AI для Разработки — Claude | Cursor | Copilot

Китайцы выкатили свой Claude Code 😮 Разрабы GLM зарелизили ZCode 3.0 — комбайн для кодинга и работы с ИИ-агентами, всё в одном окне. Планируешь, пишешь, ревьюишь, деплоишь — без прыжков между вкладками. Самый сок: рулить задачами можно удалённо через Telegram, WeChat и Feishu. Вся среда заточена под GLM-5.2 — главную китайскую нейронку прямо сейчас. И да — есть бесплатный тариф, а платные сильно дешевле конкурентов. Забрать тут. 💯 — циферки радуют 🤩 — китайцы опять удивили @ai_for_dev

США сдают позиции: китайские модели уже 50% трафика Вышла аналитика по токенам в OpenRouter, и цифры впечатляют. За год всё перевернулось: • год назад 70% трафика было на американских моделях, у Китая ~20% • теперь у США осталось 30%, а Китай вырос до 50% Люди банально пошли за тем, что дешевле. Решил прикинуть, какой стек можно собрать целиком на китайцах — на случай, если однажды доступ к US-моделям прикроют (°□°): 1. Код: Opus 4.8 → GLM 5.2, теряешь ~8%, платишь в 5 раз меньше 2. Агенты и инструменты: GPT-5.5 → GLM 5.2, ~3%, дешевле в 5 раз 3. Массовка: GPT-5.4 mini → MiMo V2.5, ~0%, дешевле аж в 7 раз 4. Картинки: GPT-Image-2 → Seedream 4.5, ~10%, в 2 раза дешевле 5. Видео: Veo 3.1 → Kling 3.0, ~0%, в 2 раза дешевле за секунду Итого по прикидкам: экономия 60–75%, качество просядет на 7–10%. Кому-то такой размен зайдёт на ура. А вы кто на чём гоняете? 😏 💯 — циферки радуют 🤩 — китайцы опять жгут Источник: bloomberg.com @ai_for_dev

«Ты сможешь»: обучение с подкреплением для тех, кто устал от формул Знакомая боль? Открываешь туториал по ML, а там код будто писал не программист, а математик: сплошные выкладки, и без теории вообще непонятно, что происходит. Автор — такой же разработчик — решил сделать наоборот: никакой математики, только код, как мы привыкли. Тема выбрана одна — обучение с подкреплением. Немного базовых понятий всё же будет, но по-человечески. Главная фишка: тут нет готового датасета, данные добывает сама программа. Её зовут Агент — он тыкается в среду и по дороге собирает себе материал для обучения. Весь код лежит на GitHub, есть ru и en описания. Можно клонировать и щупать руками. 🔥 — наконец без матана 🤔 — код без теории — рискованно Источник: habr.com @ai_for_dev

Агенты удаляют файлы, сливают данные и взламывают сами себя ИИ-помощников сегодня пихают везде, но вместе с этим выросла и поверхность атаки. С приходом агентных систем и протоколов вроде MCP угрозы для языковых моделей перестали быть экзотикой. Раньше боялись в основном промпт-атак, отравления данных и отказов в обслуживании. Теперь добавился целый новый класс рисков: агенты сами принимают решения, ведут себя недетерминированно и иногда выходят за операционные границы. И это не теория. Уже были случаи, когда агенты сами удаляли файлы и кодовые базы на машинах пользователей. А однажды агент выложил внутренние корпоративные данные в открытый доступ. Главная мысль: системный промпт — это не граница безопасности. Перечислить все угрозы нельзя — часть того, что творится «под капотом» модели, мы попросту не знаем. Поэтому эксперт советует мыслить моделью доверия: что в ИИ-стеке мы считаем доверенным, а что — нет. Источник: habr.com 😐 — стало не по себе 🤔 — надо аудит провести @ai_for_dev

