AI для Разработки — Claude | Cursor | Copilot

auto-improve: правит текст, пока не станет лучше Наткнулся на годную штуку — auto-improve. Скармливаешь ей файл (промпт, README, лендинг, письмо, конфиг, код — что угодно текстовое), а она сама крутит цикл улучшений. Фишка в том, что она не просто «попросила LLM переписать и молодец». Тут два строгих правила: - модель-судья отдельная — та, что правит, свою же работу не оценивает; - попарное сравнение старого и нового в перемешанном порядке, чтобы модель не халтурила по позиции. Оставляет только те правки, что реально победили, остальное откатывает. Вся история — в git, каждый коммит = проверенный плюс. Нет критериев? Кинь одну строчку --goal или вообще ничего — сама придумает. Забираем на GitHub. 🔥 — пойду скормлю свои промпты 👀 — надо глянуть @ai_for_dev

OpenSERP: поисковая выдача в JSON, без ключей и без боли Если вы, как и я, регулярно проверяете, кто и как ранжируется в разных поисковиках и регионах — вот годнота. OpenSERP отдаёт живую выдачу Google, Yandex, Baidu, Bing, DuckDuckGo и Ecosia сразу в структурированном JSON. Самый смак — никаких API-ключей от поисковиков. Он парсит их живую выдачу напрямую. Иногда, правда, прилетает капча, но в конфиге есть прокси HTTP/SOCKS5, так что переживём. Отдаёт всё, что нужно агенту: заголовки, ссылки, сниппеты, позиции и SERP-фичи (AI-ответы, похожие запросы). Ручки простые: - /{engine}/search — поиск по конкретному движку - /mega/search — сразу по нескольким - /extract — вытащить чистый контент со страницы Поднимаешь у себя через Docker — и работаешь бесплатно. Можно просто скормить доки или гитхаб своему агенту, чтобы он сам подключился. 🎉 — бесплатно, ставлю сегодня 🤔 — а капчу переживёт? @ai_for_dev

Штука, которая сама пишет доки по твоему коду У всех одна и та же боль: документация есть ровно до первого коммита, а дальше она врёт. LangChain выкатила OpenWiki — опенсорсный CLI, который сам генерит вики по репозиторию и держит её в актуальном состоянии по мере изменений в коде. Бонус: он подкладывает контекст ИИ-агентам, чтобы твой кодинг-ассистент наконец понимал проект, а не галлюцинировал. Стартовать легко:

npm install -g openwiki
openwiki --init

А дальше вешаешь GitHub-экшен — и раз в день прилетает PR с обновлённой докой. Ещё OpenWiki сам дописывает подсказки в твои AGENTS.md и CLAUDE.md. Провайдеров куча: OpenAI, Anthropic, OpenRouter и другие. Всё лежит тут: langchain-ai/openwiki 🔥 — self-hosted gang, ставлю 👀 — а на моём легаси не сдохнет? @ai_for_dev

Rust-компилятор превратили в 46 млн строк на C Чувак взял штатный rustc 1.98.0-nightly и оттранслировал его в чистый C. Итог — открытый проект crustc на 46 млн строк кода, которые собираются обычными GCC и make. И да, оно реально работает: собранный компилятор проходит тесты Rust-кода, включая стандартные библиотеки. Зачем? Чтобы собирать Rust там, где rustc просто нет — на старых системах и экзотических архитектурах без LLVM/GCC-таргета. На выходе — ANSI C (C89), а его понимает почти любой древний компилятор. Под капотом бэкенд cilly: он не тупо переводит, а подстраивается под целевой C-компилятор — гоняет мини-программы и выясняет размеры типов, выравнивание, раскладку структур. И самое душевное: всё это три года пилит один человек — Michał Kostrubiec. Сам cilly обещают выложить, когда доведут до ума. 😎 — на выходных гляну 🤔 — 46 млн строк, серьёзно? Источник: habr.com @ai_for_dev

