AI для Разработки — Claude | Cursor | Copilot

SOTA теперь делает мэрия Рио-де-Жанейро 🫨 Звучит как мем, но это правда: городская IT-компания IplanRIO выкатила открытую модель Rio 3.5 Open 397B на базе Qwen 3.5. Раньше про неё реально никто не слышал. Самое сочное — по заявленным бенчмаркам она выше Qwen 3.7 Plus, DeepSeek V4 Pro и Kimi-K2.6. Внутри 397 млрд параметров (17 млрд активных), окно контекста 1 млн токенов и лицензия MIT — то есть можно тащить в прод без головной боли. Плюс хитрый режим SwiReasoning: модель сама переключается между развёрнутым размышлением и латентным, экономя токены. DeepSeek-момент, только из Бразилии 🍺 Лежит на Hugging Face. 🤩 — мэрия жжёт 👀 — пойду качать на выходных @ai_for_dev

GLM-5.2: китайцы снова заряжают на кодинг Z.AI анонсировали GLM-5.2 — обновлённый флагман для кодинга. Пока только анонс, полноценный релиз на следующей неделе, но в Coding Plan модель уже потрогать можно. Что завезли: — Доступ на всех тарифах, даже на Lite — Окно контекста 1 млн токенов — кидай хоть весь репозиторий — Максимальный вывод 131 072 токена — Режимы рассуждений high и max — Прокачанные агентские сессии И да — её уже можно подцепить прямо в Claude Code через settings.json (маппишь на glm-5.2[1m]). На следующей неделе обещают API, веса и бенчмарки. Где копать — тут. 💯 — циферки радуют 🤩 — китайцы опять отжигают @ai_for_dev

Мультимодальный пайплайн контроля сервиса на АЗС: видео-приоритет + ReID Инвариант архитектуры: видео первично. Без стабильного ID клиента и временных границ сессии аудиоаналитика работает вхолостую — поэтому старт с трекинга, а не с ASR. Видеомодуль, две задачи: 1. Классификация ролей в 4 класса: клиент, кассир, стажёр, заправщик. У каждой роли своя зона и свой пункт чек-листа. Стажёр исключается из оценки первые 14 дней (требование заказчика, маркер виден визуально). Стандартные веса не годятся: кассир и стажёр похожи, заправщик выглядит как сотрудник, но в другой зоне — детектор дообучали на реальных данных с точек. 2. Удержание ID клиента на всю сессию. Перекрытие стойкой → новый ID → одна сессия рвётся на две, метрики ломаются. Для ReID — визуальные эмбеддинги, пороги докручивали под конкретный ракурс камеры. Плюс два правила: два одновременных трека не делят один ID, и контроль появления новых треков. Аудиомодуль даёт содержание диалога, но асимметрия громкости (кассир громко / клиент тихо) убивает наивный ASR. Сессия собирается только после синхронизации видео- и аудиопотоков по общей таймлинии. ⚡ — мультимодалка рулит 🤔 — а пороги руками крутить? Источник: habr.com @ai_for_dev

«Не трогай этот файл» — а он всё равно лезет Классное исследование про то, как AI-агенты бесят нас в реальной работе. Не бенчмарки, а живые сессии: разобрали 20 574 сессии в IDE и CLI. Фейл тут — это не упавший код. Фейл — это момент, когда ты начинаешь исправлять, прерывать или спорить с агентом. И самое смешное: код-то чаще всего рабочий. Бесит другое — агент игнорирует твои же ограничения. Пишешь «пока ничего не меняй» — он меняет. Просишь объяснить баг — он по ходу правит код. Говоришь «проверь всё перед ответом» — он рапортует «готово!» ещё до запуска тестов. Забавное наблюдение: CLI-агенты чаще уезжают за рамки (длинные размытые задачи), а IDE-агенты косячят локально — работают как плотный копилот в мелких итерациях. И да, эти сбои не ломают всё разом. Они просто тихо жрут время и доверие — сидишь и перепроверяешь, понял ли он задачу и реально ли что-то протестил. 😁 — это про меня 🤔 — пойду осмыслю @ai_for_dev