RAG-платформа ЮMoney: как устроен внутренний ассистент Юджин Задача — семантический поиск по корпоративной базе знаний, где обычный полнотекстовый поиск деградирует. Решение — RAG без дообучения модели. Формирование базы: коннекторы к Wiki, Bitbucket и внутренним документам выгружают контент; индексация идёт непрерывно, но пакетно — частые правки накапливаются и обрабатываются интервалами, чтобы не гонять лишние пересчёты. Документы разбиваются на чанки и преобразуются в векторные представления. На запросе: ретривер находит релевантные фрагменты, они уходят в контекст LLM, модель генерирует ответ, опираясь на наполненный контекст. Так база знаний обновляется без переобучения, дешевле в эксплуатации и контролируема по актуальности и безопасности. Эмбеддинги — FRIDA, русско-английская модель на энкодере FRED-T5; рекомендуются CLS-пулинг и префиксы search_query: / search_document:. Плюс загрузка документов до 5 МБ для суммаризации и вопросов по содержимому. ⚡ — забираю схему 😎 — на выходных подниму Источник: habr.com @ai_for_dev

Подборка статей про агентную разработку — июнь 2026 Авторская подборка материалов с Хабра по теме агентной разработки, собранная из хабов ИИ, программирования, аналитики и тестирования. Для каждой статьи дано короткое пояснение, чем она интересна. Основные темы месяца: - обвязка (harness) для автономных агентов — выводы из эксперимента «178 релизов», чему уделять внимание при её создании - Loop Engineering — 14 шагов к умным субагентам и автономным конвейерам - Tools, Hooks, Skills, MCP — разбор базовых понятий - перестройка процессов аналитиков под работу с ИИ-агентами и SDD - безопасность: почему промпты не защищают агентов, гайд по вайб-кодингу без утечек в прод Полный список с комментариями автора — в первоисточнике на Хабре. ✍️ — забрал в закладки 🤔 — а список спорный @ai_for_dev

AI-агент в легаси: как не словить тихие регрессии Все любят рассказывать, как ИИ круто пишет с нуля. А ты попробуй пусти его в восьмилетний Django-монолит 😅 Реальная история: команда дала Claude отрефакторить старый монолит. Агент выдавал красивые уверенные патчи — и тихо ломал интеграции с внешними сервисами. Пара откатов, охота за неочевидными багами — и все вернулись к ручному режиму. Но дело не в том, что модель тупит. Просто в легаси куча невидимого контекста — неявные контракты, на которых держится вся система. Агент видит код перед собой, а эти контракты — нет. Получается замкнутый круг: автономии нужна структура, а как раз её в легаси и нет. Что работает: добавлять структуру постепенно. Сначала жёсткий контроль, потом больше свободы — по мере того как система становится понятнее. И первое, с чего начать, — тесты как границы. Линтинг, типы, E2E дают агенту обратную связь, чтобы он сам себя проверял. Подробности у автора: Хабр 🔥 — узнаю свой монолит 🤡 — агенту легаси не дам @ai_for_dev

Comfy MCP — хватит бояться нод Если вы слышали про ComfyUI, но так и не полезли туда из-за спагетти-пайплайнов — теперь можно выдохнуть. Вышел Comfy MCP (публичная бета), и он перекладывает всю возню на агента. Подключается к Claude, Cursor, Codex и компании. Дальше просто говоришь словами: «собери воркфлоу», «найди ноду», «перезапусти мой пайплайн на этих 5 картинках» — и агент сам всё делает. Доступ к свежим моделям картинок, видео, 3D и аудио + сотни готовых воркфлоу. Главная фишка: никаких нод, скачиваний и GPU, всё на естественном языке. Захотел 20 рекламных вариантов одного кадра в 4 соотношениях сторон — попросил агента, получил. И каждая генерация воспроизводима, так что можно шарить ссылку на воркфлоу хоть коллеге, хоть его агенту. Детали — в блогпосте. 🔥 — пойду пробовать 👀 — надо глянуть бету Источник: blog.comfy.org @ai_for_dev

