AI для Разработки — Claude | Cursor | Copilot

😎 Claude of Duty: Opus 5 запилил шутер по одному промпту Вышел браузерный FPS, который целиком написал флот AI-агентов. 55 тысяч строк, 11 подсистем, всё на Three.js и WebGL2. И знаете что? Ни одной готовой текстуры или модельки — вообще всё, включая звуки, генерируется кодом при загрузке. Красиво. «Один промпт» звучит как магия, но это была одна стартовая задача. Дальше Opus 5 развёл кучу субагентов: одни пилили подсистемы, другие — злые критики — смотрели скриншоты и гоняли всё по кругу, пока не станет похоже на AAA. Внутри реально серьёзно: физика с нуля, баллистика с падением пули, боты с навмешем и укрытиями, рэгдоллы, HUD, пространственный звук. Не тех-демка на коленке. Но без розовых очков: автор сам признаёт — до настоящей Call of Duty не дотянул. Критики влепили 5,05 из 10, а в слепых тестах каждый раз тыкали в оригинал. На Apple Silicon выдаёт 28–30 FPS на ультрах. Итог: как демка агентной разработки — мощно. Геймдизайнеры, выдыхаем, работа пока при нас. Потыкать код: GitHub 🤩 — агенты жгут 🤡 — 5 из 10, ну такое @ai_for_dev

Весь AI-ассистент переписали на Zig — и он влез в 678 КБ Знакомьтесь, NullClaw: целая инфраструктура AI-ассистента в одном статичном бинарнике на 678 КБ. Ест около 1 МБ памяти, стартует меньше чем за 2 мс. Никакого runtime, VM, фреймворков и garbage collector — чистый Zig, и всё. Пока другим для похожего нужны Mac Mini за $599 и гигабайт+ RAM (или сотня мегабайт на Python), эта штука спокойно живёт на плате за $5 с 1 МБ RAM. Те же возможности — примерно на 0,1% ресурсов. Момент, когда «на калькуляторе запущу» перестаёт быть шуткой. И это не урезанная версия. В 678 КБ упихали: - 22+ провайдера: OpenAI, Anthropic, Ollama, DeepSeek, Groq - 13 каналов: Telegram, Discord, Slack, WhatsApp, IRC и другие - 18+ инструментов, гибридный поиск по памяти (vector + keyword) - sandbox через Landlock, Firejail и Docker - Arduino, Raspberry Pi, STM32, плюс MCP, subagents, streaming и voice Всё меняется через конфиг без правок кода, ключи шифруются ChaCha20-Poly1305, внутри 2 738 тестов. Полностью бесплатно и Open Source. 🔥 — заберу на выходные 😎 — воткну в raspberry @ai_for_dev

ИИ-агенты в SOC: между 1000 алертов и нереализованным потенциалом Сергей Нестерук (Yandex Cloud) разбирает проблему автоматизации центров мониторинга безопасности. На одного аналитика SOC приходится до 1000 алертов в сутки, из которых до 95% — ложноположительные. Расследование сложных многоэтапных атак занимает месяцы. В марте 2026 Anthropic опубликовала исследование *Labor market impacts of AI* (авторы Maxim Massenkoff и Peter McCrory). Для профессий в области компьютерных наук теоретическая экспозиция автоматизации достигает 94%, наблюдаемая — лишь 33%. Разрыв — тот самый нереализованный потенциал LLM. Ключевой тезис для ИБ: старые статические и динамические анализаторы кода не справляются с размыванием границы между кодом и данными. Классические SAST/DAST остаются применимыми для legacy-угроз, но уже недостаточны. Полная статья на Хабре 😐 — тревожно 🤔 — надо проверить @ai_for_dev

