AI для Разработки — Claude | Cursor | Copilot

Безлимит на токены за $10 Есть площадки вроде OpenRouter с парой сотен моделей, и большинству этого за глаза. Но если ты из привередливого меньшинства, которому нужна вон та конкретная дообученная модель с Hugging Face — держи Featherless. Они крутят на своих серверах 30 000 нейросетей. Не весь каталог HF, но уже близко. Всё под одним API-ключом, любую экзотику тестишь в один клик. Deepseek и Qwen, само собой, тоже на месте. И самое вкусное: платишь не за токены, а подписку — от $10 в месяц, токены бесплатно. От ботов-хакеров спасает лимит на параллельные запросы, так что в одиночку обанкротить стартап не выйдет, как ни старайся. Для вайбкодеров с проектами «вот-вот выстрелит» — самое то: десятку в месяц не жалко. Залетай на featherless.ai. 🔥 — пойду гонять модельки 🤡 — а потом ценник переобуют @ai_for_dev

AI пишет код быстрее. А счёт кто оплатит? Релизов стало больше, качество вроде ок — победа? Ага, пока не глянешь на счёт. Где-то фича внезапно стоит $1,000 в месяц вместо $500, и объяснить причину никто не может. А есть зоны, куда AI лучше пускать осторожно: безопасность, состояния гонки, распределённые системы, нестабильные тесты, криптография, auth, комплаенс, финансы и приватные данные. Промахнулся — и привет, $15,000 в месяц. И тут начался цирк под названием tokenmaxxing: • в Amazon жмут AI без нужды, лишь бы метрики были красивые; • в Meta за месяц спалили 60.2 триллиона токенов; • в Salesforce: тратишь меньше $170 — получаешь метку «подозрительный». А Farhan Thawar из Shopify задаёт нормальный вопрос: не «сколько потратили», а зачем. Может, человек реально строит что-то крутое на агентах. Чтобы не гадать — есть JIRA-приложение AI Code Pulse: показывает стоимость токенов по задачам, репам и авторам. 😁 — токены жгут не глядя 👀 — пойду проверю свой Cursor @ai_for_dev

OCR за пару секунд на CPU? Можно — на PaddleOCR + ONNX Классика: надо распознать текст на скане, а под рукой только CPU. Готовые фреймворки начинают «думать», и привет, таймауты. Автор пошла другим путём — взяла PaddleOCR, сконвертировала в ONNX и выжала ускорение больше чем в 4 раза. Почему не популярные движки: - Tesseract — нет GPU, до свидания. - EasyOCR — тащит PyTorch на пару ГБ и жрёт оперативку, на CPU тяжеловат. - OmniParser — это как забивать гвоздь экскаватором: YOLO плюс OCR ради «прочитать строчку». А теперь приятное: на CPU (16 ядер, 32 ГБ) самый долгий инференс — 1.5 секунды, на RTX 3090 вообще 0.2. И по качеству на русско-английских текстах Paddle уделывает EasyOCR — ошибок на слово почти вдвое меньше. Самое вкусное — весь пайплайн и ONNX-модели лежат в репозитории, а подробный разбор — на Хабре. 🔥 — забираю в свой пет-проект 👀 — а на кривых сканах как? @ai_for_dev

«Платформа сначала, боты потом» — опыт внедрения LLM на всю компанию Артём из Sminex два года внедрял AI и поделился честной историей — не той гламурной, а про прокси-слои, отладку промптов в Langfuse и вечное «почему модель опять ответила не то?». Классика жанра: собрали одного ассистента — аплодисменты. Потом второго, третьего. У каждого свои ключи и доступы, и в какой-то момент это зоопарк, который дорого кормить. Они пошли иначе: сначала строим платформу, потом клепаем кейсы на ней. Да, на старте медленнее. Зато потом новый ассистент собирается за часы, а не за недели. Цифры: запуск на всю компанию в октябре 2025, перед этим закрытая бета и 99 человек в листе ожидания. Рост органический — без приказов «всем пользоваться». Интерфейс — Open WebUI, для сотрудника выглядит как привычный ChatGPT, а под капотом совсем другая история. Полный разбор на Хабре 🔥 — платформа-first, согласен 😎 — у нас и так норм @ai_for_dev

