AI для Разработки — Claude | Cursor | Copilot

Ollama — это удобно. И медленно. Поставил Ollama, запустил модель — красота. Ровно до момента, когда узнаёшь, что llama.cpp гоняет ту же модель в 3 раза быстрее. Удобство имеет цену, и считается оно в токенах в секунду. Что ещё полезно знать, если крутите LLM дома: — UD_Q4_K_XL от Unsloth жирнее обычного Q4_K_M по качеству, а весит столько же. У ребят 9 ТБ бенчмарков и честный Парето-фронтир, не маркетинг. — Q3 иногда медленнее Q4 — да, так тоже бывает, распаковка капризная. — Qwen3.6-35B-A3B — это не «35 миллиардов активных». 35B всего, A3B активных при генерации. MoE = шустро, но качество гуляет. Dense = умнее, но ждать будете. — REAP для выпиливания лишних экспертов из MoE — идея соблазнительная, но не всегда выигрышная. Полезно перед тем, как в очередной раз скачать 40 ГБ и разочароваться. llama.cpp 🔥 — пойду сносить Ollama 👀 — подожду, пока кто-то замерит @ai_for_dev

GPT-5.5 вышла — OpenAI снова в гонке Альтман выкатил GPT-5.5 и говорит, что это самая мощная моделька OpenAI прямо сейчас. По фактам: • Жрёт меньше токенов — разрабы оптимизировали расход • Сильно подтянули многошаговые задачи — не теряется на длинных цепочках • Сама ищет инфу, пишет код и проверяет результат • Держит длинный контекст без провалов • Умеет управлять приложениями на компе — Slack и подобное Пока только платникам, API обещают подвезти чуть позже. Потрогать — chatgpt.com. 🔥 — пойду гонять на своих задачах 🤔 — без цифр это маркетинг @ai_for_dev

Забудь про "как там этот find с -size" Стивен Кох выкатил Command Finder — пишешь по-человечески «найти файлы больше 100 МБ», получаешь готовую команду для bash/zsh. macOS и Linux в комплекте. Фишка в том, что индексация идёт по смыслу запроса, а не по имени команды. То есть «поиск больших файлов», «обнаружить большие файлы», «найти жирные файлы на диске» — всё ведёт к одному результату. Внутри уже 389 команд, 15 категорий и 1909 шаблонов. Питон, MIT-лицензия, лежит на GitHub — форкай, добавляй свои сценарии. В общем, замена бесконечному man tar и вкладке Stack Overflow. 🎉 — бесплатно? беру 👀 — пока tldr хватает @ai_for_dev

Красивые React-анимации в режиме copy-paste Наткнулся на animata.design — коллекция стильных анимированных компонентов, которые просто копируешь и вставляешь в свой проект. Что внутри: → Всё на React + Tailwind → Анимации руками, не сгенерированный шлак → Кастомизация — как душе угодно → Бесплатно и open-source Идеально, когда надо быстро оживить интерфейс, а писать хитрые transitions с нуля лень. 🎉 — бесплатно? беру 👀 — надо пощупать @ai_for_dev

DeepSeek V4 Preview — и снова бьёт по ценам Вышло сразу две модели: V4-Pro (1.6T / 49B активных) для тяжёлого reasoning и агентов, и V4-Flash (284B / 13B) — быстрая и дешёвая для массовки. У обеих 1M токенов контекста, tool calls, JSON output и API, совместимый с OpenAI и Anthropic — то есть подменяешь endpoint в своём клиенте и поехали. Цифры бодрые: 93.5 на LiveCodeBench, 3206 Codeforces, 80.6 SWE Verified, 90.1 GPQA Diamond. Pro реально метит в Claude/GPT-зону. Но главное, ради чего это всё — цена: Flash стоит от $0.028 за 1M input токенов при cache hit и $0.28 за output. Pro — $1.74 / $3.48. За такие деньги западные провайдеры даже кофе не наливают. Пощупать можно тут: chat.deepseek.com, HuggingFace, V4-Pro на OpenRouter и V4-Flash. 🔥 — пойду переключать endpoint 🤩 — опять Китай удивил @ai_for_dev

Поставил лимит $10 в Google Cloud — получил счёт на $25 672 История, от которой дёргается глаз. Разработчик включил биллинговый лимит на $10. Ночью в его проект прилетело 60 000 API-запросов с ключа, которого вообще не было в проекте. Утро, кофе, счёт на $25 672. Саппорт посоветовал отключить биллинг — разработчик отключил. Вместе с биллингом улетели логи, и доказать взлом стало почти нереально. Деньги в итоге вернули, объяснений не дали. Лайфхак на память: лимит в GCP — это не hard cap, а бюджет для алерта. Запросы он не останавливает. И логи перед любой эскалацией лучше отдельно экспортировать в BigQuery — иначе потом нечем будет размахивать в тикете. 😐 — биллинг страшнее багов 👀 — пойду алерты настраивать @ai_for_dev