Скилы умерли, да здравствуют воркфлоу Заморочился на выходных, написал скрайпер и собрал все публичные динамические воркфлоу. Фиче всего неделя, так что нашлось пока ~800 штук — где-то по сотне новых в день прилетает на GitHub. Почти всё про разработку. И сразу видно, в чём кайф по сравнению со скилами. Скилы — это древняя штука из февраля-марта 2026. На дворе июнь, модели уже всосали в себя всю мудрость, которую могли дать скилы из интернета. Я даже сделал мини-эвал: в больше чем половине случаев скил для кодинга либо бесполезен, либо делает задачу активно хуже, чем просто LLM, которую вежливо попросили придумать план и сделать. Воркфлоу лучше тем, что это не инструкция «как надо», а программируемая система с проверками и обратной связью, которая рулит агентами вокруг цели. 😎 — скилы, спите спокойно 👀 — где скрайпер, автор? @ai_for_dev

У вашего проекта появится память: Trellis Знакомо? Агент в Claude Code или Codex со временем будто тупеет. Первая реакция — переехать на модель помощнее или раздуть промпт до размеров «Войны и мира». А проблема обычно не в модели: каждый запуск стартует почти с нуля. Стек, нейминг, договорённости, на чём вообще остановились — объясняй заново каждый раз. Больно. Trellis даёт проекту собственную долговременную память. Заводит каталог .trellis/ с правилами команды, задачами, прогрессом и знаниями — и всё это лежит прямо в репозитории. Агент подключается, читает и сразу в теме: какие правила, какой этап, что делать дальше. И это не просто свалка контекста. Внутри настоящий рабочий цикл: уточнили требования → сделали → агент сам проверил себя по правилам и тестам → записал новый опыт обратно в проект. Из приятного: сложную задачу Trellis может разбить на подзадачи и запустить несколько агентов параллельно без драки за файлы. А правила, которые написал один человек, сами подхватываются у всей команды — новичку почти не нужно ничего настраивать. Поддерживает 14 платформ: Claude Code, Codex, Cursor и компания. 🔥 — пойду скармливать боту 🤷 — у меня и CLAUDE.md живёт Источник: github.com @ai_for_dev

Не тащи графовую БД, если есть WITH RECURSIVE История из жизни: команда держит wiki по нейронной памяти — 72 страницы в AlloyDB (PostgreSQL 16.11) с pgvector. Прикрутили сверху граф знаний (11 типов связей, веса на рёбрах) — и recall подскочил с 46.7% до 68.3%. Неплохо так. Тут Google выкатывает граф на Spanner с нативным Property Graph и языком GQL, где один MATCH красиво схлопывает 20 строк джойнов. Соблазн мигрировать — велик. Но ребята почесали затылок и остались. Потому что в обычном Postgres уже лежит WITH RECURSIVE — он спокойно обходит граф в обе стороны. Завернули в функцию graph_neighbors(...) и поехали дальше. Мораль простая: красивый синтаксис — не повод плодить отдельную базу. Когда вектора, данные и граф живут в одной БД, жить становится сильно проще. Весь разбор с кодом: Habr 🔥 — KISS победил 🤔 — а я бы взял Spanner @ai_for_dev

Как Claude убедил заказчиков, что разработчик некомпетентен Классика жанра с Хабра. Чел полгода пилил заказчикам серьёзного бота для селлеров Wildberries — аналитика заказов и остатков, автоответы на отзывы, RAG с векторкой по магазину, парсинг конкурентов, генерёжка карточек. Всё пахало как часы. Потом заказчики словили «проблемы с налоговой», забрали репозитории и пропали. А в их канале он увидел, что разработку они продолжили — сами через Claude Code и Codex. Ну и зачем платить живому, если есть нейронка, да? Самое сочное — не драма, а паттерн, который автор назвал делегированием мышления: когда человек отдаёт модели не задачу, а само рассуждение. И если ты не можешь проверить вывод модели — ты ей просто веришь. А она тебе уверенно нагенерит обоснование на половине контекста. Мораль: LLM в инженерном процессе — топ. LLM вместо инженерного процесса — грабли, на которые наступят ещё многие. 😎 — сам так не делаю 🤡 — заказчики такие заказчики @ai_for_dev

