Сказки из IT - Егор Урванов

Посмотрел отчёт антропика - Модель 1 (Opus 4.7): реальную компанию приняла за симулированную цель и атаковала; дважды после сомнений сама убедила себя, что "реальная" компания — часть учения, и не остановилась ни разу. - Модель 2 (Mythos 5): сама заметила, что публикация пакета была бы реальной атакой в интернете — и тут же убедила себя, что это симуляция (не узнала сертификаты, увидела дату "2026"); реальные системы, скачавшие вредонос, восприняла как "подставных актёров" учения. - Модель 3 (исследовательская): большую часть прогона тоже принимала реальные хосты за часть учения — но обратный случай: заметила, что взломанный хост находится в облачном аккаунте, никак не связанном с задачей, сделала вывод, что цель настоящая, и сама остановилась. У меня иногда бывают задачи на проверку уязвимостей, я это делаю разными моделями, но суть в том, что у всех болячки одинаковые те, которые публикует антропик. Это позволяет делать проверки на безопасность пока что —————— Менеджер? Давай сюда! Ищи работу здесь Технологии и архитектура

В 2024 году команда Принстона (Dorkenwald et al., опубликовано в Nature) впервые полностью картировала мозг взрослой мушки-дрозофилы — все 139 255 нейронов и миллионы связей между ними. Первая полная карта мозга такой сложности в истории. А теперь эта карта не просто лежит в статье — она реально работает в браузере на локальной машине. Достаточно Claude Code на самой базовой модели Sonnet сказать:

Склонируй https://huggingface.co/spaces/Xenova/fruit-fly-simulation. Репозиторий на git-lfs — если git-lfs не установлен, сначала поставь (например brew install git-lfs), потом внутри склонированной папки git lfs install --local && git lfs pull, иначе файлы весов останутся пустыми заглушками по 132 байта. В src/brain-gpu.js в обоих вызовах getKernel замени assetURL('kernels/ai.onnx.Identity') и assetURL('kernels/ai.onnx.MatMul') на просто '/kernels/ai.onnx.Identity' и '/kernels/ai.onnx.MatMul' — без этого один из запросов иногда намертво зависает на серверах huggingface.co вместо использования уже лежащих рядом локальных файлов. Собери: npm install && npm run build. Раздавай именно папку dist обычным статическим сервером (python3 -m http.server из dist) — не через npm run dev/preview, там при ошибочном пути вместо честной ошибки молча подсовывается главная страница, из-за чего проблему сложнее поймать. Открой в браузере и нажми «Download & start» — если после клика ничего не происходит несколько секунд, нажми ещё раз, кнопка иногда не срабатывает с первого клика. Готовый результат проверяй в обычном окне браузера, а не через скриншоты автоматизации — там правая часть с 3D-мушкой может ошибочно казаться пустой.

Мушка ходит, ест, вздрагивает, чистится — потому что по её настоящей карте связей в реальном времени бегут смоделированные нервные импульсы. Можно подуть на неё (тапнуть рядом), потрогать — она вздрогнет и убежит именно так, как ей велит её собственная проводка. Специально прицепил скрин, чтобы было видно, что это на моём локал хосте. Запустил за 20 минут. 20 минут ушло на ожидание по сути, когда клод всё сделает. Взрыв мозга, конечно —————— Менеджер? Давай сюда! Ищи работу здесь Технологии и архитектура

Тот момент, когда ты научил маркетинг в клод код и маркетинг сидит в VS коде и говорит: так он же удобный. А потом приходит и требует доступы к гитлабу, чтобы подключить mcp сервер А в конце удивляется: почему туда не все ещё заехали —————— Менеджер? Давай сюда! Ищи работу здесь Технологии и архитектура

Продолжение истории современной разработки —————— Менеджер? Давай сюда! Ищи работу здесь Технологии и архитектура

Современная разработка в двух словах —————— Менеджер? Давай сюда! Ищи работу здесь Технологии и архитектура

Я 6ой на хакерранке из 215 000 участников Все задачи по проекту эйлера сданы Как я это сделал? 😏

Ищу Senior Python Developer (AI) в к себе в продуктовую команду, которая строит LLM-based решения, agentic AI-системы и AI-инфраструктуру в production.