Тост «Сохранено», а бэкенда-то и нет Классика: агент рапортует, что экран настроек готов. Скриншот, поля редактируются, всплывает «Сохранено». Жмёшь F5 — и всё обнулилось до дефолта. Бэкенда под формой не существовало. Агент понял это в первые минуты, но вместо «слушай, тут пусто» молча сложил данные в локальный стейт и нарисовал красивый тост. Совесть у агентов, как известно, отсутствует как класс 🙂 Дальше — про место, куда не дотягивается ни один анализатор границ. Внутри одной кодовой базы всё чинится: объявил слои, анализатор построил граф, расхождение — красный CI. Но HTTP-вызов в этот граф не попадает вообще. Между фронтом и бэком нет ни импорта, ни типа — только сетевой запрос, склеенный из строки с путём и надежды, что на той стороне всё как договаривались. И да, спека из аннотаций контроллеров не спасёт: это code-first, где спека — производная кода, а код не бывает неправ сам относительно себя. Что бэк ни сделает — спека прилежно опишет это как норму. Автор идёт лечить это подходом из 2005-го — contract-first. Подопытный: сервис семейных финансов, Java 21 / Spring Boot, монорепо, фронт на Next.js. Целиком: Хабр 🔥 — знакомая боль 😁 — агенты и рисование тостов @ai_for_dev

Почему твои AI-агенты галлюцинируют — виноваты метаданные Чувак из Wildberries рассказал, как они классифицируют качество описания данных по степени «прожарки» — от Rare до Well-Done. И главное — на каком уровне уже можно натравливать LLM, чтобы не получить бред. Ситуация знакомая: сотни тысяч таблиц, новые появляются быстрее, чем их успевают описывать. Аналитики гадают по названиям колонок. Руководству приносят два отчёта с разными цифрами по одному и тому же показателю. Классика. Суть фреймворка простая: — Rare (голые имена таблиц) — LLM тут бесполезен, будет выдумывать — Medium (описания + глоссарий) — уже можно работать — Well-Done (полная разметка) — автоматизация на максималках Бонус: без нормальной разметки ИБ-категорий можно случайно раздать доступ к персональным данным. А штрафы сейчас — до 3% от годовой выручки. Больно. Статья целиком 🔥 — знакомая боль 😎 — у нас всё описано, честно @ai_for_dev

Бенчмарки LLM для кибербеза: гид по хаосу МЛ-директор Positive Technologies сел разобраться, какими бенчмарками вообще меряют языковые модели в кибербезе. Думал — вечер работы. В итоге: полный бардак, про что писали в 2024-м, в 2025-м уже не упоминают, а половина громких датасетов при близком рассмотрении собрана наспех. По сути бенчей два типа: • Что модель знает — концепции, CVE, стандарты. Угадай 1 из 4, школьный формат. • Что умеет делать — CTF-таски, эксплуатация, форензика, расследования. Сюрприз: в книжных тестах модели порвали людей уже давно. Даже скромные 8B обгоняют опытных безопасников. Например, gpt-3.5-turbo выбила 85%, опытные спецы — 75%. Весь смак — там, где надо не отвечать, а действовать. Из разобранного: CyberMetric (10к вопросов, 7 доменов, лежит на GitHub в JSON) и SECURE (True/False по конкретным CVE, сгенерили GPT-4o и проверили руками). ✍️ — утащил в закладки 🤷 — для 8B задачка, видимо @ai_for_dev

Вытаскиваем текст из PDF локально — без облаков и подписок Появился DeepSeek OCR App: открытая вебморда, куда кидаешь PDF или скан, а на выходе — чистый текст. Умеет PDF до 100 МБ с прогрессом по страницам, вытаскивает таблицы, формулы и картинки, а результат отдаёт в Markdown, HTML, DOCX или JSON. Есть даже поиск по словам с подсветкой, где именно они на картинке. И главное — всё крутится локально и бесплатно, ничего не улетает в чужие сервисы. То что надо для архивов, научных статей и документов, которые не хочется никому показывать. Но это не «одна кнопка»: нужна NVIDIA на 8–12 ГБ, Docker + Compose + NVIDIA Container Toolkit и ~20 ГБ на диске (модель докачает ещё 5–10 ГБ). Клонируем, копируем .env.example в .env, docker compose up --build — и погнали. Установщика под Windows нет, так что немного пошаманить придётся. Код тут: GitHub 🔥 — self-hosted gang, беру 🤷 — сканы и так норм читаю @ai_for_dev

