AI для Разработки — Claude | Cursor | Copilot

Каскад из 5 LLM-провайдеров, чтобы вообще не платить Чувак пилит бота Briefka, тот вырос с 59 до 84 юзеров — и бесплатный тариф начал срываться на платный провайдер. Решение огонь: не один платный API, а лесенка из пяти, с автофолбэком при rate limit.

Groq #1 (free) → Groq #2 (второй акк)
  → Mistral (free) → Cerebras (free)
    → DeepSeek (платный, якорь)

Смысл простой: пока хоть один бесплатный жив — не платим ни копейки. DeepSeek снизу не для работы, а чтобы система вообще не легла. Самое вкусное — circuit breaker: поймал 429 — иди отдыхай 10 минут, тебя пока пропускаем. Не надо на каждом запросе биться в стенку исчерпанного лимита. Есть и боль про переезд с российского сервера, и про то, какие ошибки фолбэчить нельзя (auth и контентные — это не «попробуй другого»). Код — живой, из прода. Читать целиком: Habr 🔥 — два аккаунта groq, гениально 🤷 — мне б до платежа дорасти @ai_for_dev

Кто экономит токены агенту: grep, RAG или LSP? Прогнали 21 тул на реальных задачах Знакомо? Пара правок с Claude Code — и хоба, дневной лимит всё, баланс API показывает дно. Вся боль в том, что агент жрёт токены не на редактировании кода, а на навигации: судорожно вычитывает файл за файлом в надежде наткнуться на нужный кусок. Автор задался вопросом: какой поисковый тул реально помогает, а какой просто заставляет агента блуждать по репе. Собрал бенчмарк и прогнал 21 конфигурацию — от дедовского ripgrep до RAG и LSP. Код выложил: letya999/tools-token-economy. Главный инсайт: больше тулов — не всегда лучше. Когда у агента разбегаются глаза от обилия поисковиков, он либо мечется между стратегиями, либо тащит в контекст столько мусора, что забывает, зачем вообще пришёл. Спойлер: думал, что умный семантический поиск раскатает старый добрый grep всухую — а вот фиг. И ещё критический баг в LLM-судье по дороге словил. Честный разбор без воды. 🔥 — пойду чинить свой агент 👀 — а grep-то живёт @ai_for_dev

Хватит жечь токены на grep — есть индекс кода для AI-агентов История простая: чувак разбирал выгрузку 1С на 43 расширения с нулём документации, и его осенило. Почему модель раз за разом лезет в переборщики файлов и палит токены тупо на чтение, если можно спросить базу — точно, дёшево, быстро? Питон в сторону, пишем на Rust, потому что Rust — это база (с). Что получилось: — Один бинарник, без зависимостей — кинул и забыл, хоть Windows, хоть Linux, хоть мак — 62 000 файлов за 43 секунды, поиск за доли миллисекунды — Демон с file watcher держит индекс свежим — правишь код, база сразу в курсе — Один писатель, много читателей: цепляй сколько хочешь моделей параллельно, без локов — 25 MCP-инструментов, есть отдельные для 1С Был пример: найти один символ в Java-проекте — 14 вызовов grep. Теперь один запрос. Цепляется к Claude Code, Cursor и любому MCP-клиенту: GitHub. 🔥 — грепу конец 😎 — заведу на выходных @ai_for_dev

Как заставить AI вести твою wiki вместо тебя Знакомо? Документация устаревает быстрее, чем руки до неё доходят. Заметки — в Notion, черновики — в Google Docs, что-то важное — в телеграм-переписке трёхлетней давности. А клиент в пятый раз спрашивает про одну и ту же интеграцию. Чувак с 14 годами в вебе психанул и собрал себе базу знаний, которую ведёт не он, а AI-агенты. Берёт Claude Code / OpenCode, они сами скачивают исходники, пишут статьи в вики, расставляют ссылки, ловят противоречия и пишут лог. Ты — только ревьюишь. Стек максимально приземлённый: • Astro + Starlight + Markdown — всё в файликах • GitHub Pages — бесплатный хостинг, грузится мгновенно Вдохновлялся идеей Карпатого про AI-wiki, но вместо «инструмента учёного» сделал штуку для обычного разраба: резюме, кейсы, отзывы, офферы — всё в одном месте. Код проекта лежит тут: github.com/wpcraft-ru/kb-wordpress 🔥 — пойду наводить порядок 🤡 — у меня и так бардак живёт @ai_for_dev