⚠️ Важно: только кандидатов с 2+ годами коммерческого опыта разработки agentic AI-систем

📌 Чем предстоит заниматься - Проектировать LLM-based архитектуру и AI-сервисы - Разрабатывать AI-агентов (ReAct, planning, routing, handoff, tool use, memory) - Строить agentic harness (tool loop, middleware, guardrails, state management) - Интегрировать RAG, vector DB, MCP и внешние API - Управлять context window, cost и latency - Разрабатывать REST API и асинхронные сервисы - Оркестрировать AI-workflow (Temporal) - Настраивать observability AI-систем (Langfuse или аналог) - Разворачивать AI-инфраструктуру в GCP Vertex AI / AWS Bedrock - Оценивать качество LLM-workflow и AI-агентов 📌 Наш стек Python, FastAPI, asyncio, PostgreSQL, SQLAlchemy, Redis, RabbitMQ, Docker, Kubernetes, LangGraph, LangChain, OpenAI API, MCP, RAG, Temporal, Langfuse, Grafana, Bedrock, Vertex AI, Cursor, Claude Code, Codex 📌 Требования: - 5+ лет коммерческого Python - 2+ года коммерческого опыта разработки agentic AI-систем - LangGraph / LangChain - Agent patterns: ReAct, planning, routing, handoff, memory, tool use - Agent Runtime / Agent Harness - MCP - RAG - Prompt Engineering + Guardrails - Langfuse (или аналог) - Temporal (или аналогичные workflow-движки) - FastAPI, asyncio - PostgreSQL, Redis, RabbitMQ - Docker - mypy, pytest - Cursor / Claude Code / Codex - Находитесь вне РФ и РБ 📌 Будет плюсом: - Kubernetes, Kafka - PHP - Spec-driven Development - PyTorch / HuggingFace - Kaggle 📩 Отклики — в ЛС @YouLiiia #vacancy #вакансия #ai #python #backend #remote #limassol —————— Менеджер? Давай сюда! Ищи работу здесь Технологии и архитектура

Появился доклад с первого митапа Как настроить Claude Code, OpenAI Codex и других AI coding agents так, чтобы они стабильно выполняли инженерный workflow, запускали тесты, соблюдали документацию и проверяли собственный код. Подписывайся на канал, тогда все уведомления в ютубе будет получать —————— Менеджер? Давай сюда! Ищи работу здесь Технологии и архитектура

А у меня день рождения! 😊 Я буду рад, если вы поставить лайк под этим постом 😁❤️ А ещё я люблю лайки, репосты и просмотры 😏

Итак, анонсы докладов митапа 11 июня ⏺HINT или почему "Я робот" - это пророчество ⏺layered spec - spec programming language ⏺Применение Harness Engeneering по методологии OpenAI в своих проектах по разработке 18 июня ⏺Основной буст от ИИ — рост личной продуктивности, остальное следствие ⏺Command Rails: рельсы для надёжной разработки с AI-агентами ⏺Как я вести разработку автономно ⏺Сравнение харнесов: Claude code, Hermes, open claw, open code —————— Менеджер? Давай сюда! Ищи работу здесь Технологии и архитектура

Митап О чем? На следующей неделе в четверг будет митап по агентам, вайб-кодингу и всему, что прямо или косвенно связано с ИИ. Ограничений нет Цель митапа Найти паттерны, которые можно стабильно применять в бизнесе и прикладных задачах. Удачные находки те, которые у многих появляются неазвисимо Таких митапов будет серия #Митап 🕖 Время: Четверг 19:00 11.06.2026 📍 Место: онлайн, регистрация будет позже Анонс докладов будет позже

