AI для Разработки — Claude | Cursor | Copilot

GCC 16.1: C++20 default, расширенный LTO, поддержка Zen6 и MI300 Вышел первый стабильный релиз ветки GCC 16. Разработка 16.0 стартовала в апреле 2025, ветка 17.0 уже создана. Языки и стандарты: • Default-диалект C++ переключён на -std=gnu++20; реализация C++20 stdlib помечена стабильной • Прогресс по C++23: явное управление временем жизни объектов, кодировки символов в диагностике • C23: атрибут counted_by для проверки корректности использования указателей • Продолжена реализация OpenMP 5.0/5.1/5.2/6.0 и OpenACC 3.0/3.3/3.4 • Экспериментальный фронтенд ga68 для Algol 68 Оптимизации: • Расширены LTO-проходы, добавлен флаг -flto-toplevel-asm-heuristics для кода с inline asm • -fdevirtualize-speculatively теперь применяется к любым косвенным вызовам, не только к виртуальным методам • Векторизация циклов с runtime-определяемым числом итераций и более эффективная обработка early-exit (break) Бэкенды: • x86: -march=znver6 (AMD Zen6), -march=wildcatlake, -march=novalake • GCN: поддержка AMD Instinct MI300 (gfx942) • Расширения для RISC-V, ARM, S/390 и LoongArch Диагностика: формат SARIF (JSON) расширен по содержанию, легаси -fdiagnostics-format=json удалён, появился HTML-вывод. ⚡ — апну тулчейн в Docker 🤔 — жду фидбэка по ABI @ai_for_dev

Gemini 3.5 — тизер уже в сети Google слил промо-баннер Gemini 3.5, а CEO Google Cloud ещё раньше намекал на впечатляющие внутренние бенчмарки. Google I/O 19-20 мая — то есть жить осталось две недели. Ставки на то, что именно там и покажут. Что ждать разработчикам: новая модель в API, обещания по коду и рассуждениям, и неизбежные часы перетестирования промптов после обновления. Классика. 🤩 — Gemini в деле 😐 — опять переписывать промпты @ai_for_dev

«Гефестыч» — как в Лесте автоматизировали Code Review через LLM Парни из бэкенда «Мира кораблей» (Python + Go, куча микросервисов) задолбались, что PR висят по две недели, и собрали LLM-ассистента для ревью. Назвали Hephaestus, по-свойски — «Гефестыч». Логика честная: ты ведь и сам копировал диф в чат с LLM и просил «объясни, что тут не так»? Они просто автоматизировали этот ритуал и засунули в пайплайн. Важный момент перед тем, как побежать повторять: у них уже был полный набор гигиены — CI/CD, линтеры, форматеры, юнит-тесты, единая архитектура. LLM-ревью идёт сверху, а не вместо. В статье — процесс внедрения, грабли и куски кода. Если у вас MR тоже стоят неделями — точно стоит почитать. 🔥 — пойду прикручивать к себе 👀 — а как у них с галлюцинациями @ai_for_dev

Unity AI: in-editor agent + AI Gateway + MCP-сервер Unity 6 ушла в открытую бету. Поверх редактора лежит три уровня ИИ: 1. In-project agent — агентный помощник с глубоким контекстом проекта (структура сцены, скрипты, ассеты). Plan Mode для генерации кода и архитектуры с откатом любого шага. 2. AI Gateway — управляемый канал к внешним моделям (OpenAI, Anthropic, свои локальные) с контролем доступа и производительности. 3. MCP-сервер — Model Context Protocol экспортирует редактор как набор инструментов для внешних агентов. Можно дёргать Unity из Cursor, Claude Code или любого MCP-клиента. Дополнительно: Figma → UI через ссылку на макет и генерация ассетов (звук, текстура, 3D-меш) из текстового промпта. Лицензии: Personal — по триалу, Pro и Enterprise — без ограничений. unity.com/features/ai 😎 — потестим MCP из своей IDE 🤔 — а как там с приватностью кода @ai_for_dev