Чувак заскилил генерацию лендингов в Claude Code и выложил под MIT Соло-фаундер задолбался переделывать посадочные: новая гипотеза — новый лендинг, и каждый раз одна и та же возня — мета-теги, Open Graph, аналитика, не сломать индексацию, выкатить, проверить. Claude Code ускорял, но каждый запуск был «как повезёт с промптом». В итоге он зафиксировал процесс в Landforge — наборе из пяти Claude Code skills: • new-landing — лендинг из брифа с контрактом и валидатором • landing-experiment — A/B на одном URL • landing-journal — журнал «что и когда меняли» • landing-ads — тексты и UTM под рекламу • init-landing-system — раскатать всё в другой проект Главный финт: лендинг это статический HTML, а не SPA. Раньше был React, и боты соцсетей видели грустный пустой <div id="root"></div> — контент дорисовывался джаваскриптом, а краулер его не ждал. Теперь жёсткий инвариант: ноль JS на критпути, контент прямо в разметке. Грузится мгновенно, превьюшки красивые, деплой — что в репозитории, то и на проде. 🔥 — self-hosted gang 👀 — а под Next.js так же зайдёт? @ai_for_dev

Не начинай проект с пустого экрана — возьми готовый репозиторий Кто-то собрал на GitHub 100 бесплатных open-source проектов на 2026 год: основа для своих ИИ-инструментов, автоматизаций, парсеров, баз знаний и локальных замен платным сервисам. Внутри 10 разделов — от агентного стека (Claude Code, Codex) и self-hosted альтернатив до безопасности и фронтенд-компонентов. У каждого репо честно подписано «в чём подвох»: open-source — это ещё не MIT, а self-hosted — не всегда бесплатно. Самый сок: скармливаешь репозиторий своему агенту и просишь:

Объясни, как устроен проект, что взять под мою задачу, что удалить, что адаптировать и как собрать простую версию

И вот уже есть структура, логика и примеры кода вместо мучений с нуля. 🔥 — звёзды полетели 👀 — посмотрю на досуге @ai_for_dev

MCP по-человечески: как научить ИИ-агента дёргать ваши API История из жизни: жил-был ИИ-ассистент, оброс возможностями и захотел *делать*, а не просто болтать. А чтобы делать — нужны руки. Руками стали 700+ существующих интеграций (OpenAPI, SOAP, GraphQL и компания), которые подключили через протокол MCP. Главный миф, который разбирают: будто LLM сама «магически» вызывает функции. На деле всё приземлённо — ты отдаёшь модели описание функций в JSON (что на вход, что на выход), она в ответ присылает JSON в духе «вызови вот это с такими параметрами», а уже твой код это исполняет. Никакой магии, чистый контракт. MCP — это, по сути, способ не писать всё это руками для каждого API, а переиспользовать то, что уже есть в вашем зоопарке сервисов. 🔥 — наконец-то по делу 🤡 — опять вендор себя хвалит @ai_for_dev

Claude Code теперь и работу за вас ищет Чувак запилил опенсорсный AI Job Search — по сути job-ассистента поверх Claude Code. Форкаешь, заливаешь свой профиль, и дальше понеслось. Как выглядит: • /setup — скармливаешь ему CV, LinkedIn, дипломы — он сам разбирается • /scrape — шерстит вакансии и сортирует по тому, насколько ты подходишь • /apply <url> — оценивает шансы, лепит резюме под вакансию и сопроводительное письмо Самое вкусное — два агента: один пишет отклик, второй его душит критикой и гоняет на переделку, пока не станет норм. Эйчары точно почувствуют. 😎 Минус: поиск по бордам пока под Данию, так что под свои сайты придётся допиливать. Но скелет — отличный. Забрать на GitHub 🔥 — эйчары трепещите 🤡 — везде уже ИИ @ai_for_dev

