Vibe Coding: OpenCode, Claude Code, Codex, Cursor, Kilo

Ребята, посмотрите! Haiku 5.5

Майкрософт и Нвидиа представили RTX Spark Лэптопы В полку Виндузятников прибыло

YAGNI (You Aren't Gonna Need It) — принцип разработки ПО, который переводится как «Тебе это не понадобится» Устали терпеть овернжинирг от своих ЛЛМ моделей? Почаще пишите им YAGNI. Суть: не реализуй функциональность, пока она действительно не нужна. Например, ЛЛМ пишешь Telegram-бота. Без YAGNI: - Создает систему плагинов на случай расширения. - Добавляет Redis на случай высокой нагрузки. - Строит абстракции для поддержки пяти баз данных. - Проектирует микросервисы на случай миллиона пользователей. ЗАЧЕМ? Проблемы надо решать по мере их поступления. Чем YAGNI отличается от KISS и DRY? YAGNI — Не делай то, что пока не требуется. KISS — Делай максимально просто. DRY — Не дублируй знания и бизнес-логику без необходимости. Один пост в телеграм заменяет Superpowers. Важный нюанс: YAGNI не означает отказ от тестов, обработки ошибок или безопасности. Это необходимые свойства работающей системы, а не функциональность «на будущее».

По сети начали гулять навыки Герой ИИ И вот какой воркфлоу из 6 шагов он нам предлагает: 1. ответьте на вопросы в режиме планирования 2. создайте техническую спецификацию 3. разделите задачи на тикеты 4. тдд подход в разработке 5. ревью ПРов до мерджа 6. анализ прошедших сессий Я так посмотрел на это, и как бы ну очень на подход который я использую похоже. И когда мне первый раз его в июле что ли прислали, я такой:

"Да как один соло мэинтейнер мог набрать >200к звезд на Гитхабе? Он что ОпенКло?"

Представляю вам Мэт Покок (Matt Pocock): Британский программист, преподаватель TypeScript и предприниматель. Автор Total TypeScript и AI Hero. Ранее работал в Vercel и участвовал в разработке XState. Он не случайный разработчик, прославившийся одним репозиторием. Покок годами строил аудиторию программистов через курсы, статьи и обучающие видео. Сейчас у него примерно 48,5 тыс. подписчиков непосредственно на GitHub. Т.е. автор уже был очень известен и имеет свою рассылку примерно на 60 тыс. подписчиков., а его продукт залетел в ГитХаб тренды, чем усилил вирусный эффект. Самая жопа этого репо в том, что: это преимущественно набор Markdown-инструкций для AI-агентов, а не самостоятельное большое программное приложение. И я с этим уже обжогся, когда разрабатывал свой скилл cycle-review, по началу все было круто, пока я не обнаружил, что агенты просто игнорируют эти мд инструкции, и я снес нахер этот своей скилл и больше им не пользуюсь. Так что, для изучения рекомендую - да. Для бездумной установки и надежды, что агент начнет писать код лучше - нет. Так что ребят, количество звезд на Гитхабе — это скорее больше маркетинг и говорит об общей восстребованности продукта, чем о его качестве. Люди просто верят в то, что ОпенКло и Суперпаверс могут решить любые их проблемы и ставят лайки (а не то, что эти продукты это реально могут). https://github.com/mattpocock/skills/

ОпенАЙ День 3: почему бесплатное Авторевью обновление это ни разу не обновление У ОпенАЙ есть функция облачных ревью, когда Вы пишите "@codex review" в комментарии Гит Хаба и вот я по началу подумал, что вот эти ревью стали бесплатными 🤯. Но разобравшись в новости, я понял, что Антропик еще 7 августа сделали этот апдейт (писал об этом тут). Это ОпенАЙ решили авто классификатор "авто ревью" обозвать. Ну, Ребята, то что конкуренты уже сделали, а вы просто повторили, я лично "революционными" назвать не могу. Так что, этот Тибо он нам 💩 намазывает на бутеры вместо апдейтов.

Наконец-то Клод Код нахрен снес диск C:/ Но у парня был бэкап И кстати, он под Виндой, задумайтесь над этим.

Еще интересные факты про Haiku 5.5 Он хорошо сочетается с Opus 5.5 или Sonnet 5.5 в качестве субагента. Используйте его для задач с большим объемом данных, чувствительных к затратам, таких как составление сводок, компакция или запросы к базе данных. • Это первая Haiku с настраиваемым уровнем effort: можно выбирать между ценой и качеством, как у старших моделей. • На стандартной скорости это самая быстрая модель Anthropic, но Opus в Fast Mode её обгоняет. • В computer use прирост самый большой: на OSWorld 2.1 у неё 72,4% против 15,7% у Haiku 4.5 (у Sonnet 5.5 — 83,9%).