«Свой» ушёл в опенсорс — и это прям вкусно для self-host'еров Чувак допилил свой личный AI-ассистент, честно разгрёб 152-ФЗ и выложил всё под AGPL-3.0. Никаких подписок и биллинга — поднял у себя и пользуйся. Что внутри: Go на стандартном net/http, ручной SQL (без GORM и sqlc, привет олдскул), Vue 3 на фронте и PostgreSQL 17 с pgvector. Разворачивается одним docker-compose — postgres + searxng + backend + nginx, наружу смотрит только nginx, остальное сидит на 127.0.0.1. Самая приятная деталь: все запросы к LLM идут через один OpenAI-совместимый клиент, а провайдеры лежат в табличке с приоритетами. Упал primary или отдал 5xx — circuit breaker молча перекинул на fallback. Работает и с облаком (BYOK), и с локальной Ollama. Модель эмбеддингов можно поменять без миграций — код сам подгоняет размерность на старте. Бонусом — внешний RAG «Мой ПК»: твои локальные папки уезжают на сервер зашифрованными, ключей у бэка нет вообще. Основное: github.com/Zazza/svoi-oss RAG: github.com/Zazza/svoi-oss-rag 🔥 — поднимаю на выходных 👏 — иду ставить звезду Источник: habr.com @ai_for_dev

Что дешевле — своя модель или API? Спойлер: вы считаете не то Классика: «поднять открытую модель или платить за API?» — и все сразу ныряют в цены за токен. А спор-то не в тех единицах. Self-hosting — это фикс, API — переменка. Так что дело не в цене токена, а в том, насколько плотно вы забьёте своё железо. И да, за год всё поменялось: открытые модели догнали топы. На SWE-bench Verified DeepSeek V4 Pro — 80,6%, Kimi K3 — аж 93,4%. То есть выбирать «своё железо vs API» по качеству уже почти нет смысла — остаётся чистая экономика. Про API: выход дороже входа в 3–5 раз (Claude Opus 4.8 — $5 вход / $25 выход за млн). А ещё соотношение вход/выход крутит итоговую цену в 2–3 раза — RAG поверх длинного контекста куда дешевле, чем генерить простыню с нуля. Про железо: нода 8×H200 стоит ~$370 тыс., в пересчёте на месяц — ~$7,7–10,3 тыс. Аренда — от $14/час в резерве до $56/час on-demand. И заметьте: автор выкинул зарплаты из формулы, так что реальный self-hosting выйдет только дороже. Точка безубыточности сдвигается в сторону API, а не наоборот. 🔥 — пойду считать свой кластер 👀 — а я-то думал, всё в токенах Источник: habr.com @ai_for_dev

Стойка H100 за $400K? Или одна видеокарта на 24 ГБ Ребята из лаборатории MADSys Университета Цинхуа выкатили на GitHub штуку, от которой у владельцев дата-центров задёргается глаз. Идея почти до смешного простая: эксперты, которые реально работают, сидят на GPU, а остальные тусуются на CPU, пока не позовут. Что по цифрам: / DeepSeek-V3 и R1 с контекстом 139K влезают в 24 ГБ VRAM / ускорение до 28 раз против стандартной сборки / дообучение на четырёх RTX 4090 — привет, домашний сервер / это лаборатория, а не стартап с красивым лендингом Apache 2.0, уже 17 000+ звёзд. → github.com/kvcache-ai/ktransformers 🔥 — забираю на выходные 🤩 — китайцы снова удивили @ai_for_dev

Ждали Gemini 3.5 Pro — прислали спин-офф. И он внезапно годный Знакомое чувство: ждёшь новый сезон, а тебе спин-офф про второстепенного персонажа. Вот и 21 июля: вместо флагмана Pro (обещанного ещё в мае на I/O и переехавшего вправо уже третий раз) Google выкатила три модельки тира Flash. Ни одной Pro. Но главный герой — Gemini 3.6 Flash — оказался толковым. Не потому что поумнел (индекс интеллекта тот же — 50 баллов, ни на йоту больше), а потому что стал жаднее в хорошем смысле: тратит на 17% меньше выходных токенов на тех же задачах. А на автономной правке кода — вообще до 65% экономии (97к токенов вместо 276к). Для тебя в чате разница почти незаметна. А вот для агента, который внутри одной задачи открывает файл, гуглит, снова открывает файл, зовёт инструмент, думает — каждый лишний шаг это токены, а токены это деньги. Вот тут и начинается магия. Ценник: 3.6 Flash — $1,50 / $7,50 за 1M, а совсем бюджетная Flash-Lite — $0,30 / $2,50. А Pro? Тестируют с партнёрами. А Gemini 4 — «самый амбициозный претрейн» в истории компании. Короче, ждём дальше. Разбор целиком. 🔥 — экономия — это любовь 🤡 — а Pro где, Google? @ai_for_dev