Lemonade: для тех, у кого NPU простаивает Купил ноут на Ryzen AI 9 HX 370 с 50 TOPS на NPU, поставил Ollama — а NPU спит. И будет спать: Ollama тащит llama.cpp, тот умеет CUDA/Metal/Vulkan/ROCm, но архитектура XDNA (это Ryzen AI 300, 8040, 7040) пролетает мимо. Для этого сегмента и есть Lemonade. Это надстройка над несколькими движками: llama.cpp с Vulkan для всего подряд, отдельная ROCm-сборка для AMD GPU, FastFlowLM под XDNA-NPU, плюс whisper.cpp для распознавания речи, Kokoro для синтеза и sd-cpp для картинок. Сервер сам нюхает железо при старте и крутит подходящий бэкенд через фоновый lemond на порту 13305. И главный чит: поднимает 5 API сразу — OpenAI, Ollama, Anthropic, llama.cpp и свой. Старый код, заточенный под OpenAI SDK, переключается одной строкой:

base_url = "http://localhost:13305/api/v1"
api_key = "lemonade"

Apache 2.0 у самого сервера, FLM-движок — бесплатен только для некоммерции. И это не официальный продукт AMD, а проект, который они спонсируют. 🔥 — побежал будить NPU 😁 — а у меня Intel 🔥 — побежал будить NPU 😁 — а у меня Intel @ai_for_dev

Как ИИ-агенты роняют прод. Спойлер: модель ни при чём Replit-агент снёс прод и нагенерил 4000 фейковых юзеров, чтобы замести следы. n8n обновился и одним махом сломал схемы инструментов для OpenAI и Anthropic. LangSmith лёг из-за просроченного SSL — никто не мониторил. Классика жанра: цикл повторов работал ровно как был спроектирован. API падает → агент пробует ещё раз → ещё → ещё. Пока кто-то заметил, он успел запостить 47 почти одинаковых сообщений в публичный канал. Прерыватель, который бы это предотвратил, ещё не написали. Главный вывод автора: большинство статей про факапы агентов — про безопасность и vibe coding. Но реальные фейлы — структурные. Инфраструктура вокруг LLM не была сделана для автономности. Что реально работает в проде: - Circuit breaker — лимит на подряд идущие ошибки, фолбек на человека - Контролёр действий — отдельный слой, валидирующий что делает агент - Чекпойнты в JSON — никаких баз данных, просто файлы переживут рестарт - Cron вместо очередей — меньше движущихся частей, проще дебажить - RAG — релевантный ≠ правильный, клей в пицце привет Текст на Habr 🔥 — узнал свой прод 😐 — пойду пилить circuit breaker @ai_for_dev

Linux прямо во вкладке браузера 😳 Открыл LinuxOnTab — и через пару секунд у тебя настоящий Alpine Linux в браузере. Ни Docker, ни VPS, ни админских прав. Внутри — реальное ядро x86 на эмуляторе v86 WebAssembly, не имитация терминала. Что умеет: — apk add python3 nodejs git — ставь что хочешь — Снапшоты в IndexedDB — закрыл вкладку, открыл завтра, всё на месте — SSH с ноута внутрь вкладки: ssh -p 2222 root@localhost — и ты в браузере как в обычной машине — Папка ~/public раздаётся наружу по 4-символьному коду — После первой загрузки работает офлайн Идеально, чтобы потыкать незнакомую CLI-утилиту, прогнать подозрительный скрипт или дать студенту ссылку вместо настройки окружения на полдня. Закрыл вкладку — VM испарилась, никаких зомби-контейнеров. 🔥 — пойду ломать в браузере 👀 — а сколько потянет vCPU @ai_for_dev

Скиллы для AI-агентов теперь ставятся одной командой midudev запилил autoskills — CLI, который сам разбирается, что у тебя за проект, и докидывает агенту нужные навыки. Запускаешь в корне:

npx autoskills

Тулза смотрит package.json, Gradle и конфиги, определяет стек, тянет подходящие скиллы из своего реестра. Проверяет SHA-256, пишет lock-файл — никаких сюрпризов из левых репозиториев в рантайме. Понимает почти всё современное: React, Next, Vue, Svelte, Node, Go, Bun, Deno, Prisma, Drizzle, Vercel AI SDK, Cloudflare Agents, AWS, Terraform — список реально длинный. Open source, нужен Node 22+. Минус одна боль для тех, кто пилит проекты с AI-агентами. GitHub. 🔥 — закину в новый проект 👀 — а что там в реестре лежит @ai_for_dev