Как заставить ИИ писать автотесты и не утонуть в правках Продолжение цикла про ИИ в тестировании. Главный вывод прошлой части: без README с архитектурой генерация автотестов на большом легаси превращается в бесконечное ревью. Так что сначала документ — потом код. Что кладём на вход: — README с архитектурой — источник правды про структуру, паттерны и локаторы; — тест-кейсы (автор выгружала из Zephyr); — исходники проекта. Лайфхак: сложи тест-кейсы и описание архитектуры в одну папку внутри тестового модуля — модель перестанет рыскать по всему репозиторию. Самое вкусное — «алгоритм генерации автотестов». Это отдельный документ с пошаговым регламентом, чек-листами для самопроверки и примерами «правильно / неправильно». Генерится он элементарно по вашему README:

Изучи файл README.md и на его основе составь алгоритм генерации автотестов для нейросети — пошаговый регламент с примерами из проекта

Потом этот алгоритм суёшь в основной промпт — и качество генерации ощутимо растёт. Ещё пара советов: не проси 30 тестов за раз, гоняй логическими группами, и не мешай e2e с компонентными. И да — ревью кода никто не отменял. 🔥 — забираю в работу 😁 — README? у нас его нет Источник: habr.com @ai_for_dev

Бесплатный курс по большим языковым моделям: от основ до ИИ-продуктов Large Language Model Course — последовательный учебный путь от нуля до разработки и внедрения решений для бизнеса. Программа разбита на три части. LLM Fundamentals — база для старта: Python, математика и принципы построения нейросетей. LLM Scientist — работа с моделями: обучение, файнтюнинг, квантизация и другие продвинутые техники. LLM Engineer — финальный этап: создание полноценных ИИ-сервисов и их интеграция в реальные процессы. Курс охватывает весь цикл — от понимания теории до практического применения. ✍️ — добавил в список 🤔 — а где материалы @ai_for_dev

Архитектура, которая не разваливается: ArchUnitPython Python вообще плевать, как ты раскладываешь код. Никто не крикнет, когда route handler полезет напрямую в слой базы. Никто не ругнётся на циклическую зависимость. Всё чудесно — ровно до момента, пока проект не подрос, а кто-то не воткнул SQLAlchemy прямо в Pydantic-схему. Потому что так быстрее, ага. ArchUnitPython ловит такое: пишешь архитектурные правила как обычные тесты и гоняешь их в pytest. Запретить циклы — буквально две строчки:

def test_no_circular_dependencies():
    rule = project_files("src/").should().have_no_cycles()
    assert_passes(rule)

Под капотом проверяет направление зависимостей между слоями, циклы, именование, размер файлов и левые внешние модули там, где их быть не должно. Нарушил правило — тест краснеет с понятным сообщением. Никаких лишних конфигов. Ставится в одну строку:

pip install archunitpython

🔥 — узнаю свой проект 👀 — пойду гонять на легаси Источник: clc.to @ai_for_dev

X сам поднял MCP-сервер — больше не надо костылить Хорошие новости для тех, кто прикручивал AI к X: теперь у платформы есть свой хостимый MCP-сервер. Подключаешь Claude, Cursor или другой MCP-совместимый инструмент — и он ходит в X API с правами твоего же аккаунта. Раньше схема была болью: подними свой MCP-сервер, захости, прицепи API, разрули авторизацию. Теперь всё это берёт на себя X — ты просто логинишься своим аккаунтом и идёшь делать то, что реально хотел сделать. Новых ручек тут нет — поиск, чтение постов, анализ трендов и так жили в API. Просто теперь их в разы проще отдать в AI-приложение. X в хорошей компании: официальные MCP уже есть у GitHub, Slack, Notion и Stripe. И да, спамеры — мимо: с Write-эндпоинтами штука не дружит, автопостить нельзя. Детали тут. 🔥 — выкину свой сервер 👀 — сначала пощупаю @ai_for_dev

