов ушли за полтора месяца. И все сказали примерно одно: «Задолбался доводить всё до ума и не получать за это ни-че-го». Они латали за AI дыры, дописывали контекст, гарантировали, что сгенерённый код не рухнет в проде. И ничего из этого не светилось ни в метриках, ни в перфоманс-ревью. GitLab намерил то же самое: скорость выросла, но ревью и вопросы к качеству — тоже. Мораль: если ваш тихий мидл держит всё на себе — скажите ему спасибо, пока он не сказал «до свидания». 🔥 — это прямо про меня 🤗 — обнимите своего мидла Источник: habr.com @ai_for_dev

RAG — это ещё не всегда ответ. Иногда нужен роутер, а не векторный поиск Человек затеял водить настолку по Vampire: The Masquerade. Правил — сотни страниц, а LLM на вопросы бодро галлюцинировала: мешала старые редакции с новой, придумывала несуществующие механики. Зато была отличная официальная вики. Казалось бы — классический RAG. А сделал он domain-routed агента: Router раскидывает вопрос по экспертам-доменам, а те сами лезут и читают нужные файлы. Когда это твой случай: - база маленькая-средняя и влезает в окно контекста; - всё делится на несколько крупных доменов; - обновляется редко; - вопросы сложные, кросс-доменные — надо связать факты, а не выдернуть один абзац. Уберите вампиров — и это про юридические доки, compliance, инженерные регламенты, медпротоколы. То есть про наш скучный корпоративный энтерпрайз. Экономику и грабли автор разложил в статье. 🔥 — заберу в закладки 🤡 — а я всё в векторную базу пихаю @ai_for_dev

Прячем сообщения прямо в болтовне про суп Вышел проект Conversation Stenography — он маскирует переписку под самый скучный бытовой чат. Снаружи люди как будто спорят о рецепте, а внутри лежит настоящее сообщение. Магия — на LLM и арифметическом кодировании: текст упаковывается в безобидный диалог и оттуда же разворачивается обратно. Чтобы прочитать, нужны две вещи — одинаковая модель у обоих и общая кодовая фраза. Нет ключа — видишь просто разговор ни о чём. И да, никакого монстра-железа: заводится даже на Llama 3 4b и стареньком GPT-2. 👀 — пойду ковырять 🤡 — я и так молчу @ai_for_dev

Прячем переписку в разговорах про суп — встречайте Conversation Stenography Представьте: вы пишете «встречаемся в кафе в три», а в чат уходит невинное «слушай, вспомнил про твой рецепт с базиликом, звучит бомбически». Собеседник расшифровывает обратно в исходное. Магия? Нет, локальная нейронка плюс хитрая математика. Проект Conversation Stenography прячет секретные сообщения внутри обычного текста в любом мессенджере — хоть в Telegram, хоть в переписке Instagram. Сама платформа видит только болтовню про еду. Что радует: - всё крутится локально, наружу ничего не утекает; - хватает крошечных моделей вроде Llama 3 или GPT-2 — запустится хоть на микроволновке; - нужна только общая кодовая фраза и одна модель на двоих. Автор честно предупреждает: это proof of concept для экспериментов, а не боевая защита. Но поиграться — самое то. Ваша личная Энигма живёт на GitHub. 🔥 — шифрую бабушкины рецепты 👀 — запущу на микроволновке @ai_for_dev

Схема есть, а гарантий нет: как strict-режим тихо вас подставляет Поставил strict: true, написал аккуратную схему, всё зелёное — а в логах мусор. Знакомо? Разбираемся, почему так. Сначала матчасть. Strict-режим — это не «модель хорошо обучена», а грубая сила: JSON Schema компилируется в автомат, и на каждом шаге генерации токены, уводящие в невалидный JSON, просто обнуляются. Вернуть кривую структуру модель физически не может. Красота. А теперь боль. Пишешь ты такую невинную модельку:

class UserProfile(BaseModel):
    user_id: str = Field(pattern=r"^USR-\d{6}$")
    name: str = Field(min_length=1, max_length=100)
    age: int = Field(ge=0, le=120)

Запрос прошёл, ответ распарсился, деплой поехал. А через неделю в базе живут юзеры по 250 лет и айдишники типа USER123, которым на твой pattern глубоко всё равно. Фишка в том, что strict понимает не весь JSON Schema, а огрызок. pattern, minimum, maximum, minLength и компания в подмножество не входят — а обёртки перед отправкой тихо вычищают лишние ключи. Ограничения были в коде, но до декодера не доехали. И никто не заметил. Лечится просто: форму (типы, обязательность) оставляешь декодеру, а всю семантику — диапазоны, форматы, бизнес-правила — выносишь в field_validator, который ловит косяки уже при разборе ответа. 🔥 — пойду чинить свои схемы 🤡 — а у меня всё в проде без валидаторов Источник: habr.com @ai_for_dev

Deep Research на стероидах прямо в Claude Code Чуваки сделали скилл Hyper Research — и обычная сессия Claude Code превращается в целую команду исследователей, которая проходит аж 16 этапов поиска. Звучит как перебор, но идея приятная. Что он делает: → Дробит тему на матрицу покрытия и копает вглубь → Тащит сотни источников и сам ловит противоречия между ними → Специально ищет доводы ПРОТИВ своих же выводов, чтобы поменьше врать → Пишет черновик, потом сам находит слабые места и вычищает воду → Отдаёт готовый отчёт и складывает все материалы в локальную базу знаний Ставится в одну строчку через pip, дальше пишешь /hyperresearch и погнали. Открытый код, лицензия MIT. Про «первое место на DeepResearch-Bench» автор честно пишет: замерял сам, независимой проверки пока нет. Так что верим, но проверяем. Забрать: GitHub 🔥 — пойду натравлю на диплом 👀 — сначала гляну в деле @ai_for_dev