Скармливаем сайты нейронке одной ссылкой Лайфхак для тех, кто строит агентов и RAG: есть Reader от Jina — дописываешь https://r.jina.ai/ перед любой ссылкой и получаешь чистый Markdown вместо месива из HTML. Дальше отдаёшь это LLM — и она парсит ровно то, что нужно, без танцев с BeautifulSoup. Бонусы: - умеет в поиск по вебу (s.jina.ai) — свежие данные прямо в промпт - жуёт PDF и MS Office из коробки - бесплатно и без ключей для старта Короче, парсер веба для нейронок, который просто работает. 🔥 — закину в пайплайн 👀 — а rate limit как? @ai_for_dev

rsync, Claude и большая драма в open source Эндрю Триджелл — тот самый автор rsync и Samba — впервые за долгое время сел писать пост в блог. Повод: на него обрушилась волна гнева после релиза rsync 3.4.3. Что случилось: в релизе закрыли шесть уязвимостей, но попутно поехали привычные сценарии — инкрементальные бэкапы с --compare-dest, поведение --link-dest, сборка на старых ядрах Linux и стареньком macOS. Само по себе «бывает», но за пару недель до этого в коммитах засветилось около пятидесяти правок с помощью Claude. И всё, понеслось: «пустили ИИ в инфраструктуру — вот и результат». Триджелл отвечает прямо: поток репортов о безопасности (часть из них тоже сгенерил ИИ) заставил его всерьёз закрутить гайки — тесты, покрытие, CI на куче платформ, defense-in-depth. Работы — гора. А он, цитата, на пенсии и охотнее ходил бы под парусом, поэтому позвал на помощь ИИ-инструменты. И ни капли не жалеет, хотя по реакции сообщества его за одну такую мысль готовы выпороть батогами. Знакомая дилемма каждому, кто тащит проект в одиночку. 😎 — мужик дело говорит 🤔 — а регрессии-то остались @ai_for_dev

Твой AI-бот — это распределёнка, просто ты пока не в курсе Знакомо? Делаешь сервис с одним вызовом модели, прикручиваешь FastAPI, чат, показываешь демо — и всё летает. Пользователей мало, ответы за пару секунд, начальство уже мечтает, как AI «трансформирует бизнес». Опасный момент: кажется, что это просто API-вызов, только отвечает нейронка. А потом приходит нагрузка. Вместо 5 запросов прилетает 500. Генерации тянутся по 20–30 секунд, API режет лимиты, юзер нервно жмёт F5 — и ты платишь дважды за один и тот же ответ. Красота. Тут и доходит: «запрос → ответ» с моделью не дружит. Один запрос — 2 секунды, другой — 40, потому что внутри сработали инструменты, поиск по документам или повторная генерация JSON. И ты начинаешь городить очереди, лимиты параллелизма, защиту от дублей, таймауты и деградацию. Поздравляю — ты изобрёл нормальный backend, только тормозит теперь не база, а вероятностная модель. 😎 😁 — это буквально я 🤡 — F5 как стиль жизни @ai_for_dev

Семантический поиск по коду 1С — теперь по-взрослому Да, это реально. Кто-то взял и сделал сразу две первые в мире вещи под 1С. 1C-Ebench — бенчмарк, чтобы наконец честно мерить эмбеддинги на коде 1С (forum + fastcode, метрика nDCG@10), плюс фреймворк для прогона. USER2-1C-code — открытая модель, заточенная под код и язык 1С. Спрашиваешь словами «как программно провести документ в 1С?» — получаешь релевантные куски кода. База — ModernBERT с контекстом до 8192 токенов. Что радует: • 0.599 avg nDCG@10 — выше базы (0.493) и даже embeddinggemma • матрёшка: режешь эмбеддинг до 256d — качество почти то же, а индекс в три раза легче • токенайзер сам прячет персональные данные в спец-токены Подключается через sentence-transformers в пару строк. 1С-ники, ваш выход. 🔥 — заверну в свой RAG 🤔 — а у нас не 1С @ai_for_dev