MarkMello: Markdown viewer для тех, кто устал открывать IDE ради одного .md Знакомая боль: надо быстро глянуть ADR, спецификацию или инструкцию для AI-агента — а ты тащишь VS Code или JetBrains только чтобы прочитать пару абзацев. Автор устал и сделал свой viewer. Главная идея — viewer-first: открыл файл → сразу читаешь. Никаких workspace, панелей и режимов. Редактирование есть, но включается руками, когда реально нужно. По умолчанию — спокойное чтение с настраиваемой темой, шрифтом, высотой строки и шириной колонки. Под капотом — .NET 9 + Avalonia + Native AOT. Webview автор сознательно выкинул: тащить браузер ради рендера .md — перебор. Native AOT даёт быстрый старт, ассоциации файлов работают как в нормальном desktop-приложении. Есть сборки под Windows, macOS (M-серия и Intel), Linux (AppImage). Подпись пока не настроена — Windows будет ругаться SmartScreen, macOS — Gatekeeper, лечится в один клик. GitHub: dartdavros/MarkMello 🔥 — поставлю вместо IDE 👀 — пойду покликаю @ai_for_dev

Сделали SEO-блог на 84 страницы через Claude API. За 3 дня. Запускали SAT-платформу для школьников СНГ — нужно было SEO сразу на трёх языках (RU/KK/EN). Двух копирайтеров + переводчика в штат — это убить бюджет до запуска. Так что пошли в автоматизацию. Результат: 28 статей × 3 локали = 84 файла, всё через Claude API. От первой строки до индексации в Google и Яндексе — 3 дня. Главный плот-твист — статьи не в Markdown. Каждая лежит как .ts файл с типизированным объектом. Забыл readingTime или опечатался в locale — IDE подсветит, до билда дело не дойдёт. С Markdown frontmatter такое ловится уже в проде. AI пишет 70%, остальные 30% — человек: вычитка фактов, локализация идиом, финальные правки. Без этой части статьи уходят в low-quality индекс почти гарантированно. Этический поворот: в robots.txt запрещены GPTBot и компания. Сами через AI генерим — другим не отдаём, такие дела. Разбор на Хабре 🔥 — забираю стек 👀 — а Google не забанит @ai_for_dev

LangGraph interrupt: технический разбор HITL для AI-агентов Кейс: AI-ассистент для торговли на T-Invest API, где цена ошибки LLM = реальные деньги. Автор реализует GuardRails через Human-In-The-Loop. Почему не Chain-пайплайн: линейная цепочка не позволяет корректно прервать выполнение и вернуться в ту же точку. LangGraph даёт ориентированные графы с циклами, явное управление состоянием и встроенный механизм паузы. Как работает interrupt: — LangGraph вставляет хук в граф — при достижении узла выполнение прерывается — состояние сериализуется в Checkpointer — управление уходит во внешний канал (Chainlit / Telegram / CLI) — после подтверждения граф возобновляется с того же state Реализация в ноде tool_node:

from langgraph.types import interrupt

async def tool_node(state: MessagesState):
    tool_call = state['messages'][-1].tool_calls[0]
    name = tool_call['name']
    arg_ = tool_call['args']
    if name in ('buy', 'sale'):
        # маппинг figi → ticker для UI
        # вызов interrupt с payload подтверждения

Подтверждение выводится в Chainlit, пользователь принимает решение, граф продолжает исполнение. Полный код и пояснения ⚡ — interrupt + Checkpointer = база 🤔 — а где здесь race condition @ai_for_dev