AI ускорил конвейер, но это конвейер дерьма Знакомая картина? Аналитику дали Claude, разработчику Cursor, QA — генератор тестов, документация пишется сама. На демо все довольны: lead time падает, PR'ы летят пачками, coverage растёт. А в прод приезжает фича, которая работает не так. Или работает, но никто не помнит зачем её делали. Или работает идеально, но в техдоке написано про другую систему. 🤷 Что сломалось? Старый добрый закон Брукса: главный bottleneck разработки — не работа, а передача между людьми. AI ускорил работу на участках в 10 раз, а передачи остались. И их стало в разы больше — каждая жрёт контекст. Плюс человеческая лень. AI выдал требование за минуту вместо часа — соблазн отправить дальше за вторую минуту огромный. Вычитывать? Это же терять выигранное время. На своём участке ты закрываешь тикет, а не отвечаешь за продукт. Результат: shit in → shit out, только теперь со скоростью света. Каждый формально молодец. Продукт — формально готов. Качество — нет. Следующий шаг оптимизатора — «убрать Васю, заменить агентом». Только Вася был хоть какой-то точкой ответственности. Агент-Вася ничего не помнит про контекст и не объяснит почему сделал так. 🤔 — больно знакомо 😎 — у нас дирижёр уже есть @ai_for_dev

Девин закрыл 11 тикетов за выходные. Команда из 4 человек спала Понедельник, 9 утра. Тимлид открывает Jira и охреневает: за выходные закрыто 11 тикетов, доска чистая, везде PR-ы, CI зелёный. А в команде четверо: двое отдыхали, один болел, четвёртый по сторисам — в баре до понедельника. Кто работал? Скролл по git blame — devin-agent. С ним метрики попёрли вверх, команда «бьёт рекорды». Это не байка. На SWE-bench (реальные баги Django/Flask) топовые модели в 2025 закрывают ~50% задач полностью автономно — от issue до зелёного PR. Десятки таких агентов уже сидят в продакшене у живых команд. Главный поинт статьи: проблема не в том, что агенты пишут плохой код. Проблема в том, что зелёный дашборд больше ничего не значит. Velocity растёт, тикеты закрываются, PR-ы мержатся — а что там реально происходит, никто уже не понимает. Целиком на Habr — там разбор по этапам SDLC, где именно агенты ломают процесс. 😁 — у меня уже так 🤡 — менеджер счастлив, тимлид плачет @ai_for_dev

Поднял LangChain над докой — а коллеги всё равно пишут в личку Знакомо? Разработчик из ML Laboratory Яндекса Дима Кирпа написал на Хабре честный лонгрид о том, почему корпоративные LLM-агенты часто оставляют после себя только мемы про галлюцинации и счета за вызовы. Спойлер: дело не в промптах и не в температуре. Дело в поиске под LLM. Если документации мало и она не находится — мотивация её писать умирает, поиск становится плохим в квадрате, а агенту негде взять контекст. Порочный круг. В статье — четырёхлетний опыт построения внутреннего поиска Яндекса и AI Chat поверх него. Без хайпа: устройство бэкенда, ранжирование, как фичи поиска перетекают в фичи генеративки, и числа из реальных A/B-экспериментов. Если вы где-то между «у нас есть векторная БД» и «почему этим никто не пользуется» — самое то. 🔥 — пойду чинить свой RAG 😁 — мемы про галлюцинации засчитал @ai_for_dev