v0 теперь сам тыкает свой же интерфейс в браузере Знакомая боль: v0 по промпту выдаёт красивый UI, ты открываешь preview — и понеслось. Кнопка молчит, форма поехала, мобилка живёт своей жизнью 🙄 Теперь v0 не просто генератор, а агент с Browser use. Он сам открывает только что собранное приложение, кликает по интерфейсу, гоняет сценарии и пытается поправить косяки ещё до того, как ты их увидишь. И самое приятное — он показывает скриншоты своих проверок. Не «я там что-то починил, поверь», а реально видно: что открыл, что увидел, на каком шаге проверял. Причём можно прямо с телефона — есть iOS-приложение. Короче, было: сгенерил → открыл → нашёл баг → правка → опять проверил. Стало: сгенерил → агент сам открыл → сам половину багов словил → сам поправил → принёс скриншоты. Меньше ручного F5, больше дела. 🔥 — пойду собирать лендос 👀 — гляну, как тестит @ai_for_dev

🤔 «Сгенерь мне функцию» — и привет уязвимости За 2025 год в российских мобильных приложениях нашли 48,8 тыс. уязвимостей — это на 63% больше, чем год назад. Проверяли больше 1,2 тыс. Android-приложений вслепую, без исходников. И цифры невесёлые: у 84% приложений дыры критического или высокого уровня, а в 75% небрежно лежат токены, ключи и данные пользователей. Хуже всего в финансах — там число самых опасных уязвимостей за три года выросло почти в десять раз. Среди новых причин эксперты называют ИИ-генерацию кода. Логика простая: модели учились на старом коде с небезопасными практиками — и теперь аккуратно копируют те же ошибки. По оценке ГК «Солар», LLM пропускают 40–50% уязвимостей в коде. Так что автокомплит автокомплитом, а ревью и проверки никто не отменял. Эксперты советуют переходить от разовых проверок к постоянному контролю безопасности. Источник. 😐 — пора аудитить 🤔 — а у меня как @ai_for_dev

DeepMind раздаёт 30 скиллов, чтобы агент работал за научную команду Google DeepMind выложила Science Skills — по сути собрала вашему AI-агенту целую лабу из коробки. 30 скиллов: гены, белки, химия, разбор статей. Что под капотом: нобелевский AlphaFold для структур белков и AlphaGenome для генома. Плюс агент шерстит 30 баз данных разом — PubMed, bioRxiv, OpenAlex — и приносит готовый отчёт. Для нас тут главное — формат: обычные SKILL.md + scripts/, ставится в одну команду, лицензия Apache 2.0. Даже если вы не про биологию, это бодрый пример, как паковать доменные скиллы под агента и не городить велосипед. 🔥 — npx add и поехали 👀 — гляну на выходных @ai_for_dev

Своя ChatGPT для конторы за стоимость VPS и совесть Классика: бизнесу нужна LLM, в которую можно лить внутренние документы — а бюджет, как водится, не выделили 🙃 Автор собрал рабочую RAG-систему на открытом ПО, и вот рецепт. Идея простая до гениальности: дешёвый VPS держит веб-морду, а вся тяжёлая математика крутится дома на 4060ti 16 ГБ под Ollama. Между ними — зашифрованный VPN-туннель, чтобы документы компании никуда не утекали. Что в стеке: - AnythingLLM в Docker — кидаешь файлы галочкой, спрашиваешь по ним - IPsec/L2TP туннель VPS ↔ дом через MikroTik - Nginx + SSL, чтобы было по-взрослому - watchdog-скрипт — следит за сменой домашнего IP, чтобы туннель не отвалился Лайфхак: серверная версия нужна только для многопользователя. Себе и домашним хватит десктопной — там доступ в один клик. Ссылки: Docker · Ollama · AnythingLLM 🔥 — подниму на выходных 👀 — а домашний интернет не ляжет? @ai_for_dev