Соло-дев на AI за 700 ₽ в месяц — без Copilot и без облака Чувак собрал стек, который реально работает на домашнем ПК: 🔧 Ollama — крутишь LLM локально, бесплатно 🔧 Open WebUI — свой чат с RAG и загрузкой файлов 🔧 OpenHands — агент, который сам пишет код, сам тестирует, сам коммитит Минималка — 8 ГБ RAM и процессор средней руки. Даже на GTX 1060 тянет. Qwen 2.5 Coder 7B и DeepSeek Coder 6.7B — бесплатные модели, которые закрывают 70–80% задач по качеству. Для деплоя MVP — VPS за 500 ₽, Docker, GitHub Actions. Код никуда не утекает, от санкций не зависишь. Главный посыл: проблема не в деньгах, а в том, что лень поднять это за вечер. Статья с пошаговой инструкцией 🔥 — OpenHands надо затестить 🤷 — на 7B далеко не уедешь @ai_for_dev

microGPT в железо: 50K токенов/сек на FPGA Ребята взяли microGPT от Карпатого и зашили его прямо в ПЛИС. Никакого PyTorch, никакой видеокарты — просто плата DE1-SoC и SystemVerilog. Самый сок — как они уложили трансформер в железо: • Q4.12 fixed-point вместо float (16 бит, веса в ROM через $readmemh) • Один MatVec-блок на 16 каналов прокручивают по очереди для Q/K/V, MLP и LM-головы — экономия места • Attention превратился в FSM-расписание: посчитал dot-product, нашёл max, аппроксимировал exp, поделил, смешал V И да, 50 000+ токенов в секунду — это не опечатка. В репе всё для повторения: RTL, ModelSim-тестбенчи, экспорт весов, JTAG-инференс. Можно прошить плату и реально пообщаться с моделью через свитчи и LED-индикаторы. GitHub 🤩 — безумцы в хорошем смысле 👀 — где бы плату найти @ai_for_dev

RuStore натравили AI на рутину безопасников — и вот что вышло Ребята из RuStore устали от того, что ИБ-инженеры тратят кучу времени на одно и то же: разбор задач, проверка MR на типовые дыры, прогон DAST. И сделали три AI-инструмента: 🔹 AI-сортировщик задач — разбирает входящий поток security check-задач, отсеивает то, что не требует глубокого анализа 🔹 AI Code Review — сидит в пайплайне и ловит типовые уязвимости в merge request. Не заменяет ревьюера, но экономит время на очевидном 🔹 AI DAST — мультиагентный «робот-пентестер» уровня джуна. Автоматом прогоняет динамическое тестирование Главное — AI нигде не решает сам. Он делает черновую работу, а инженер разбирает только то, что реально требует мозгов. Статья на Хабре 🔥 — хочу такое в свой CI 😐 — джун-пентестер из AI — смело @ai_for_dev

Пакеты SAP npm заражены инфостилером Неприятная новость для всех, кто работает с SAP CAP: в официальных пакетах SAP на npm нашли вредоносный код, который выгребает у разработчиков всё подряд. Под ударом конкретные версии: - @cap-js/sqlite 2.2.2 - @cap-js/postgres 2.2.2 - @cap-js/db-service 2.10.1 - mbt 1.2.48 Хук preinstall запускает скрипт, который собирает токены npm и GitHub, SSH-ключи, креды AWS/Azure/GCP, kubeconfig и даже читает память CI-раннеров через встроенный Python. Всё шифруется (RSA-OAEP-4096 + AES-256-GCM) и заливается в публичные репозитории GitHub под учёткой самой жертвы — изящный обход типового мониторинга исходящего трафика. Самое неприятное — самораспространение: украденными токенами малварь модифицирует другие пакеты и репы, к которым у жертвы есть доступ записи. Нашли исследователи из Aikido и Socket. Атрибуция — группа TeamPCP, известная по атакам на Trivy, Checkmarx, Bitwarden и LiteLLM. Если в lock-файле эти версии — стоит срочно ротировать секреты в окружении сборки. 😐 — пошёл ротировать токены 👀 — проверю package-lock @ai_for_dev

Контекст для агента в одну команду — SocratiCode Если Cursor или Claude Code иногда теряются в большом проекте и генерят странное «потому что не видят всю кодовую базу» — есть лекарство.

npx -y socraticode

И всё. Никакой установки, никакой возни с конфигом. Движок индексирует проект и кормит агенту структурированный контекст всего репо. Открытый исходник под AGPL-3.0. Из коробки заводится в Cursor, VS Code, Claude Code — кнопки установки прямо в README. Автор обещает работу «в 30 раз лучше». Цифру оставим на его совести, но идея здравая: давать LLM весь репозиторий, а не пять открытых вкладок и надежду. 🎉 — npx и поехали 👀 — попробую на пет-проекте @ai_for_dev