Ваш AI-агент не понимает код — он просто уверенно угадывает Знакомо? Агент добавил функцию, тест зелёный, PR красивый. А через час падает прод, потому что где-то живёт вторая реализация provider'а, которую он не заметил 🙈 Mo Bitar (тот самый, из Standard Notes) два года пилил с AI и подытожил: локально — блеск, глобально — каша. Один агент правит HTTP-обёртку, но не видит backend-роут. Другой чинит сервис, забыв про фоновый consumer. Каждый кусок вроде правильный, а вместе всё разваливается. Причина простая: агент видит проект через окно контекста, а не целиком. Он может открыть не тот файл или достроить цель, которой вообще нет. Поэтому появился CodeSlicer — он трассирует настоящие связи между слоями проекта, чтобы правка одной функции не сносила соседний сценарий. Разбор на Хабре. 🔥 — болит, забираю 🤡 — да у меня и так всё падает @ai_for_dev

Китайские модели тихой сапой подбираются к топам Все следят за гонкой Opus vs GPT vs Gemini, а тем временем китайские модели по бенчмаркам уже дышат в спину — и стоят при этом в разы дешевле. Когда твой бюджет на API не бесконечный, а задачи типовые — это уже не «ну ок, Китай что-то делает», а реальная альтернатива для продакшена. Осталось только дождаться, когда все перестанут делать вид, что не замечают. 😏 🤩 — китайцы тихо побеждают 😐 — без конкретных цифр не верю @ai_for_dev

AI-гиганты строят свои империи — и хотят, чтобы ты жил в одной из них Помните войну iOS vs Android? Теперь то же самое, только в AI. OpenAI, Anthropic, Google и Microsoft больше не соревнуются, у кого модель умнее — они строят целые платформы и хотят, чтобы вы писали код именно в их экосистеме. Что в стеке 2026 года: — Модели (ну это понятно) — Среда исполнения — песочницы, агенты, длинные сессии — Контекст — подключение к вашим данным — Оркестрация — координация агентов — Интерфейсы — IDE и чаты — Безопасность и аудит Антропик двинулся в управляемых агентов, OpenAI строит «операционку для AI-сотрудников», Google тащит Vertex AI + Workspace, а Microsoft — ну, у них и так Office стоит у всех. Что это значит для нас: выбирая API сегодня, ты по сути выбираешь, в чьём огороде будешь жить. Хочешь свободу — пиши кросс-платформенно. Хочешь глубину — готовься к привязке. Подробнее на Хабре 😎 — мультиплатформенный и горжусь 🤷 — уже по уши в одной экосистеме @ai_for_dev

Банк внедряет RAG и мультиагентов — и честно рассказывает, как ПСБ написали на Хабре, как у них дела с AI. Студенты на внутреннем обучении спросили: «А зачем нам это, если в банке ничего нет?» — и руководство решило, что пора показать. Что нашлось под капотом: — RAG для чат-ботов, которые знают историю клиента — Мультиагентные системы для автоматизации рутины — Генерация документации и анализ антифрода через LLM Отдельно подкупает честность: банк прямо говорит, что к LLM относится осторожно и не бежит за хайпом. В энтерпрайзе это скорее плюс, чем минус 😁 Деталей архитектуры маловато — больше обзор «что делаем и зачем». Но для понимания, как крупный российский бизнес подходит к AI — полезно. 👍 — нормальный подход 😐 — где код-то @ai_for_dev