Prompt injection против автономных AI-пентестеров Состояние на весну 2026: XBOW — #1 на HackerOne, Series C $120M, интеграция с Microsoft Security Copilot. Anthropic Mythos Preview в system card — тысячи zero-day. Бенчмарки наступательного фронтира: ASR на CVE-Bench, лидерборды, скорость эксплуатации. Но threat model самого агента игнорируется. Автономный пентестер потребляет недоверенные данные через все каналы: SMTP/FTP-баннеры, HTTP-ответы, вывод nmap/dirb/sqlmap, содержимое найденных файлов. Каждый input-канал — потенциальный вектор prompt injection. Канал восприятия = канал захвата. Релевантный фронтир последнего года: - MITRE OCCULT (Black Hat 2024) — методология оценки offensive LLM capabilities, цитируется половиной академических работ по теме - Galah (Niantic, DEF CON 32) — LLM-генерируемый веб-honeypot, правдоподобные HTTP-ответы из единственного промпта - AgentFlayer (Zenity, Black Hat 2025) — атака на ChatGPT Connectors: «отравленный» документ в общем Google Drive → zero-click exfiltration через невидимые инструкции Практический take для тех, кто строит autonomous security agents: выходные данные сканеров и tool calls — это атакующий ввод. Sandbox исполнения, изоляция сети, санитизация tool outputs и строгий output schema — не «nice to have», а baseline. 😐 — серьёзный пробел в threat model 🤔 — пора переписывать sandbox @ai_for_dev

Как «Честный знак» дошёл от Naive RAG до ReAct-агента Ребята из лаборатории ИИ «Честного знака» написали большой разбор о том, как пилили корпоративного помощника поверх Confluence, Jira и GitLab — и всё это на open-source моделях, потому что «выжимали максимум из того, что было». Первая часть — про путь от MVP на Naive RAG до момента «окей, этого мало». Поясняют базу (токены, окно контекста, галлюцинации) и показывают, как именно ломается наивный RAG, когда сотрудник спрашивает про закрытую страницу в Confluence. Во второй части обещают Advanced RAG, мультиагентную архитектуру и ReAct-агента. Полезно тем, кто сам сейчас строит подобное и хочет сверить грабли. ✍️ — пошёл записывать грабли 🤔 — ждём вторую часть @ai_for_dev

Spring AI: подключаем LLM к Java за 3 строки Знакомое чувство: хочется прикоснуться к большим языковым моделям, а ноутбук плавится на попытке запустить что-то крупнее 7B? Локальный запуск — мазохизм, облако — наркотик, но с правильной прослойкой всё становится терпимо. И тут выходит Spring AI — адаптер между миром Java и миром LLM. Подключение к OpenAI реально в 3 строки:

java
@Autowired
private OpenAiChatClient openAiClient;

public String ask() {
    return openAiClient.call("Расскажи анекдот про программистов");
}

Никаких HTTP-клиентов, парсинга JSON и токенов руками. Сделал с LLM то же, что JPA с базами — спрятал боль под капот. А если параноишь насчёт промптов или летишь в самолёте без интернета — локальная Ollama поднимается одной командой ollama run llama2. Первый запуск — пять минут. Разбор тут. 🔥 — джавистам наконец повезло 😎 — попробую на выходных @ai_for_dev

Векторный поиск, который не съедает всю оперативку Знакомая боль: загрузил эмбеддинги на 10 млн документов — и 31 ГБ ОЗУ как не бывало. turbovec делает то же самое в 4 ГБ и ищет быстрее FAISS. Не опечатка. Под капотом — Rust с Python-обвязками и алгоритм TurboQuant от Google Research. Главная фишка: никакого обучения кодбука. Просто кидаешь векторы — они уже в индексе, никаких пересборок когда корпус растёт. Ещё приятности: можно фильтровать прямо в момент поиска (передал список id — получил только из них), и всё работает локально, без облака. То есть приватный RAG без утечки данных наружу. Попробовать — две команды:

pip install turbovec

python
from turbovec import TurboQuantIndex
index = TurboQuantIndex(dim=1536, bit_width=4)
index.add(vectors)
scores, ids = index.search(query, k=10)

🔥 — прощай, лишние гигабайты 👀 — а recall не просядет? @ai_for_dev

Когда обычный RAG не вывозит: пробуем LightRAG с графом знаний Векторный поиск — это как библиотекарь, который мигом найдёт книгу по обложке. Удобно, но он не расскажет, как пункт 5.3 договора ломает исполнимость пункта 12.1 и какая редакция закона действовала на момент сделки. Для юристов, недвижки и любой темы со сложными связями — мимо кассы. Граф знаний эти связи держит. Но в чистом виде кусается: — дорогая автоиндексация — качество графа = качество LLM, которая его строит — настройки KGDB критичны, чуть промахнулся — мусор на выходе Вывод автора прозаичный: гибрид (граф + векторка) рулит. Из готовых фреймворков на эту архитектуру заточен LightRAG — есть WebUI с интерактивной визуализацией графа, ставится из pip. В статье автор гоняет его на корпусе по недвижимости. 🔥 — пойду скрещивать вектор с графом 🤔 — а оно того стоит на проде @ai_for_dev