Занимаюсь тулой для спеков. Что-то вроде openspec, только заточено под то, чтобы агент сам читал стейт из файлов и не терял контракт между сессиями. А акцнет на чтение людей делаю меньший Отличие от ближайшего конкурент openspec в том, что я хочу, чтобы требования можно было бы давать ещё более верхнеуровневыми, чем в опенспеке, а клод бы сам находил противоречия. При этом хочу стабильности и снижения потеряшек требований, хотя, по-умолчанию считаю, что это chaos-driven-development, как k8s Пока сыро, баги есть. Но уже юзаю сам, постепенно объединяю со скиллами и правилами Кто потыкает — расскажите что сломалось ⚠️⚠️⚠️ В будущем релизе планирую сделать SRE-скилл, который умеет интеграцию с гитлабом и отправлять пулл-реквесты по инцидентам —————— Менеджер? Давай сюда! Ищи работу здесь Технологии и архитектура

Тот момент, когда клоду стало впадлу переделывать работу —————— Менеджер? Давай сюда! Ищи работу здесь Технологии и архитектура

Болтали тут про OpenSpec и SpecKit Мне не зашло: - У меня уже довно есть пайплайн — требования генерятся через gpt и падают в confluence/jira. Openspec туда никак не встраивается, нужно делать всё отдельно, и проще было просто ctrl+c ctrl+v из jira в контекст - Токены. Генерить спек на клоде дорого — упираешься в лимиты. Если генерить на gpt — непонятно зачем вообще тогда openspec - Проблема с контекстом. Пробовал хранить спек прямо в репе — раздувает контекст, но эффекта особо нет. Модель всё равно не читает его автоматически, нужно носом тыкать в конкретный файл. А если класть в rules — с третьего сообщения уже 200к токенов набегает, когда контекст нужно уже очищать - Ну и живая разработка плохо ложится на спек — постоянно какие-то промежуточные доработки, которые в спек не вписываются - spec-kit не пробовал, у него вроде есть jira-интеграция через расширения, может там получше. Но фундаментальная проблема с контекстом одинаковая у обоих —————— Менеджер? Давай сюда! Ищи работу здесь Технологии и архитектура

Уже не первый раз слышу аналитику от BCG, PwC, Stanford и других ребят, что люди стали сильнее выгорать с использованием агентов Это только у меня такое начало появляться в последнее время от Claude? —————— Менеджер? Давай сюда! Ищи работу здесь Технологии и архитектура

LLM чинит прод быстрее тебя, просто ты задаёшь тупые вопросы Ты сидишь смотришь на баг, как баран на новые ворота, и пишешь в Claude: “не работает, помоги” — ну конечно он тебе ответит чем-то размытым, потому что ты сам не понял, что происходит; отладка через LLM — это не про «спросить», это про то, чтобы сначала самому собрать трассировку системы: кто дернул, куда пошло, какое состояние было до/после, где разрыв, иначе ты не инженер, а просто пассажир в чате Самый грязный хак: LLM не дебажит код — он дебажит твою модель в голове, и если у тебя там каша, он усиливает кашу; поэтому нормальный флоу такой: сначала ты руками раскладываешь цепочку событий, как в моём недавнем кейсе (User → Telegram → handler → FSM → LLM → DB), фиксируешь где ожидание одно, а реальность другая, и только потом кидаешь это в Claude — и он уже не "думает", он валидирует твою гипотезу или ломает её Sequence diagram: ты рисуешь поток, и внезапно видно, что у тебя не "кнопка сломалась", а состояние сменилось между двумя сообщениями, или контейнер вообще с другим кодом живёт, или LLM скорит raw вместо structured — текстом ты это не увидишь, мозг срежет углы, а диаграмма нет, она тебя же и ловит на вранье Последняя схема — это твой способ думать: ты показываешь Клоду не симптом (“сбросилось всё”), а расхождение в процессе (“должно было пройти A→B→C, а у меня A→C, B пропало”), и он сразу цепляется за конкретную точку, а не плавает в абстракциях… и да, в этот момент он становится не советчиком, а реально вторым инженером на инциденте LLM ускоряет дебаг в десятки раз не потому что он умный, а потому что заставляет тебя перестать быть тупым: либо ты формулируешь систему как последовательность состояний и переходов — либо продолжаешь тыкать "перезапусти контейнер" и удивляться, почему опять всё поехало… —————— Менеджер? Давай сюда! Ищи работу здесь Технологии и архитектура