Скрины для App Store за пару минут, а не за вечер Знакомая боль: приложение готово, а на скрины для сторов нет ни сил, ни желания. Сидишь и двигаешь рамки телефончиков вместо релиза. Есть скилл для AI-агентов (Claude Code, Cursor и компания), который берёт это на себя. Он смотрит на твоё приложение, сам выбирает самые сочные фишки и собирает из них готовый дизайн карточек. - Сразу подгоняет макет под App Store и Google Play и разные устройства. - Переводит тексты на нужные языки. - Главное — знает политику Apple и делает скрины так, чтобы прошли ревью. Дальше открывается локальный редактор с превью карусели — двигаешь экраны, правишь текст и цвета руками, если хочется. Ставится одной строкой:

npx skills add ParthJadhav/app-store-screenshots

🎉 — прощайте, вечера в фигме 🤔 — а пройдёт ли ревью @ai_for_dev

«Зачем RAG, у нас же огромное окно» — ну-ну Слышали этот аргумент? Окна контекста растут, модели умнеют, агент сам ходит по проекту и читает файлы. И знаете — на мелком репозитории это реально работает. Поправить функцию, найти баг в модуле — кинул нужные файлы в контекст и поехали. Городить RAG ради этого = стрелять из пушки по воробьям. Но тут подменяют понятия. Контекст — это ёмкость. Retrieval — это что ты в эту ёмкость кладёшь. Большое окно красиво проглотит гору данных, только оно не знает, какие данные вообще нужны, свежие ли они и как связаны между собой. И всё рассыпается на гетерогенной системе. Классика: заказ с сайта не доехал до 1С. Путь у него — форма → API → валидация → БД → очередь → SOAP → задание в 1С → статус на сайте. И каждое звено — свой репозиторий, свой язык, иногда вообще чужая команда. Агент сидит в одном репозитории и видит только свой кусочек. А симптом до боли знакомый: статус тянется из поля, которое бэкенд давно переименовал, а 1С по старинке пишет в старое. Всё «работает» — ровно до момента, пока юзер не увидит дичь. И тут уже не «прочитать кода побольше», тут надо сшивать связи между методами, DTO, таблицами и очередями. Большое окно тут не помощник. 😎 — RAG forever 🤔 — а у меня монолит, мне норм @ai_for_dev

Higgs Audio v3: TTS, который реально болтает, а не зачитывает Очередная open-source TTS — но в этот раз годная. 4B параметров, заточена под живой диалог: умеет реагировать, делать паузы, ставить акценты и держать разговор в реалтайме. И русский на месте. Самое вкусное — inline-теги прямо в тексте. Не выходя из генерации, дёргаешь эмоцию, стиль, скорость:

<|emotion:enthusiasm|>Привет! <|prosody:pause|> Поехали!

По метрике WER (чем ниже — тем лучше) обходит и открытые, и коммерческие системы на 100+ языках. Особенно хороша в паралингвистике — вздохи, смешки, интонация вопросов звучат по-человечески. И главное для самохостеров: заводится на 6-8 GB VRAM, ~10-15 ГБ на диске. Плюс есть бесплатное API в preview — потыкать можно прямо сейчас. Веса лежат на HuggingFace, доки с примерами — тут. 🔥 — гоню на свою видяху 👀 — надо послушать сэмплы @ai_for_dev

Вики, которую LLM ведёт сама — теперь с графом и MCP Карпати недавно показал штуку: кидаешь сырьё в папку, а модель сама строит вики — пишет статьи, расставляет обратные ссылки, всё классифицирует. RAG не нужен, только Markdown и LLM-«библиотекарь». У него так одна тема разрослась до 400 000 слов. Ребята взяли эту идею и прокачали до серьёзной инфры: • папка → AlloyDB + pgvector • [[wikilinks]] → граф с 11 типами рёбер • grep → векторный + графовый поиск • локальная папка → HTTP-сервер с ролями admin/reader • сверху — MCP (StreamableHTTP + SSE) Смысл: у Карпати это «один человек + один LLM ведут заметки». Тут — несколько агентов + человек дружно копаются в общей растущей базе. Другой масштаб — другая архитектура. И самое вкусное — граф реально вытягивает абстрактные запросы. Средний recall 46.7% → 68.3%, а вопрос «что общего у MesaNet и Titans» прыгнул с 0% до 67%. На точных запросах граф не особо нужен, а вот на «как связано X и Y» — выручает. 🔥 — пойду собирать свою 😎 — на выходных потыкаю @ai_for_dev