Если вы тестируете LLM-агента «на глаз» — у меня плохие новости Знакомо? Поправил системный промпт, задеплоил, спать. Утром — жалоба: агент придумал дедлайн из воздуха. Открываешь IDE, опять правишь промпт, смотришь на два примера, «ну вроде норм», деплоишь. И так по кругу. Это не разработка, это рулетка. Агент недетерминирован, и без нормальных оценок (evals) вас ждут три засады: 🔥 Регрессии — пофиксил галлюцинации в одном месте, втихаря сломал в другом. Узнаешь, когда юзеры начнут разбегаться. 🔥 Масштаб — руками 10 000 диалогов не прокликаешь, ты не робот. 🔥 Скорость — пока ты медитируешь над промптом, конкуренты гоняют его через бенчмарки и катят апдейты по 5 раз в день. Самое смешное — eval это просто функция:

f(output) -> score

Два уровня, которые реально работают: code-based assertions (обычные юнит-тесты — проверь JSON, поля, длину) и LLM-as-a-Judge — берёшь модель помощнее и она строгим менеджером оценивает ответы твоего агента по критериям. 🔥 — пойду писать evals 🤡 — мой агент и так гений @ai_for_dev

Презентации теперь можно self-host'ить Наконец-то инструмент, который не тащит тебя в очередную подписку: Presenton — open-source генератор презентаций, 5K+ звёзд на GitHub, лицензия Apache 2.0. Кидаешь промпт или документ → получаешь слайды → экспортишь в PPTX или PDF. Без закрытого редактора, который держит твои данные в заложниках. Чем хорош для нас: - поднимается одной командой в Docker - есть API — можно встроить в свой продукт или прикрутить к внутреннему боту - BYOK — суёшь свои ключи (OpenAI, Gemini, Anthropic, Azure) и платишь только за реальное использование - любишь приватность — гоняешь всё локально через Ollama, ничего наружу не уходит - есть даже MCP-сервер, чтобы дёргать генерацию из агентов Шаблоны пишутся на HTML + Tailwind, так что дизайн под себя — без боли. 🔥 — self-hosted gang, заносим 👏 — пойду накину звезду автору @ai_for_dev

Qwen3.7-Max от Alibaba — и он бесплатный 🤩 Заявляют, что в режиме Max уделывает даже Claude Opus 4.6. Окно контекста — 1 млн токенов, и весь упор на агентные сценарии, а не на болтовню в чате. Самое сочное: на тестах модель 35 часов пахала без человека, накидала 1158+ вызовов инструментов и сама оптимизировала CUDA-ядро под длинный контекст на железе, которое в глаза не видела при обучении. Результат — инференс почти в 10 раз быстрее. Потрогать тут. Бенчмарки бенчмарками, но на своих задачах гонять всё равно придётся. 🔥 — бесплатно, беру 🐳 — Поднебесная не дремлет @ai_for_dev

Джуны теперь пишут лучше, чем понимают Знакомая картина на собесе? Тестовое — аккуратное, переменные читаемые, ошибки обрабатываются. А на созвоне «ну... так модель предложила». Команда SimpleOne SDLC говорит — это уже паттерн, а не разовый случай. По hh.ru: резюме в IT +12%, вакансий −29%, до 16 джунов на одну вакансию. Раньше начинающий разработчик месяцами продирался через документацию, форумы и отладку — и за счёт этого собирал причинно-следственные связи. Сейчас этот путь схлопнулся до промпта. Старый copy-paste со Stack Overflow хотя бы было видно невооружённым глазом. AI же выдаёт правдоподобно хороший код, который ревью проходит, а через месяц никто (включая автора) не помнит, как оно работает. Code review превращается в допрос — но это симптом. Болеть будет в инциденте, когда нужен инженер, который умеет читать логи, а не «видел похожий ответ у модели». 🙈 — допрашиваю на ревью 🤔 — а как теперь нанимать @ai_for_dev