Пишем AI-агента на Kotlin — встречайте Koog Пока все клепают агентов на Python и LangChain, JetBrains тихонько выкатили Koog — фреймворк для AI-агентов на Kotlin. Логика простая: зачем уходить из любимой IDE и языка, если можно собирать агентов прямо здесь? Что умеет: — дружит с MCP (Model Context Protocol) из коробки — embeddings для RAG и семантического поиска — кастомные tools, которые вызывают внешние API — память между сессиями — агент не забывает, о чём вы говорили вчера — графовые стратегии для сложных сценариев Самое вкусное для мобайл-разрабов: Koog встраивается в KMP-приложение. MCP-сервер, агент и клиент — всё в одном проекте, на одном языке. Автор статьи собрала агента для генерации KMP-болванок и прикрутила его к Continue Dev. И да, самого агента писал Cursor — нюансы этого процесса в конце статьи. 👀 — Kotlin снова в игре 🙏 — спасибо, JetBrains @ai_for_dev

Malus: ИИ клонирует ваш open source и плюёт на лицензию Появился инструмент Malus, который натравливает ИИ на чужой open source и выдаёт «чистый» клон — та же функциональность, но без GPL, без копилефта, без указания авторов. Фишка в юридическом лайфхаке из 1982 года: тогда Columbia Data Products клонировала BIOS IBM методом clean room — одна команда читала оригинал и писала ТЗ, вторая кодила с нуля по этому ТЗ. Суд сказал «это оригинальная работа». Так появились IBM-совместимые PC. Теперь вместо второй команды — LLM. Попросил модель воссоздать функциональность — получил «оригинальный» код. Автор Майк Нолан говорит, что это демонстрация риска, а не продукт. Но ящик Пандоры уже открыт. Вопрос к сообществу: если ваш проект на GPL перепишет бот с нуля — это всё ещё ваша работа? 🤔 — лицензии сломались 💔 — копилефт плачет @ai_for_dev

MWS AI выкатили OpenAutoNLU — AutoML для NLU, который реально работает из коробки Знакомая боль: берёшь AutoML-библиотеку под классификацию интентов или NER, а дальше начинается ручной ад — чистка датасета, подбор гиперпараметров, отдельный велосипед под OOD-запросы. Ребята из MWS AI, ИТМО и MBZUAI собрали всё это в одну опенсорс-либу. Что внутри: — Диагностика данных прямо в пайплайне — ловит шум, дубли и перекос классов _до_ обучения. — OOD-детектор учится без заранее размеченных out-of-scope примеров (то, что обычно приходится фармить руками). — Работа с LLM-функциями и готовые пресеты — меньше возни с конфигами. Либа уже крутится в проде на MWS AI Agents Platform. Сорцы и демо лежат на GitHub, научка — в отдельной статье. 🔥 — забираю в сапорт-бота 👀 — надо потыкать → Final: ⊕0.82 | ⊘hal:0.08 | ◇int:N/A @ai_for_dev

Свой Perplexity без подписок и квот Чувак собрал self-hosted deep research стек. Три ручки за одним API — и никаких платных ключей. - /search — дроп-ин замена Tavily через SearXNG, 100+ движков - /extract — URL превращается в чистый markdown через trafilatura. Есть пресеты размера и пагинация для длинных статей - /research — закидываешь вопрос, получаешь отчёт с цитатами. Внутри Hermes от Nous Research: поднимается под каждый запрос в отдельном контейнере и сносится после Фазы ресёрча агента: plan → gather → gap-check → synthesise → verify. LLM-агностик — хоть vLLM, хоть Ollama, хоть облако. docker compose up — и у тебя дома Perplexity/Exa/You.com. Заодно каждый из трёх сервисов полезен сам по себе. Репа на GitHub. Название тоже огонь — Searcharvester 🌾 🔥 — наконец без Tavily 🤷 — многовато движущихся частей @ai_for_dev

OpenAI тихо выложила анти-слив для LLM-пайплайнов Privacy Filter на Hugging Face — модель, которая вырезает личные данные из текста до того, как вы отправите его в API. Имена, почты, телефоны, пароли, банковские реквизиты — детектит всё. Что приятно: - 1.5B параметров, 50M активных — крутится в браузере через WebGPU - 128K токенов контекста — никакого ручного чанкинга - Apache 2.0 — берёте и пихаете в коммерческий продукт - Локально — ни один байт не уезжает наружу - Fine-tune возможен — подкрутите под свои данные Подключается в три строчки:

from transformers import pipeline
classifier = pipeline("token-classification", model="openai/privacy-filter")
classifier("My name is Alice Smith")