Contextual Retrieval — лечим главную боль RAG за 50 центов на тысячу чанков Знакомая история: собрал RAG, а он достаёт не те куски? Проблема не в embedding-модели и не в размере чанка. Просто чанк теряет контекст документа, из которого его вырезали. Представь параграф из финотчёта: «выручка выросла на 3%». После нарезки он как две капли похож на сотню таких же параграфов про выручку — других компаний, других кварталов. Спрашиваешь «выручка ACME за Q2 2024?» — а поиск тащит рандом. LLM тут не спасёт: она понятия не имеет, чей это отчёт и за какой год. Фикс от Anthropic до гениального простой: перед индексацией LLM пишет короткий префикс (50–100 токенов), мол «это фрагмент из отчёта ACME за Q2 2024, раздел про регионы». Клеим его в начало чанка — и всё, путаница уходит. Минус 49% промахов на embeddings и до 67% с reranking. Полный разбор: Хабр 🔥 — иду прикручивать к своему RAG 🤔 — а на моём корпусе взлетит? @ai_for_dev

Хватит жечь токены — учимся modelmaxxing Если первое полугодие 2026-го было про tokenmaxxing («лей ИИ куда только можно»), то теперь бизнес посмотрел на счета и выдохнул. От Uber до Microsoft — все резко про экономию. Новая фишка называется modelmaxxing: не гнаться за самой топовой моделью на всё подряд, а раскидывать задачи. Тяжёлое — на дорогие модели, рутину — на дешёвые. Живой пример: дизайнер Танви сначала «сожгла месяцы лимитов», пытаясь брейнштормить всё в одном чате. Теперь идеи гоняет в бесплатном корпоративном ChatGPT, а финалку доводит в личном Claude Pro за $20. А ещё рисует черновик в Figma и просит Claude «интерфейс не трогай, достраивай логику». Красота. Крис из стартапа Hechura прямо говорит: люди не хотят разбираться, какая модель в чём хороша — просто хотят ехать на хайп-трейне. А зря: он спокойно катает дешёвый Gemini и Haiku там, где хватает. Вся история — у Business Insider. 🔥 — всё, роутить задачи 🤡 — а я на хайп-трейне @ai_for_dev

Пять опенсорсных платформ, чтобы собрать AI-агента без кода Если надоело писать графы руками — вот self-hosted подборка на любой вкус. AutoAgent — просто говоришь цель словами, а он сам планирует и раскидывает задачи. Порог входа по коду — ноль. AnythingLLM — всё-в-одном для внутренних инструментов: RAG, агенты и документы в одном приватном месте. Затащит и джун, и продакт. Open Agent Platform — красивый UI поверх LangGraph, где видно каждый узел и связь. Правда, репозиторий уже помечен устаревшим — авторы кивают на Agent Builder в LangSmith. Sim — визуальный конструктор пайплайнов, где встроенный ИИ сам может собрать или подправить твой рабочий процесс. Плюс трейсинг, чтобы ловить баги. Dify — самый "взрослый": готов к проду, следит за промптами, RAG и мониторит всё в рантайме. 🔥 — уже клонирую 👀 — сначала звёздочки посмотрю @ai_for_dev

Anthropic раздаёт 20+ бесплатных курсов по Claude Платформа Anthropic Academy подросла: больше 20 бесплатных курсов по Claude и работе с AI. Причём кодить необязательно — есть программы для студентов, преподавателей, НКО и малого бизнеса про то, как нормально ставить задачи модели и проверять её ответы. Но самое вкусное для нас, разработчиков: отдельные треки по Claude API, Claude Code, Model Context Protocol, агентским навыкам и облачным интеграциям. Всё бесплатно, аккаунт Claude даже не спросят. Единственный нюанс — всё на английском. Зато за многие программы дают официальные сертификаты, будет чем хвастнуть в резюме. Забрать курсы можно здесь. 🔥 — сертификат заберу 😎 — я сам себе академия @ai_for_dev