Сеньор не писал код с декабря. И всё работает Ребята из Siberian.pro выкатили статью на Хабре: их senior с декабря 2025 не написал руками ни одной строчки. Весь внутренний тендерный инструмент — код, тесты, доки — сделал ИИ. Один человек, один промпт-флоу, никакой магии. Что умеет продукт: тянет тендеры с площадок по фильтрам, собирает в список, выдёргивает суть, контакты, сроки, лепит теги. База, но рабочая. Самое сочное — не сам инструмент, а как они приручили ИИ, чтобы он: - не выдумывал требования - не ломал то, что уже работает - не переписывал нормальный код в кашу - помнил структуру проекта CEO Влад Кармаков клянётся, что подход тянет и на больших проектах. Полный разбор SDLC-пайплайна — тут. 🤔 — звучит слишком красиво 👀 — пойду читать кейс @ai_for_dev

ИИ ускорил код, а разработку — нет Чувак на Хабре написал то, что многие думают, но боятся сказать вслух. ИИ реально быстро пишет код. Только вот код — это не самое сложное в разработке. На ретро вы когда-нибудь жаловались «функцию написать сложно»? Скорее «ТЗ непонятное», «архитектуру не продумали», «продакт не отвечает», «техдолг душит». А мы такие: давайте ИИ ещё быстрее код фигачить будет! Автор кидает простую мысль: проблема не в печатании, а в коммуникации. Кодить может и средне-спец, а вот разрабатывать ПО — это уже про требования, архитектуру, договорённости. Лечение по мнению автора: — ИИ встраиваем в процесс, а не как турбо-typewriter — Фиксируем артефакты и трассируем требования → архитектуру → код — Маленькая связка: продакт + аналитик + инженер, чёткие точки соглашения В комплекте — пет-проект автора SpecLoom (MIT), обвязка над LLM для генерации и трассировки спек. 🔥 — наконец-то про то самое 🤡 — будто без ИИ требования были хорошие @ai_for_dev

Как платить за Claude, Cursor и весь AI-стек из РФ в 2026 Автор Habr собрал реальный опыт: каждый месяц отдаёт за десяток профинструментов — Claude Max, ChatGPT, Cursor, три API-агрегатора, Midjourney. Шестой год без Visa/Mastercard, схема под каждый сервис своя. Коротко по разделам: — API LLM → ProxyAPI, Polza.ai, Vsegpt. Рублями с МИР, +5–15%. Самый чистый вариант для продакшена. — Подписки на Claude Max / ChatGPT / Cursor → виртуалки от Bybit, E.pn, WantToPay. Наценка 10–30%. — Быстро взять ключ для теста → plati.market / FunPay за 1500–2500 ₽. Для прода страшно — могут отозвать аккаунт. — Идеальный путь — съездить в Казахстан или Армению и открыть карту на себя. Один раз потерпеть — потом несколько лет тишины. Что не делать: Авито и левые TG-каналы. Половина — мошенники, вторая половина — мошенники с красивым лендингом. Читать целиком на Habr 💯 — гайд в закладки 😐 — устал от санкций @ai_for_dev

Один уставший разработчик держит половину интернета В апреле 2024 чуть не случился самый красивый supply chain бэкдор в истории. xz utils — утилита сжатия в каждом Linux — два года была под социальной атакой. Мейнтейнер Лассе Коллин писал в рассылку, что у него mental health issues и сил нет. К нему подкатил «Jia Tan» с помощью, поддержкой и ботами-«сообществом», требующими его в проект. Через два года в xz появился бэкдор. Спасибо Андресу Фройнду — заметил странную задержку sshd и распутал всё. И это не разовая история. Linux Foundation + Harvard прошлись по 12 млн production-наблюдений: критичные библиотеки часто висят на одном человеке. В вашем проде прямо сейчас: — zlib — двое мейнтейнеров 60+, релиз 2022 — libjpeg-turbo — один Дарелл — xz utils — один Лассе Bus factor = 1 — это не мем, это ваш прод. Хабр с полным списком 22 библиотек 😐 — пойду чекать node_modules 🤔 — а я-то думал, OpenSSL — это компания @ai_for_dev