Ваша «память» для AI тихо сходит с ума Все хотят персонализацию и долгий контекст. А исследователи Writer взяли и показали: чем больше юзерского контекста копится, тем сильнее модель поддакивает и тем меньше думает своей головой. Классика: записали, что любимая книга — «Station Eleven», потом спросили про топовую антиутопию. Модель радостно выдаёт... «Station Eleven». Вопрос вообще про другое, но память подсунула якорь. На Mem0 и Zep эффект только злее. Второй эксперимент ещё веселее: засунули пользователю кривое мнение про финансы — и модель согласилась с ошибкой вместо нормального анализа. Больше контекста = тупее ответ. Мораль для тех, кто строит RAG и память: без валидации, дедупа, срока годности и чёрных списков хранилище превращается в свалку, которая копит галлюцинации и жжёт деньги на лишних извлечениях. Кстати, Opus 4.8 в тесты не попал — его как раз учили спорить с кривым вводом. Подробности на TechCrunch 😁 — мой бот тоже поддакивает 🤔 — пойду чистить хранилище @ai_for_dev

Контекст для агента: файлы, RAG или MCP? Любая модель тупит без контекста — не дашь ей нужное, и она выдаст самый частотный ответ, а не самый логичный. Вопрос только один: где этот контекст хранить. Есть три лагеря. 1. Просто текстовые файлы. .md, json, yaml — лежат локально, в git или внутри dbt. Агент гоняет grep или скачет по ссылкам между документами, а во внешние тулы лезет через API или MCP. И знаете что? На небольших задачах это работает неприлично хорошо. 2. RAG и векторные/графовые базы. Когда доков становится за тысячу, поиск по словам сдаётся. Тут выходят векторные базы — ищут по смыслу, спасают на сложном и многоязычном. Графовые держат связи между метриками, таблицами и дашбордами — агент лучше понимает, что с чем связано. Масштабируется отлично, но и инфры с поддержкой просит соответственно. 3. MCP и сырые данные. А можно вообще ничего не хранить — пусть агент сам сходит в Jira, Confluence и куда надо через MCP и коннекторы. Мораль: на одном домене данных обычно хватает файлов. Векторную базу тащить туда — как ставить Kubernetes ради одного скрипта. 🔥 — пойду пилить .md 👀 — а я-то думал нужен RAG Источник: yandex.cloud @ai_for_dev

«Не ИИ работал на меня, а я на него» — как уйти от копипаста к агентам Дарья Воронкина (ML-инженер, ex-тимлид DataHub в медтехе) честно описала знакомую боль: каждое утро — копипаст. Сюда контекст, оттуда ответ, обратно поправить, и заново объяснять чату, кто ты и какая у тебя схема данных. Один запрос — один ответ, завтра модель всё забыла. На ввод контекста уходит больше, чем экономится. 🙃 Это и есть граница между «юзать ИИ» и «построить систему». Чату не хватает трёх вещей: памяти, доступа к данным и умения делать задачу в несколько шагов без няньки. Что автоматизировать в первую очередь — три фильтра: частота, боль, описуемость. И четвёртый, золотой: умей делать это руками сам, иначе не отличишь нормальную работу агента от красивой галлюцинации. Первый кейс — выгрузки данных. Было: аналитик пишет SQL, валидирует, экспортит — час-два. Стало: команда агентов сама пишет SQL, сама себя проверяет и кидает сводку с ID. 6 минут. За месяц так набежало ~200 сэкономленных часов. 🔥 — узнал своё утро 🤡 — а я всё ещё копипащу Источник: habr.com @ai_for_dev

Хватит быть копипастой между Obsidian и LLM Знакомо? Открыл заметку → скопировал кусок → вставил в Cursor/ChatGPT → задал вопрос → руками перенёс ответ назад. И так по десять раз на дню. Чел поймал себя на этом и решил, что проблема не в Obsidian и не в LLM — между ними просто нет моста. И написал его сам — MCP-сервер для Obsidian. Теперь модель видит твой vault напрямую: читает заметки, ищет по ним, смотрит структуру, создаёт и обновляет файлы. Не плагин внутри Obsidian, а слой интеграции — контекст подтягивается прямо там, где ты уже работаешь. Что внутри: stdio для Cursor и Claude Desktop (локально, без сети), SSE для ChatGPT и удалёнки (с OAuth 2.1). Поднимается в Docker одной командой, лицензия MIT. Репа: obsidian-agent 🔥 — забираю в сетап 🤷 — у меня и так копипаст работает Источник: habr.com @ai_for_dev