GigaChat 3.5 Ultra выложили в open source Sber выкатил открытую 432B-модель. Забавно, что она *меньше* прошлого флагмана (700B у 3.1 Ultra), но при этом качают её вверх в коде и агентных задачах — то, что нам как раз и надо. Чем цепляет: - KV-кеша в ~4 раза меньше на токен → в ту же память влезает вдвое больше контекста, а пропускная способность подросла процентов на 20. - Добавили MTP-головы для self-speculative decoding — жадное декодирование ускоряется в 2,2 раза. - Архитектура гибридная: MLA плюс GatedDeltaNet, обучали в FP8, сверху навесили online RL. И отдельно приятно: датасет для pretrain собрали не из синтетики, а из живого веба (прогнали HTML через LLM в чистый Markdown), а языков программирования в данных стало больше 600 вместо 16. Весь разбор: Хабр 🔥 — качаю веса 👀 — 432B, а хостить где @ai_for_dev

Не в модели дело: почему всем нужен харнесс Раньше AI в разработке выглядел так: открыл чат, попросил код, вставил, проверил, а потом ещё десять раз писал «нет, не так». Иногда ускоряло. Иногда превращалось в странный спорт: кто первый устанет — ты или модель 😅. Но проблема-то не в модели. Проблема, что вокруг неё нет системы: нет контекста проекта, нет правил, нет связки с репозиторием, нет доступа к докам, базе и серверу. Вот тут и появляется харнесс — обвязка вокруг модели. Модель — двигатель, а харнесс — руль, тормоза и приборка. Двигатель мощный, но без всего остального уедешь не туда. Внутри харнесса живут 12 штук: оркестрационный цикл, инструменты, память, управление контекстом, сборка промпта, парсинг ответа, состояние, обработка ошибок, безопасность, проверки, субагенты и непрерывность между сессиями. Мораль: хватит гнаться за самой умной моделью — собери вокруг неё нормальную систему. 🔥 — пойду собирать обвязку 🤷 — да работает и в чате Источник: habr.com @ai_for_dev

Своя команда ИИ-учёных, которая ставится через npm OpenScience — опенсорсный верстак для ресёрча. Даёшь цель — агенты читают статьи, пишут код, гоняют эксперименты и сами оформляют выводы. Всё в браузерном окружении: файловое дерево, редактор, терминал, история сессий и рендер молекул и графиков прямо на месте. Что приятно: • Любые модели на выбор — Claude, GPT, DeepSeek и даже дообученные, на ваших ключах и без регистрации. • 250+ скиллов и 30+ научных баз (arXiv, PubChem, ChEMBL и другие) прямо как инструменты агента. • Есть MCP-серверы, плагины и TypeScript SDK — можно докрутить под себя. Запуск в одну команду:

npx synsci

Крутится на вашей инфре, данные остаются локально. Забрать — на GitHub. 🔥 — self-hosted, погнали 👀 — надо потыкать @ai_for_dev

Ломаем прод бесплатно: встречайте Dinamos Сколько можно читать книжки по системному дизайну? Пора трогать руками. Но AWS за практику выставлял такие счета, что желание пропадало. Dinamos это чинит — 100% бесплатно, открытый код, 2 года в продакшене. Загружаешь сценарий (хочешь — инфраструктуру мессенджера, хочешь — продажу билетов на грандиозное шоу), смотришь, как запросы валятся на балансировщик, и через «Золотые сигналы» ловишь узкие места в очереди сообщений. А дальше — самое весёлое. Chaos Engineering: добавь задержек, «убей» узел и смотри, выживет ли система и подтянется ли автомасштабирование. Готовишься к System Design интервью? Рисуешь схему, наговариваешь голосом объяснение, а ИИ разбирает твой ответ — где сильно, где надо было обосновать лучше. Бесплатный тьютор, по сути. Всё двуязычно (PT/EN), уроки от кеширования до CAP / PACELC. Забирай: dinamos.net 🎉 — бесплатно? беру 😎 — на выходных поломаю @ai_for_dev