По сути — готовый санитайзер перед любым вызовом GPT/Claude. Compliance-отдел пришлёт благодарность. 🎉 — бесплатно и локально? беру 👀 — надо прогнать на своих логах @ai_for_dev

Claude Code бесплатно: прокси, который подменяет Anthropic API Пока официальная подписка на Claude Code стартует от $100, кто-то выкатил на GitHub Free Claude Code — прокси, который подменяет API и гоняет запросы через бесплатные или локальные модели. Куда можно подключиться: - NVIDIA NIM — 40 запросов в минуту задарма - OpenRouter — сотни моделей, часть из них фришные - LM Studio или llama.cpp — если хочется всё крутить локально на своей машине Ставится через две переменные окружения, сам Claude Code не трогаем. Агентский режим, работа с файлами, thinking-токены — всё на месте. Можно даже раскидать Opus, Sonnet и Haiku на разные модели через per-model маппинг. 🎉 — халява, хватаю 🙏 — автору лучей @ai_for_dev

785 карточек знаний для агентов — чтобы Claude перестал жить в 2020 году Знакомая боль: просишь Claude натренировать LoRA — а он предлагает рецепты пятилетней давности. Не потому что они лучше, а потому что их тупо больше в обучающей выборке. Для всего, что быстро движется, агент по умолчанию тянет в прошлое. Автор устала платить сотни долларов за deep research, который испаряется вместе с сессией, и собрала Happyin Knowledge Space — 785 статей в 26 доменах (Python, Kafka, SQL, LLM, security, image-gen и ещё 20). Формат — не туториалы, а карточки: определение, Key Facts с цифрами, копипастабельные Patterns, подводные камни. Подключаешь через RAG или MCP — и агент сразу видит актуальные подходы, а не фантазии из 2019. Всё на MIT, репа тут. 🔥 — заберу в свой стек 👀 — а Kafka там нормально описана? @ai_for_dev

Разобрали CLI-агента до винтиков Чувак неделю ковырял исходники одного CLI-агента (300+ модулей, 800к строк в файле-входа — привет, бандлеры) и написал на Хабре, что внутри. Спойлер: вся магия — это один короткий цикл. - Юзер написал → собрали контекст → отправили в LLM - Модель попросила tool call → дёрнули → вернули результат - GOTO 2, пока модель не скажет «всё, я закончил» Всё. Остальное — обвязка: сжатие контекста когда он пухнет, пермишены чтобы агент не снёс вам /, память между сессиями, MCP-тулзы, красивый TUI. Аналогия автора огонь: агент = повар. Нож — инструмент, холодильник — контекст, заказы — юзер, скороварка — компрессия контекста когда холодильник уже не закрывается. И главное — это реально повторить на локальной LLM. Никакой магии, только диспетчеризация. 🔥 — пойду писать своего 👀 — любопытно, как у них сделана память @ai_for_dev

Коммитить .env в git? С dotenvx — можно Знакомая схема: .env в .gitignore, а ключи раздаются в личке через Slack, кто-то забыл, кто-то потерял, у нового джуна вообще версия трёхмесячной давности. Классика. dotenvx предлагает шифровать .env через криптографию с открытым ключом — ту же, что крутится в Bitcoin (secp256k1). Зашифрованный файл спокойно коммитится в репу, а приватный ключ лежит в .env.keys (его в .gitignore). Разработчик клонирует проект, подкидывает свой ключ — и всё расшифровывается на лету при запуске. Что умеет: • Один CLI на все языки — Python, Node, Go, Ruby, Rust • Разделение сред: .env.production, .env.staging, .env.ci • Не нужны внешние сервисы типа Vault или AWS Secrets Manager Для небольшой команды — выглядит как адекватная замена пересылке секретов в мессенджерах. 🔥 — пойду шифровать всё подряд 👀 — Vault не волнуется @ai_for_dev

TypeScript 7.0 Beta: tsc умер, да здравствует tsgo Microsoft выкатила бету TypeScript 7.0, и главная новость — компилятор полностью переписан на Go. Да, тот самый TS теперь компилируется не самим собой, а гошечкой. Что это даёт: обещают ускорение в 10 раз и больше на больших проектах. Если у вас монорепа, где tsc жуёт память и раздумывает по минуте — теперь должно летать за счёт нормальной параллелизации. Самое приятное — поведение языка не поменялось. Типы работают как в 6.0, мигрировать можно без переписывания проекта. Просто ставите пакет и пробуете новый бинарь tsgo вместо tsc:

npx tsgo --version

Для VS Code есть preview-расширение языковой службы — можно потрогать скорость прямо в редакторе. Бета считается достаточно стабильной для ежедневной работы, но дата финального релиза не объявлена. 🔥 — пойду гонять на своей монорепе 👀 — интересно, как tsgo дружит с ts-node @ai_for_dev