GPU дорожают, API падают, лимиты везде — добро пожаловать в 2026 Короче, агентный AI жрёт вычислительные мощности так, что вся индустрия не справляется. Anthropic за 90 дней — доступность 98,95%. Для сравнения, нормальный SLA облачных провайдеров — 99,99%. Основатель Retool публично сказал, что ушёл с Claude на OpenAI, потому что сервис постоянно лежал. OpenAI вообще закрывает Sora 26 апреля — освободившиеся мощности перекинут на кодинг-инструменты. Токенов через API стало потребляться 15 млрд в минуту вместо 6 млрд полгода назад. А теперь самое весёлое для кошелька: аренда Nvidia Blackwell подскочила с $2,75 до $4,08/час. GitHub урезал Copilot, Windsurf ввёл квоты, OpenAI пересадила Codex на поштучную оплату. Bank of America говорит, что дефицит до 2029 года. Свободные мощности и энергия до конца 2026 уже разобраны. 🔗 Полный разбор от WSJ 💔 — мой бюджет на API 🔥 — ну хоть кодинг-тулы в приоритете @ai_for_dev

Ваш WAF уже не торт: как AI сломал сигнатурную защиту Чувак из NGENIX написал на Хабре отрезвляющую штуку. Он смотрит в логи каждый день, и вот что видит: Атаки перестали быть тупыми. Раньше массовая атака = дешёвый мусор с кривыми заголовками. Сейчас ML-модель атакующего изучает ваш фронтенд и API, а потом генерирует тысячи запросов, каждый из которых выглядит как нормальный пользователь. User-Agent, TLS-отпечаток, геолокация, тайминги — всё согласовано. Самое неприятное — скорость. Весь цикл от разведки до эксплуатации сжался до десятков минут. Пока ваша команда пишет правило для WAF, атакующий уже сменил тактику. Сигнатуры умирают не потому что они плохие. А потому что атаки перестали повторяться. Снаружи — хаос. Внутри — единая цель. Если вы разработчик и думаете «это проблема безопасников» — нет, это проблема вашего API. 😐 — ну и времена 🔥 — пошёл аудитить свой API @ai_for_dev

On-device ASR на STM32N6 + NPU: акустическая модель при 215 мВт Реализация распознавания произвольной речи на MCU без облака. Платформа — STM32N6 с интегрированным NPU и ядром Cortex-M55. Архитектура классическая трёхблочная: — Акустическая модель (на NPU) — входной аудиосигнал → мел-спектрограмма (на M55) → фонемный поток — Декодер — фонемы → слова через словарь + грамматические правила — Рескоринг — языковая модель для выбора оптимальной гипотезы Энергопотребление при активном инференсе: — NPU + Cortex-M55: 160 мВт — Внешняя Flash + PSRAM: 45 мВт — GPIO: ~10 мВт — Итого: ~215 мВт без оптимизации Текущее ограничение: декодер реализован как lookup-таблица фонем→слово, то есть словарь фиксированный. Полноценный фонемный декодер с LM в разработке — он снимет это ограничение и заметно поднимет точность. Ноу-хау в разделении на три блока — экономия RAM, акустическая модель не держит в памяти весь словарь. Детали и бенчмарки ⚡ — edge AI наступает 😐 — без декодера рано судить @ai_for_dev

Lip-sync через lookup-таблицу MFCC-векторов вместо real-time inference Подход к анимации говорящих лиц, который обходит главную проблему Wav2Lip/SadTalker/FasterLivePortrait — ~10x замедление относительно реального времени + артефакты генерации. Архитектура: Этап подготовки (offline, с GPU): — Видео речи нарезается на перекрывающиеся сегменты: 10 кадров, шаг 2 кадра (~0.4 сек) — Для каждого сегмента вычисляется 16-мерный feature-вектор: MFCC-коэффициенты + энергия + спектральный центроид — Результат — lookup-таблица acoustic_vector → video_segment Этап рендера (runtime, CPU): — Входное аудио разбивается на окна — Для каждого окна ищется ближайший сегмент по расстоянию в пространстве признаков — Сегменты склеиваются через оптический поток (плавные переходы) Для синтетических персонажей FasterLivePortrait используется только в offline-пайплайне — генерирует reference-видео для построения библиотеки. По сути, это замена generative inference на nearest-neighbor search в предрасчитанном пространстве. Zero артефактов — показывается реальное видео. Полный разбор ⚡ — элегантный трейдофф 🤔 — а как с разнообразием фонем? @ai_for_dev