Агент наконец-то перестал тупить по кругу Завезли скилл self-learning — теперь агент помнит то, что уже нарешал. Один раз разобрался в задаче — запомнил рабочий подход и то, что не взлетело. В следующей сессии он не начинает с нуля и не перебирает грабли заново, а сразу идёт проверенным путём. По сути, у агента появляется долгая память вместо вечной амнезии после каждого рестарта. Жаль только, что пощупать пока негде — ни репозитория, ни ссылки. Ждём, когда выложат. 🔥 — конец амнезии 👀 — где потрогать-то @ai_for_dev

Прикрутили AI-агента к BI — и да, магия не в модели Ребята рассказали, как внедряли AI-агента в свою BI поверх терабайтов данных по рекламным кампаниям. Знакомая боль: отчётов десятки, между ними не понавигируешься; без аналитика нужную циферку не достанешь; а чтобы переиспользовать данные — только скринить дашборды или парсить HTML. Тоска. AI в BI закрыл все три задачи разом: теперь всё в одном диалоговом окне — спросил трактовку метрики, сравнил, тут же визуализировал. Но главный инсайт другой: 90% успеха — это инфраструктура, а не сама нейросеть. У них в основе семантический слой — сервис, который вешает на данные бизнес-логику. К каждому полю прикручены метаданные и описание для агента, формулы зафиксированы. Аналитик один раз написал 12 строк SQL — разработчик потом дёргает результат парой параметров. И отдельный респект за позицию: нейросеть SQL не пишет. Слишком неконтролируемо, вольности тут ни к чему. Агент ходит к данным через тулзы поверх готовой витрины. Больше деталей — в статье на Habr. 👍 — звучит разумно 🤡 — опять «магия» в заголовке @ai_for_dev

Пишешь агента, а у тебя в графе завёлся осьминожек Знакомо: делаешь учебного ИИ-агента, функционал растёт, и вдруг видишь в LangGraph ноду plan, в которой упрятано около 350 строк логики. Итерации, вопросы про регион и валюту, сборка рецептов, вызов модели, коррекция — всё в одной «скромной восьминогой голове». Это и есть god node, честный антипаттерн. Автор не стал распутывать вручную, а устроил конкурс: 5 американских и 6 китайских моделей (плюс Fable) сначала предлагали, как разнести логику по графу, а потом оценивали идеи друг друга. Кому верить — выбирал аж тремя способами, вплоть до «центра мнений» и медоида. Итог — кого брать в генераторы идей, а кого в строгие оценщики. Спойлер: расклад не самый очевидный. Весь разбор с кодом и таблицами: на Хабре. 🔥 — осьминожку жалко 😁 — god node у всех живёт @ai_for_dev

Поднял Gemma 4 31B на одной 4090 48GB и проверил: а Q8 вообще нужен? История из жизни self-hoster'а. Человек собрал Gemma 4 31B на одной RTX 4090 (48 ГБ) через llama.cpp, GGUF от Unsloth, и решил наконец померить то, что все спрашивают, но никто не считает: хватает ли 4-бит и не разваливает ли квант tool-calling. Спойлер: Q8 не дал вообще ничего. Прогнал 50 задач: — баллы почти равны (0.735 против 0.742 — это шум) — Q4 даже прошёл задач больше (45/50 против 42/50) — а ещё он в 1.6 раза быстрее и кушает 27 ГБ вместо 40 Фокус в том, что это не тупой Q4, а Unsloth Dynamic 4-bit — он бережёт важные слои. «Честный Q8» на 48 ГБ тут просто самообман: меньше места под контекст и медленнее за те же цифры. А tool-calling? Дело было не в кванте. Спасает один флаг — --jinja. Включает родной шаблон модели, и вызовы инструментов держатся идеально хоть на Q4, хоть на Q8. Без него ломается у обоих. Вся кухня с цифрами: Habr 🔥 — пойду гонять Q4 🦉 — а я думал Q8 рулит @ai_for_dev