Как голосовой агент врал клиентам и подделывал собственный голос Три месяца, три эпичных бага. Голосовой ИИ-агент успел: соврать клиенту, что переводит его на сотрудника, которого не существует; какое-то время считать всех звонящих одним и тем же человеком; и выдавать «клонированный голос», который на самом деле был обычным синтезатором — клонирование молча не включалось. Самое больное: «хороший промпт» тут не спасает. Всё лечится структурой кода, а не магическими заклинаниями для модели. Ещё вайб: голос — это отдельный ад. В чате видно «печатает…», можно переспросить, пауза в две секунды никого не пугает. На звонке пауза — это мёртвый эфир и «алё? вы тут?». Голос берёт каждую слабость текстового агента и умножает на десять. Бонус-хардкор — всё это поехало на полностью российском стеке Yandex SpeechKit + YandexGPT, и там каждая задача почему-то оказывалась сложнее. История целиком: habr.com 😁 — голос это боль 👀 — пойду перечитаю свой код @ai_for_dev

Стартап Vaudit нашёл ошибочные списания за ИИ на $1,7 млн Аудиторский сервис Vaudit проверил расходы 60 компаний на ИИ-сервисы и обнаружил ошибочные списания примерно на $1,7 млн — около 5% всех проверенных трат. Большая часть спорных счетов связана с Claude Code. Среди клиентов Vaudit — Panasonic, HP и Honda. Аудиторы выделяют три типичных сценария переплат: — вместо новой дорогой модели на запрос отвечает старая и дешёвая; — деньги списываются за неоконченные или завершившиеся ошибкой запросы; — агент не справляется с задачей и снова и снова пытается её выполнить, сжигая токены. Anthropic заявляет, что не берёт плату за незавершённые запросы и ошибки и не считает переплаты массовой проблемой. В OpenAI сообщили, что не видят доказательств подобных сбоев у клиентов. По данным Vaudit, клиентам уже компенсировали около 80% спорных начислений. 😐 — стоит проверить счета 🤔 — пока не критично @ai_for_dev

Агент — это LLM в while-цикле на 20 строк. Дальше начинается боль «Запилите нам агента» — теперь обычная строчка в таске. Только под одним словом у всех своё: кому-то FAQ-бот на две кнопки, а кому-то автономную штуку с доступом на запись в прод. Слово одно — риск разный на порядок. Сам цикл реально простой: модель подумала → сделала → посмотрела на результат → снова подумала, и так пока не решит задачу или не упрётся в лимит. Двадцать строк, честно. А вот дальше весело: 80% работы — это не модель, а всё вокруг неё — границы прав, лимиты, логи, оценка качества. Первая версия почти всегда выходит дороже и хрупче, чем ждали. Коротко про разницу: промпт говорит один раз, чат-бот помнит диалог, а агент ещё и действует — сам лезет в логи и базу вместо совета «проверьте логи». Полный разбор с кодом — на Хабре. 😁 — 20 строк и в прод 🤔 — а где остальные 80% @ai_for_dev

Код есть, работает, и его никто не понимает Знакомая картина? Команда дружно подсела на ИИ, CI зелёный, покрытие под сотню, релизы летят. А потом подходишь к доске и просишь объяснить, как вообще устроена система — и выясняется, что целиком её не держит в голове ни один человек. Легко свалить на «набрали джунов». Автор спорит: это не про чьи-то личные провалы, а про свойство системы. У явления даже имя есть — долг понимания (comprehension debt), и это не то же самое, что технический долг. Техдолг хотя бы орёт о себе: тормозящие сборки, места, которые все обходят стороной. А долг понимания тихушник — база чистенькая, тесты зелёные, ревью пройдено, только вот полную модель того, что написано, не построил ни автор, ни ревьюер. И это не у одного проклятого проекта. Опрос Stack Overflow 2025: ИИ юзают 84%, а доверие к нему за год упало с ~40% до 29%. Чем плотнее работаем — тем меньше верим. Целиком тут: https://habr.com/ru/articles/1053830/ 😁 — это прям про нас 🤔 — пойду перечитаю свой кодбейз @ai_for_dev