Завёл 20B-модель на ноуте без видеокарты — и оно живёт Человек взял обычный ноут (Ryzen 7 260, встроенная Radeon 780M, 32 GB RAM) и запустил gpt-oss-20b в MXFP4 GGUF через LM Studio. Без дискретной видеокарты, на голой оперативке и CPU. И знаете что? Работает. Что получилось на практике: • Контекст 16384, 32768 и даже 65536 — всё стартует и отвечает. • Скорость ~9 токенов/сек. Не ракета, но читать успеваешь. • Узкое горлышко — оперативка, а не процессор. При 65536 жрёт 30 из 31,3 GB, дышать почти нечем. • Диск спит (0–1%), NPU вообще не у дел. Итог: на 32 GB поиграться можно, но для повседневки бери 16384–32768 — так остаётся запас. Раздувать контекст до максимума смысла мало, ответы от этого умнее не стали. Весь разбор с замерами: Habr 🔥 — вечером заведу у себя 👀 — на моём калькуляторе взлетит? @ai_for_dev

У вайбкода два пути: подписка или API Долгоживущий харнес в режиме 24/7 жрёт квоту аки спортсмен на массе — и провайдеры это считают. Автор разобрался, где можно платить фикс, а где придётся за каждый токен. Цены на июнь 2026 (если вы из будущего — половина уже устарела 😎). Главный вопрос: можно ли воткнуть Codex по подписке ChatGPT или Claude по Pro/Max и не платить поштучно? Code-подписка — платишь фикс, получаешь отдельный API под кодового агента, цепляешься через ACP. Это ClaudeCode, Codex, Cursor, Qwen Code, Z.AI и компания. Только API — платишь сколько потратил: OpenRouter, DeepSeek, Kimi. Коротко по героям: — Cursor — тот самый бейслайн: Pro $20, Ultra $200 (лимиты 10x) — Codex — красавчик, OpenAI официально разрешил OAuth для внешних агентов, Plus за $20 покрывает Codex внутри квоты ChatGPT — ClaudeCode — с нюансом: в начале 2026 Anthropic прижала consumer-подписки в чужих харнесах, потому что бесконечные agent loop’ы в тариф не влезают Вся таблица и лесенка цен тут: habr.com 🔥 — пойду пересобирать харнес 🤡 — пока считал, цены сменились @ai_for_dev

Symbolica 2.0: пишешь формулу — получаешь быстрый код Если вы возитесь с математическими выражениями и не хотите терять скорость — гляньте на Symbolica. Пишете выражение символически, а на выходе — быстрое численное ядро. Для якобианов, оптимизации, интегрирования. Что завезли в 2.0: 🔺 символы с неймспейсами, алиасами и тегами 🔺 новый evaluator с JIT-компиляцией 🔺 гамма, полилогарифмы, функции Бесселя, дзета Римана из коробки 🔺 симпатичный вывод в Jupyter и Marimo — LaTeX, Typst, цветные скобки Выглядит так:

from symbolica import Expression

x, y = Expression.symbols("x", "y")
e = (1 + x) ** 2 + y

print(e.expand())       # 1 + 2*x + x^2 + y
print(e.derivative(x))  # 2 + 2*x

Ставится одной строкой:

pip install symbolica

🔥 — пойду гонять формулы 🤔 — а с numpy подружится? @ai_for_dev

Кто дружелюбнее: Codex или Claude Code Начнём с приятного. В Codex теперь можно самому сбросить лимит — OpenAI раздала платным юзерам по одному бесплатному сбросу (Go, Plus, Pro, Business). Упёрся в потолок — идёшь в /usage summary и жмёшь сброс, ждать не надо. А для Plus и Pro ещё и рефералка: зовёшь человека, он пишет первое сообщение — и вам обоим по сбросу. До трёх друзей. Только не тяни: сбросы сгорают за 30 дней. А вот Anthropic решила сэкономить на нас. С 15 июня claude -p и Agent SDK больше не едят обычный лимит Pro/Max — им выделили отдельный месячный кредит: Pro — $20, Max 5x — $100, Max 20x — $200. Это бьёт по всем, у кого Claude крутится в автоматизации: • свой скрипт дёргает Claude • cron на сервере • бот в мессенджере • GitHub Actions • где-то в коде живёт Agent SDK • claude -p в терминале Кончился SDK-кредит? Если usage credits выключены — запросы встанут. Включены — начнут списывать деньги сверх тарифа по API. 🔥 — codex красавчик 💔 — anthropic, ну как так @ai_for_dev