Ты не разработчик. Ты промпт-конвейер с дипломом Звучит грубо, но это цитата из свежего исследования (Baltes et al., март 2026). И, кажется, по делу. История такая. Есть красивый термин «human-in-the-loop» — типа человек всё контролирует. А антрополог Madeleine Clare Elish ещё в 2019-м показала обратное: человек в автоматизированной системе превращается в сминаемую зону. Только защищает он не себя, а систему. Собой. И цифры бьют точно в нерв. 96% разрабов не уверены в коде, который написал AI. А проверяют его каждый раз — меньше половины. Вернер Фогельс из AWS придумал этому имя: verification debt. Сгенерировать стало проще, чем понять, что нагенерировали. И нет, это не «не доверяем, но не проверяем». Это не скепсис — это выгорание, которое научилось косить под скепсис. Мозг просто не тянет вечно ловить редкую ошибку в потоке зелёных диффов. Подробный разбор — тут. 🤔 — больно, но честно 🤡 — ну я-то проверяю (нет) @ai_for_dev

Похоже, ИИ потихоньку выключает нам мозг 😬 Nature рассказывает: первые исследования уже ловят неприятный эффект — кто слишком сильно опирается на ИИ, тот хуже работает, когда его отбирают. — 77% врачей и 70% медсестёр уже боятся, что нейронки убьют их навыки. И, кажется, не зря. — У опытных эндоскопистов после привыкания к ИИ точность поиска предраковых образований без него просела с 28,4% до 22,4%. — А разработчики, которые решали задачи с ИИ-ассистентом, после его отключения набрали всего 50% на проверке — против 67% у тех, кто всегда пилил сам. Короче, мышцу надо иногда качать и без костыля. Иначе автодополнение есть, а смекалки уже нет. 😰 — всё, я деградирую 🤔 — да ладно, выживем @ai_for_dev

Как заставить локальную мелкую модель писать нормальные конспекты лекций Закинуть транскрипт лекции на 1,5 часа (это 15–20 тыс. токенов) в локальную SLM одним вызовом — и получить кашу. Модель теряет середину, забывает начало, выдумывает формулы. Классический Lost in the Middle: на краях контекста всё ок, в середине — провал. А на 8 ГБ VRAM длинный single-call вообще не взлетает. Решение из проекта LongConspectWriter простое по идее: не давать ни одному вызову весь транскрипт целиком. Сначала режем запись на смысловые кластеры, строим план глав, и только потом пишем конспект почанково (MapReduce) с реестром сущностей, чтобы термины не вводились по второму разу. Итог: 6,87/10 против 8,84/10 у Gemini 3.1 Pro, то есть ~78% качества большой модели — но бесплатно и прямо на твоей видяхе. Подробности: habr.com 🔥 — заберу на свою 3060 😎 — потыкаю на выходных @ai_for_dev

Внедрили ИИ — а толк есть? Считаем метрики Знакомая картина: команде раздали Copilot и Cursor, все довольны, а на вопрос «и сколько мы на этом заработали?» — тишина. Продуктовый аналитик Александр Смирнов написал, как закрыть эту дыру метриками. Главная мысль простая: хватит мерить активность. Количество токенов и активных юзеров — это не успех. Успех — это сэкономленные часы, релизы быстрее и затраты ниже. И да, автор отдельно проходится по модной идее, что «нормальный спец обязан сжигать две зарплаты токенами в месяц» — он с ней не согласен 🙂 Его подход — дерево метрик в виде воронки: - Интеграция — кто вообще этим пользуется; - Вовлечённость — а возвращаются ли (иначе лицензии в мусорку); - Эффективность — стали ли делать быстрее и не хуже (делать быстро, но плохо — не цель); - Экономика — а окупается ли всё это вообще. Готовый скелет, на который накидываешь мясо под свой стек. Подробности на Хабре. 🔥 — заберу для отчёта боссу 🤡 — у нас всё на глаз @ai_for_dev