Кодишь как бог, а каждый раз объясняешь ИИ одно и то же? ну давай ещё раз, конечно… Сильная модель, да. Но как только открываешь новый проект — снова это: “пиши тесты сначала”, “не лезь в инфру”, “коммит нормально оформи”… и ты такой сидишь, повторяешь это как мантру, будто у тебя не код, а дрессировка попугая. Потом удивляешься, почему он всё равно пишет как стажёр… потому что ты его таким и оставил. Берёшь → клонишь .claude → и внезапно оно начинает жить по правилам, а не по настроению. Скиллы, агенты, конвенции — всё уже лежит, не надо изобретать “свой подход к TDD” в каждом репо заново. Он не становится гением, но перестаёт быть хаосом… и вот это уже неприятно удобно. Самое отстойное — обратно уже не хочется. Когда у тебя есть /tdd, который реально ведёт процесс, или /commit, который не позорит тебя перед историей git… внезапно начинаешь замечать, насколько раньше было криво. Типа жил нормально, а потом увидел, как можно без боли. Короче, это из серии “попробовал — и теперь смотришь на другие проекты с лёгким отвращением”. Ну и да… если вдруг захочется сохранить это ощущение где-то рядом, чтобы не потерять — ты знаешь, где кнопка 😉 —————— Менеджер? Давай сюда! Ищи работу здесь Технологии и архитектура

Resilient AI Pattern. x70 к скорости релизов при фиксированной доле ошибок в 2-3% Последние разы это были не “умные слова про архитектуру”, а конкретные куски одной системы: fallback, strangler, anti-corruption… они по отдельности выглядят как паттерны, но вместе это уже другой способ делать разработку, где скорость перестаёт конфликтовать с качеством Смысл простой, но обычно его пропускают: ты больше не пытаешься сделать идеальный код до продакшена, ты строишь систему, в которой неидеальный код не может навредить — и вот тогда появляется возможность реально ускоряться, а не играть в ускорение Что происходит дальше генерация кода становится нормой → тесты дают минимальную валидацию → ACL не даёт протащить мусор в домен → fallback гарантирует завершение → strangler позволяет заменять куски без риска → канарейка показывает реальность, а не “кажется работает” И вот из этого внезапно собирается результат - x70 к time-to-market — не магия, а следствие - ошибки возвращаются к тем же 2–3% — потому что система их не накапливает, а отрезает

def handle(data): try: result = ai_call(data, timeout=0.2) # быстрый, но нестабильный путь safe = validate_and_map(result) # ACL: чистим и приводим к домену return safe except Exception: return fallback(data) # гарантированный baseline

Если читать каждый паттерн отдельно — кажется, что это про стабильность, если сложить их вместе — становится понятно, что это про скорость без потери качества —————— Менеджер? Давай сюда! Ищи работу здесь Технологии и архитектура

Интеграция без Anti-Corruption Layer — это ... Ты думаешь, что просто “подключил сервис” или “импортнул либу”… а по факту ты притащил в свою систему чужие контракты, кривые модели, странные статусы и поведение, которое вообще не обязано совпадать с твоей логикой — и дальше сидишь такой “ну вроде работает”, пока однажды это не начинает ломать тебе доменную модель изнутри Самое мерзкое — оно не падает сразу, оно тихо протекает: поля начинают значить разное, статусы не совпадают, инварианты нарушаются, и у тебя уже не система, а гибрид Франкенштейна, где половина логики “ну потому что там так приходит”, и ты это даже не контролируешь Лечится это не “договоримся с API” (лол, конечно договоришься), а тупо — ставишь Anti-Corruption Layer и говоришь: всё, что снаружи, — это не наша реальность, мы это мапим, валидируем, режем, и только потом пускаем внутрь; не прошло проверку — до свидания, живём без этого Ты больше не зависишь от того, как там кто-то что-то поменял, у тебя есть своя модель, свои инварианты, и любой внешний вызов — это не “часть системы”, а подконтрольный перевод через границу, где ты решаешь, что правда, а что мусор Если этого слоя нет — поздравляю, у тебя нет архитектуры, у тебя есть shared failure domain, только не по latency как с фолбэком, а по смыслу данных… ... — это оно просто ещё не запахло —————— Менеджер? Давай сюда! Ищи работу здесь Технологии и архитектура