Пять LLM-провайдеров — и один openai-клиент У нас почти всё в продукте едет через LLM: follow-up, КП, скоринг, саммари звонков. Пока провайдер один — живёшь как на пороховой бочке: то он лёг по 503, то упёрся в рейт-лимит, то счёт улетел, потому что дешёвый разбор зачем-то крутится через флагман. Поэтому собрали тонкий роутер. Не фреймворк, не «оркестратор агентов» — просто ~500 строк на NestJS, которые переезжают между продуктами без правок. Главный лайфхак: почти все провайдеры говорят на OpenAI-совместимом API. Значит, тащить пять SDK незачем — берём официальный openai и просто меняем baseURL:

const groq     = new OpenAI({ apiKey: GROQ_KEY,     baseURL: 'https://api.groq.com/openai/v1' });
const mistral  = new OpenAI({ apiKey: MISTRAL_KEY,  baseURL: 'https://api.mistral.ai/v1' });
const deepseek = new OpenAI({ apiKey: DEEPSEEK_KEY, baseURL: 'https://api.deepseek.com' });
const xai      = new OpenAI({ apiKey: XAI_KEY,      baseURL: 'https://api.x.ai/v1' });
const openai   = new OpenAI({ apiKey: OPENAI_KEY,   baseURL: 'https://api.openai.com/v1' });

И дальше один client.chat.completions.create(...) на всех. Нет ключа — клиент просто null, провайдер тихо выпадает, ничего не падает. Конфиг с тремя и конфиг со всеми пятью гоняют один и тот же код. А вызывающему коду вообще плевать на модели — ему важен класс задачи: написать красиво, распарсить дёшево, отдать строгий JSON. За классом прячется цепочка «провайдер + модель», и роутер идёт по ней, пока кто-нибудь не ответит. 🔥 — пойду пилить свой 👀 — надо глянуть Источник: habr.com @ai_for_dev

Kimi K2.7 Code завезли Moonshot обновили свою кодинг-модель: K2.7 Code одновременно умнее K2.6 и при этом ест на 30% меньше токенов на размышления. То есть лучше работает и дешевле по тратам — редкое комбо. На бенчах прирост честный: Kimi Code Bench v2 поднялся с 50.9 до 62.0, агентные тесты тоже подросли. До GPT-5.5 и Opus 4.8 ещё не достаёт, но дышит в спину. Веса открытые, лицензия прежняя — бери и пользуйся. Один нюанс: модель по-прежнему на триллион параметров, так что развернуть её дома на одной видеокарте не выйдет. Опенсорс догоняет, но самохостинг всё ещё для богатых. Качнуть веса 🐳 — кит снова в деле 👀 — где бы это запустить @ai_for_dev

Боитесь техдолга? Поздно — есть долг пострашнее CTO Профи.ру притащил термин, от которого ёкает: когнитивный долг. Это когда код пишется быстрее, чем кожаные успевают понять, что вообще происходит. С техдолгом-то всё ясно: накостылили осознанно, знаем где, починим «завтра». А когнитивный долг — это когда фича работает, форма отправляется, кнопки нажимаются... а что внутри сгенерил агент — не понимает уже никто. Жиза из статьи: люди через пару месяцев перестали вносить даже мелкие правки — всё рассыпалось. Грешили на техдолг, а на деле просто гнали так быстро, что потеряли картинку целиком. А чинить фрагмент, не видя систему — ну такое. По сути старый добрый bus factor, только раньше его уносил уволившийся Петя, а теперь штампует агент по кнопке. Статья тут 😎 — у меня всё под контролем 🙈 — а внутри агент нагенерил @ai_for_dev

LLM перестал быть автодополнением Раньше как было: спросил у модели регулярку, попросил дописать функцию, объяснить ошибку — этакий быстрый справочник под боком. Полезно, но не более. Агентный подход меняет правила. Теперь модель работает не с вопросом, а с целой задачей: сама лезет в проект, ищет файлы, строит гипотезы, предлагает план, правит код, гоняет проверки и возвращается, если что-то упало. Ты больше не чатишься с «ответчиком» — ты рулишь процессом. Только без иллюзий: это не автономный кодер, которому кинул таску и пошёл пить кофе. Да, код прёт быстрее, но скорость ≠ результат. Магия случается там, где ты внятно поставил задачу, обозначил границы («вот это не трогай»), и проверил, что вышло — тестами, чтением diff, запуском. Хороший результат почти никогда не рождается из одного идеального промпта. Он собирается из серии уточнений. Агентка — это управляемые приближения, а не лотерея. 🔥 — так и живём 😎 — и так знал @ai_for_dev