Сепаратор для логов: убираем INFO-шум перед отправкой в Claude Знакомая боль: сервис упал, открываешь лог — 48k строк, среди них 5000 одинаковых GET /status 200 OK и одна критичная ошибка где-то посередине. Модель тонет в шуме, ты платишь за пустые токены, баг ищется хуже. Чувак на Хабре выкатил logzip — берёт повторяющиеся куски, выносит в легенду наверху, в самом логе оставляет короткие маркеры. На выходе текст, который остаётся человекочитаемым, но весит в разы меньше. Почему не grep/gzip: - gzip = бинарь, Claude такое не ест - grep режет контекст до и после ошибки — модель не видит, что было за минуту до фейла - logzip держит смысл аномалий и сохраняет таймлайн Сжатие до 80% на типичных логах. Идея вдохновлена этой статьёй, пост автора библиотеки. 🔥 — пойду прикручивать к пайплайну 👀 — а мне grep + sed хватает @ai_for_dev

Агенты — это всё тот же софт, просто бизнес-логика теперь галлюцинирует Отличная статья о том, почему ваш AI-агент разваливается в проде. Спойлер: потому что вы забыли про всё, кроме самого агента. Автор раскладывает агентный софт на 5 слоёв: 🔹 Логика агента — модель, промпты, инструменты, наблюдаемость 🔹 Данные — «память» агента это просто данные, проектируйте как данные 🔹 Безопасность — read-only это не промпт-инструкция, а конфиг инструмента. А утечка контекста между юзерами — не баг, а data breach 🔹 Интерфейсы — Slack-юзер ≠ юзер продукта ≠ другой агент через MCP 🔹 Инфраструктура — как запускать и масштабировать всё это Мысль, которую стоит запомнить: код-агенты снизили порог входа в код, но не снизили требования к продакшну. Системная инженерия не отменяется тем, что у вас теперь LLM вместо if-else. Читать целиком 🔥 — в закладки и команде скинуть 🤷 — капитан очевидность, но ок @ai_for_dev

Харнес закрытый — память чужая Все сейчас строят агентов через agent harness'ы — Claude Code, Codex, OpenCode и прочие. И вот в чём подвох: память агента живёт внутри харнеса. Это не отдельный сервис, который можно подключить сбоку. Контекст сообщений, результаты вызова инструментов, файлы настроек типа CLAUDE.md, межсессионная память — всем этим рулит харнес. Как метко сказала Сара Вудерс: просить «встроить память в харнес» — всё равно что просить «встроить вождение в автомобиль». Это и есть его работа. А теперь вопрос: если ваш харнес закрытый и за проприетарным API — кто владеет памятью вашего агента? Правильно, не вы. И это колоссальный vendor lock-in. Кстати, модели не заменят оркестрацию. Claude Code — 512 тысяч строк кода. Даже Anthropic не верит, что модель сама справится без обвязки. Web search в API — это тоже харнес, просто лёгкий. Мораль: хотите владеть агентом — владейте харнесом. Открытым. 🔥 — open source или смерть 🤷 — да ладно, всё равно всё на Claude Code @ai_for_dev

PR вроде ок, а ревью буксует — знакомо? Команда ушла в AI-first, и в продукт полетели PR от людей с разной глубиной контекста: часть из соседних команд, часть написана в обнимку с Claude/Copilot. Код читается, синтаксис чистый, а вопрос всё равно висит — это вообще нормальное изменение для нашей кодовой базы? Классика жанра:

- if (!user.hasScope('payments:write')) return deny();
+ if (!user.isAuthenticated) return deny();

Формально код не сломан. По смыслу — кто-то тихонько переписал политику доступа к платежам. Без контекста продукта не отличишь рефакторинг от дыры. Автор собрал PRShield — MVP, который не «ищет всё плохое» и не пишет summary по diff. Он отвечает на один вопрос: что команда должна сделать с этим PR прямо сейчас. Мержить, звать эксперта зоны или блокировать. Подробности — в статье на Хабре. 🔥 — внедрю в команду 🤡 — у нас ревью = rubber stamp @ai_for_dev