Чувак отдал разработку ИИ — и две недели его ломали Автономный пайплайн ведёт живую браузерную игру: любой пишет боту «что поменять», дальше система сама уточняет, пишет код, тестит, ревьюит и выкатывает в общий прод. Человек на дифф не смотрит вообще. Что вышло за две недели: • 178 релизов, ноль строк кода, прочитанных человеком перед мержем • 1.4 млрд токенов улетели в модели • Режимов игры стало 12 вместо одного на старте • ~4 заявки оказались попытками инъекций — отбились на входе • Самая упрямая задача ушла на 7 кругов доработки, а одна ехала аж 13 часов Аналогия от автора огонь: программист со счётами — тот, кто пишет код руками. Программист с Excel — тот, кто строит обвязку и проверяет. Теперь он сидит не на коде, а на воротах. Почитать целиком 🔥 — катит без ревью, красава 🤡 — а я всё ещё код читаю @ai_for_dev

Почему ваш AI-агент умирает сразу после демо Знакомая схема? Берём модель, оборачиваем в while not done, насыпаем десяток инструментов — готов «автономный агент, который сам всё сделает». На демо он реально всё делает: один шаг, логи зелёные, заказчик доволен. А потом эта штука уезжает в прод. И выясняется, что демо проверяло ровно один happy path, а реальность подкидывает то пустой ответ инструмента, то противоречивые данные, то задачу на сорок шагов. Tech Lead из FinTech честно признаётся: однажды он увидел в биллинге сумму, на которую агент «думал» несколько суток подряд. С тех пор к слову «просто всё сделает» относится с подозрением. Первая из шести ошибок — реактивный while-цикл вместо плана. Агент бодро стартует, делает пару осмысленных шагов, а потом начинает ходить кругами: уточняет уже уточнённое, переспрашивает сам себя, гоняет один и тот же вызов. Со стороны — работа, по сути — топтание на месте. Все шесть граблей с симптомами и фиксами: habr.com 🔥 — в точку, больно знакомо 👀 — пойду перечитаю свой код @ai_for_dev

Гайд по сборке обвязок для ИИ-агентов — и он бесплатный Вечный вопрос: чем агент отличается от «просто модели в цикле»? Ответ — в обвязке. Это та самая прослойка, которая делает за модель всё, что она сама не может: дёргает инструменты, помнит контекст, держит границы безопасности и гоняет think → act → observe. В руководстве по-человечески разложено: • вызов инструментов, реестр тулов, MCP • память и сборка контекста • песочницы, навыки, саб-агенты, обработка ошибок • планирование и мультиагентная оркестрация Начинают с азов — въедет даже новичок. Куча примеров, которые можно копировать и сразу запускать. Есть даже «твоя первая обвязка на 50 строках Python». И вишенка — живые сравнения Claude Code, Codex, Cline, Aider и Cursor. Забираем на GitHub. 🎉 — бесплатно? беру 👀 — гляну, что за зверь @ai_for_dev

Релиз Nourish 1.0.0 — открытый композитный сервер на Rust В конце июня 2026 года состоялся первый мажорный релиз композитного сервера Nourish. Проект опубликован на GitHub под лицензиями MIT и Apache 2.0. Ключевая идея — безразмерное рабочее пространство, не ограниченное границами экрана: окна можно произвольно перемещать, панорамировать и масштабировать без потери читаемости. Для отрисовки используется Vulkan с откатом на OpenGL. Основные возможности: — протокол Wayland и расширение fractional-scale против размытия при масштабировании; — поддержка видеокарт Nvidia, Intel и AMD через Mesa; — объединение окон в именованные группы; раскладка сохраняется после перезапуска и сбоев; — отдельные рабочие пространства с 3D-навигацией в виде мозаичной карты-глобуса; — скриншоты и запись скринкастов окон или области пространства. Готовые пакеты подготовлены для Fedora 44. 🔥 — добавил в закладки 👀 — гляну на досуге Источник: habr.com @ai_for_dev