SourceCraft CLI: автономный AI-агент в терминале от Yandex B2B Tech «Яндекс» запустил CLI-клиент для своей платформы SourceCraft. Архитектурно это автономный агент поверх моделей Yandex AI Studio, встроенный в рабочий процесс разработчика. Возможности агента: • Выполнение задач из естественно-языковой спецификации в фоновом режиме • Автоматическая генерация кода + прогон тестов + оформление PR • Context-awareness: резолв репозитория и связанной задачи • Запуск CI/CD-конвейера (сборка → тесты → доставка) • Механизм skills — детерминированные сценарии для повторяющихся процессов (code review, типовые проверки) Изоляция данных: закрытый контур, отсутствие передачи кода во внешние сервисы — соответствие требованиям к обработке персональных данных. Интеграция: совместимость с существующими платформами разработки без миграции. Роадмап (по словам Дмитрия Иванова): учёт накопленных знаний команды — прошлых технических решений, внутренних стандартов, сокращение onboarding в новые задачи. Рыночный контекст: CLI-агенты генерируют ~4% публичных коммитов в 2025, прогноз >20% к концу 2026. 🔥 — пойду тестить в песочнице 🤔 — как оно с локальным LSP дружит @ai_for_dev

Дообучить свою LLM на домашней видюхе — уже реальность Ещё пару лет назад fine-tuning был игрушкой лаб с миллионными грантами. Сейчас — QLoRA + Unsloth, и ты крутишь 8B-модель на карте с 12 ГБ VRAM. Гайд на Хабре проводит от идеи до запуска. Сначала подумай, а надо ли вообще дообучать. Часто задача решается нормальным промптом или RAG. Если всё-таки решил — вот рецепт: — Ставишь Python, PyTorch, Unsloth, Hugging Face — Собираешь 500–10 000 примеров (ChatML, ShareGPT или Alpaca), чистишь дубли — Берёшь базу: Llama 3.1 8B, Mistral 7B или Qwen 2.5 7B — Запускаешь QLoRA через Unsloth + SFTTrainer — Смотришь на train/val loss, чтобы не переобучить — Мёржишь LoRA-адаптер с базой, экспортишь в GGUF и катаешь через llama.cpp или Ollama И всё, у тебя своя локальная модель под задачу — без OpenAI, без утечек данных, без токен-счётчика. 🔥 — дообучу на своих мемах 🏆 — 12GB хватит на всех @ai_for_dev

Qwen3.6 теперь думает как Opus 4.6 Китайцы из Qwen недавно выкатили Qwen3.6-35B-A3B (35B параметров, 3B активных — MoE же), а энтузиаст hesamation взял и дистиллировал её на reasoning-трейсах Claude Opus 4.6. На HuggingFace уже лежат GGUF-кванты Q4_K_M — Q8_0. Что это значит на практике: в коде не сильно лучше, но начинает думать по шаблону Опуса — меньше зацикливается, меньше тупит в длинных цепочках. Цифры для интереса: на маленькой прогонке MMLU-Pro база выдала 42.86%, дистиллят — 75.71%. Выборка всего 70 вопросов, так что это скорее sanity check, но направление понятное. Плюс бонусом — 262K токенов контекста из коробки. Можно крутить локально через llama.cpp. 🐳 — кит думает как Opus 🔥 — self-hosted gang @ai_for_dev

Тройки AI-агентов вместо команды: Pipeline Triad Pattern Чувак из банковской разработки предлагает паттерн, где каждый этап пишется не одним агентом, а тройкой: один создаёт, второй критикует, третий судит. Человек заходит только в 4 точках — остальное на агентах. Логика простая: типичная задача в банке ползёт до прода 2-3 месяца через аналитиков, ревьюеров, тестировщиков и безопасников. Между ними — ожидание, больничные, митинги. А конвейер троек обещает закрыть это за часы. Но есть нюанс: работает только на формализованных задачах с чёткими правилами. Для MVP и экспериментов — мимо. И автор честно говорит про галлюцинации и зависимость от качества промптов. По сути — эволюция идеи «один агент = один специалист» до «тройка агентов = один надёжный специалист». Звучит разумно, но хочется увидеть реальные метрики. ⚡ — тройки агентов — тема 😐 — без метрик не верю @ai_for_dev