Haiku 5.5 уже тут и он разрывает GPT-6-Luna Мы ждали этого 1 год, Антропики не слабо так прокачали свою самую невостребованную и чудную модель. Terminal-Bench 4.0 - 0% —> 39.2% (для сравнения у Luna-6 только 16.4%) Цену традиционно снизили в 2 раза (спасибо Китай, за то, что давишь). Но есть незадача, разрывает какой ценой? 7 октября Anthropic снизила стоимость чтения кэша Sonnet 5.5 вдвое. Haiku 5.5 — Sonnet 5.5 Low 12.7% ($0.42) - 20.0% ($0.62) Medium 20.3% ($0.68) - 28.8% ($0.68) High 24.8% ($1.04) - 43.0% ($1.46) Xhigh 31.5% ($1.75) - 61.5% ($4.34) Max 39.2% ($2.64) - 70.6% ($10.44) Из этой таблицы сравнения с Соннет 5.5 результаты какие-то ну очень странные: • Использовать имеет только на Low т.к. только на этом effort Haiku дает результат дешевле (но не лучше) Соннет • На всех остальных уровнях эффорт Соннет просто разрывает Хайку в деньгах и эффективности. Таким образом, напрашиваются вывод: Haiku 5.5 — дешёвая и быстрая модель для массовых узких задач, а не для сложной агентной разработки. Для чего её рекомендуют: • Массовые задачи, где важна цена: суммаризация, компакция контекста, запросы к базам данных, классификация. • Сабагент в паре с Opus 5.5 или Sonnet 5.5 при работе с кодом. Старшая модель планирует, Haiku выполняет мелкие поручения. Rogo описывает такой сценарий: большая модель собирает презентацию, а сабагент на Haiku достаёт из отчёта 10-K нужную строку выручки по сегменту. • Задачи, где важна скорость: поддержка клиентов в реальном времени и browser use. Под это обновили Python- и TypeScript-SDK: в бете появилась поддержка computer use и browser use, и Haiku 5.5 называют для них особенно подходящей моделью. https://www.anthropic.com/claude-haiku-5-5

Какой хороший перевод нам выкатил Дарио Я думаю, все уже заценили перевод Dispatch — Отправить. Я только по иконке догадался. Как это еще можно перевести: • Отсылка • Депеша • Быстрота • Казнь • Убийство В общем, словарь вам в помощь

Собрать внутреннее приложение теперь может любой сотрудник. Трудное начинается дальше: чьими правами оно ходит в данные. За семь дней о таких внутренних платформах рассказали трое. Питер Мэттис, сооснователь и CTO Cockroach Labs, в подкасте Гергея Ороса: компания открыла платформу для не-инженеров, и за пару месяцев на ней появилось, по его словам, пятьсот, тысяча приложений. HR собирает себе инструменты, финансовый директор — дашборды. Клэр Во, ведущая подкаста How I AI, после DevDay сказала, что у компаний, с которыми она работает, это проблема номер один: что делать со всеми навайбкоженными внутренними инструментами, прототипами и отчётами. Самые точные цифры — у Klaviyo, но это кейс Vercel о собственном клиенте. За первые две недели 512 из двух с лишним тысяч сотрудников выкатили 356 приложений. 196 из них — с собственными базами данных. В кейсе перечислено, на чём программа держится: каждое приложение закрыто SSO, соединения с базами приватные, секреты заданы на уровне команды и не попадают в руки автору, каждый проект сканируется. Слова архитектора Klaviyo Мохамеда Али:

Блокировать доступ — самое ленивое, что можно сделать.

Во говорит о том же с другой стороны. В обновлённых Sites у OpenAI она отметила одно: отчёт, которым вы поделились, открывается под коннектором смотрящего. Есть у коллеги доступ к данным — видит. Нет — не видит того, что видите вы. Отсюда наш вывод, в источниках его в таком виде нет: писать внутренний инструмент стало дёшево, а трудная часть переехала в платформу, через которую он выходит. Она должна знать, к каким данным он подключён и от чьего имени. Готового порядка нет и у Klaviyo: плейбука для такой программы не существует, говорит Али. По описанию в кейсе, большие приложения авторы доводят примерно на 80%, остальное забирает платформенная команда. Мэттис о правах не говорит вовсе, только о масштабе. Все три источника с цитатами — в разборе: https://polochka.app/s#yySDQe2CVLv7z8jE28YS7ZZmBQ6f061c6uJRIsL3LQ8 Расскажите, кто у вас отвечает за приложение, которое продакт собрал за вечер и подключил к боевой базе.

ОпенАЙ День 3 апдейтов О таких новостях всегда приятно писать.

Появились предварительные elo gemini-4-argon-high - 1680 9 место! Поздравляем Гугл. По современным меркам 1680 за $10 это ну очень мало. Т.к. следует заметить, что gpt-6.1-sol-max прокачали очень круто, и теперь он на уровне claude-sonnet-5.5-xhigh выдает. Но вот вопрос, а кто токенов на одну задачу меньше тратит? sol или sonneet? https://arena.ai/leaderboard/code/webdev

Вышел Mistral Large 4 Я уж думал никогда не выйдет. Кого разрывает? • DeepSeek V4 (как будто это сложно) https://mistral.ai/news/mistral-large-4/

😊 Ламповое комьюнити про ИТ, ИИ и digital Наш канал вошел в подборку тг-каналов про ИТ, диджитал и Tech — это ламповое комьюнити для своих, где собраны люди из индустрии, кейсы, инструменты и полезные наблюдения. В папке — каналы про: ➕новые инструменты, реальные кейсы и применение в работе ➕тренды, обзоры и взгляд tech-практиков ➕карьера и развитие в tech ➕поиск рабочих подходов и инструментов для ежедневных задач 🔠 Тык на папку https://t.me/addlist/Jyt5789h67djMDBi

bcherny оставил вам комментарий

Местами этот Тибо пишет правильные вещи Смотрите, одна решенная задачка GPT-6.1 Sol стоит $0.72 А Opus 5.5 стоит несозимеримо больше Смотрите: Модель может ходить кругами Модель может творить всякую дичь Модель может просто выдавать неверные решения. И вы за это будете платить своим юсейдж. Т.е. не важно, сколько вритуальных фантиков вам рисует в биллинге Антропик. Важно, сколько реально пользы такая подписка приносит.

Что за компания Reflection и чем она примечательная? Reflection AI — очень молодая, но уже сверхкапитализированная американская AI-лаборатория бывших людей DeepMind. Главная ставка — сделать западный аналог DeepSeek/Qwen: мощные open-weight frontier models, которые можно развернуть у себя, дообучать и контролировать. Компания основана в 2024 году Мишей Ласкиным и Иоаннисом Антоноглу. Антоноглу был одним из создателей AlphaGo, Ласкин работал над reward modeling для Gemini. Самое примечательное: Reflection пока гораздо успешнее как лаборатория, собравшая людей, деньги, compute и государственные контракты, чем как компания с длинной историей успешных продуктов. Почему вокруг них столько шума У них очень сильный pedigree. В Reflection собрали людей, работавших над AlphaGo, AlphaZero, MuZero, Gemini, PaLM, AlphaCode, AlphaProof, а также специалистов из OpenAI и Character.AI. То есть это не «стартап, который взял Llama и сделал fine-tune», а попытка построить собственный frontier training stack. Масштаб финансирования тоже необычный. Осенью 2025 года они подняли $2 млрд при оценке $8 млрд, причем Nvidia была крупнейшим инвестором раунда. К 2026 году оценка выросла примерно до $25 млрд, а общий привлеченный капитал превысил $4 млрд. И это уже не только VC-история. Reflection заключила соглашения с Пентагоном, Department of Energy / National Labs и Южной Кореей. В частности, их выбрали для американской Genesis Mission — использования AI в национальных лабораториях.

Reflection АНОНСИРОВАЛИ свою первую открытую модель Beam 501B open-weight model Я обычно не пишу о том, чего нельзя самому попробовать. Что же в этом такого особенного, что я решил об этом анонсе написать? Reflection AI вчера только анонсировала модель и сейчас дает early access по waitlist. В официальном анонсе нет цены ни за input/output tokens, ни фиксированного API-тарифа. Веса модели — бесплатно: Reflection обещает выпустить Beam позже в октябре под Apache 2.0. То есть скачать и self-host можно будет без лицензионной платы. При этом бенчи модели заявлены очень мощными на уровне GLM-5.2 / GLM-5.3 (они очень схожие). Да, по архитектурному классу Beam очень похож на DeepSeek-V3, только примерно на треть легче по вычислениям. Есть реальная точка отсчета. Для FP8 DeepSeek-V3 SGLang рекомендует 8×H200 и показывает на таком сервере около 464 output tok/s при высокой параллельности. 8 × $3.59 = $28.72/час Получаем для DeepSeek-V3: 464 × 3600 ≈ 1.67M output tokens/hour то есть примерно $17/1M output tokens только аренды GPU. Для Beam я бы ожидал на том же 8×H200 порядка 600–750 output tok/s после нормальной оптимизации. Тогда: Beam ≈ $11–13 / 1M output tokens self-hosted на арендованных H200. Поэтому мой прогноз цены API Beam Self-host и API-прайс — совершенно разные вещи. Например, исходный DeepSeek-V3 стоил всего $1.10/1M output, хотя аренда H200 для самостоятельного хостинга дает порядок ~$17/M. Если Reflection собирается позиционировать Beam именно как дешевый «workhorse», я бы ожидал примерно: input: $0.20–0.70 / 1M output: $0.80–2.00 / 1M Если они поставят >$3/M output, это уже будет скорее коммерческая наценка, а не следствие размера модели. То есть Beam фактически выглядит как «DeepSeek-V3, у которого выкинули примерно треть вычислений». Если качество действительно останется на заявленном уровне, архитектурно это очень привлекательная модель именно для дешевого массового inference. https://reflection.ai/blog/introducing-beam — можно записаться в вайтлист и затестировать.

Полезный лайфхак для вайбкодинга Открываю проекта, а там ↑1 - это значит, что есть незапушенный коммит. Агентов много, и за всеми сложно уследить. А я потом удивляюсь, почему это так багов много, да потому что фиксы тупо в мэин не попадают.

Вот поймал еще одну попытку самопрограммирования Что с этим делать, вообще не знаю... я очень устал, босс. Простыми словами в чем суть: • у меня установлен хук, который отправляет сингал на завершение хода, если 1 ход тратит более 15М токенов в цикле.