AI для Разработки — Claude | Cursor | Copilot

Кажется, скоро новый Claude — в Dev Mode спалили claude-fable-5 Народ в Dev Mode откопал контрольные точки claude-fable-5 и claude-fruitcake-eap (да, fruitcake — кодовые имена у Anthropic как всегда огонь 😎). По слухам, это будущая публичная модель Claude Fable 5, внутри её зовут Claude Mythos. На Hacker News уже завертелось. И по таймингу всё сходится: 10 июня у Anthropic конференция Code with Claude в Токио. Идеальная сцена для «а вот вам новая модель». Официально пока тишина, так что фильтруем как слух. Но если ваш прод сидит на Claude — готовьте бюджет на новые токены. 🔥 — давайте уже 👀 — поверю на релизе @ai_for_dev

.NET-щики, ваш ESB теперь умеет в LLM Вышел redb.Route 3.1.0 — это «Apache Camel под .NET», и в нём появились два новых транспорта: Llm и Exec. Смысл простой: модель — это больше не отдельный фреймворк сбоку, а такой же endpoint, как Kafka или HTTP. Хочешь дёрнуть Claude в маршруте? Пожалуйста:

From("kafka://orders")
    .To(Llm.Factory("claude").Temperature(0.2).MaxTokens(1024).AsUri())
    .To("kafka://orders.translated");

Инструмент агента — это маршрут с .AsLlmTool("shell"), периодический агент — From("llm://factory?schedule=5m"). Exec — спавнер процессов с allowlist и таймаутом, заодно гоняет cron-less health-probes и бэкапы. Самое приятное — не нужно заново писать ретраи и поднимать отдельные дашборды. Те же retry, circuit-breaker и трейсы, что у всех коннекторов. А ещё один адаптер тянет 14 OpenAI-совместимых API — провайдер меняется одной строкой в DI. Пока это анонс, кишки обещают разобрать отдельно. 🔥 — забираю в пет-проект 🤡 — а я всё руками дёргаю @ai_for_dev

Гоняй локальные нейронки прямо с телефона 📱 LM Studio выкатила LM Link — мост, который пробрасывает твои модели с компа на айфон. Весь тяжёлый inference крутится дома на ПК (где железо), а телефон — это пульт: чат, история, всё под рукой. И да, связь зашифрована end-to-end через Tailscale — наружу в интернет ничего не утекает, всё внутри твоей сети. Как поднять: - ставишь LM Studio на комп; - включаешь LM Link для связки; - качаешь Locally (пока только iPhone/iPad); - цепляешь телефон к своей сети — и поехали. Дальше хоть Gemma, Llama, Qwen, DeepSeek, Nous Hermes — всё, что влезло на твою домашнюю тачку. Vibe-кодеры, теперь можно не сидеть привязанным к компу: модель в одной комнате, ты в другой. Бесплатно 🆓 🔥 — рига наконец пригодилась 👀 — жду версию под Android @ai_for_dev

Codex жрёт контекст? Дал ему память на SQLite — и перестал кормить простынями Знакомо? В первом чате объяснил агенту: импорты сверху, права через спецификации, DTO маппим явно, старые alias-модули не тащим. Во втором — то же самое. В третьем — опять. К четвёртому уже хочется не промпт писать, а табличку повесить: «Codex, ну ты же это уже делал». И дело даже не в раздражении. Главная боль — токены. Каждый раз пихать руками простыню правил = платить контекстом за то, что по-хорошему должно быть памятью. Так родился Hermes Codex Plugin — локальная память для Codex. Перед работой агент вспоминает прошлые решения и правила проекта, а не пересказывает себе всю историю с нуля. После задачи сохраняет компактное summary. И всё это без зоопарка инфраструктуры:

SQLite + FTS5 + MCP tools + Codex hooks + немного здравого смысла

Никакой векторной базы, embedding-сервиса и фонового демона «потому что можем». 🔥 — амнезии бой 👀 — звучит подозрительно просто Источник: habr.com @ai_for_dev

npm-пакет месяц воровал токены OpenAI Codex у разработчиков Пакет codexui-android в реестре npm выдавал себя за веб-интерфейс для OpenAI Codex, но параллельно читал файл ~/.codex/auth.json и отправлял его содержимое на сервер злоумышленника. Утекали access-, refresh- и ID-токены и идентификатор аккаунта. Главная опасность по словам исследователя Aikido Security: refresh-токен не истекает — получивший его может бесконечно выдавать себя за жертву в системе OpenAI. Ключевые детали: - 29 000 установок в неделю через npm - Данные уходили на домен sentry.anyclaw[.]store — имитация сервиса Sentry - GitHub-репозиторий оставался чистым, вредоносный код жил только в npm-сборке - Те же данные текли через два Android-приложения в Google Play (60 000+ загрузок), запускавших пакет в PRoot-окружении Классическая атака на цепочку поставок: сначала набрать доверие, потом внедрить payload. Токены AI-инструментов хранятся в открытом тексте и становятся всё более привлекательной целью. 🔗 Подробности: https://mltimes.ai/vredonosnyy-npm-paket-dlya-openai-codex-mesyats-voroval-toke/ 😐 — тревожно 🤔 — проверю зависимости @ai_for_dev

Китайцы завезли локального монстра — Kimi Work Представьте: до 300 ИИ-агентов пашут параллельно прямо у вас на компе. Не в облаке, а локально. Звучит как готовый рецепт спалить кулер, но идея огонь. Что умеет Kimi Work: • Сам рулит браузером через WebBridge — скроллит, кликает, печатает за вас • Лезет в Yahoo Finance и World Bank без плясок с API-ключами • Помнит ваши предпочтения и прошлые решения • Возится с локальными файлами и запускает Python-код Пример из доков: «найди в папке все PDF с квартальными отчётами и сделай сводку, оригиналы не трогай» — и оно делает. Глянуть — Kimi Work. 🔥 — 300 агентов, погнали 👀 — на локалке? любопытно @ai_for_dev

Бенчмарк, который грейдит как тимлид, а не как CI Cognition (те самые, что сделали Devin) выкатили FrontierCode. Идея огонь: меряют не «зелёные ли тесты», а смержил бы мейнтейнер этот PR в один клик или нет. То есть код должен быть по правилам репы — нормальные тесты (которые реально ломаются, если что-то не так), вменяемые комментарии, чистота, без читерства. Как собирали: взяли реальные задачи из 36 крупных open-source репозиториев, и мейнтейнеры пилили по 40+ часов на каждую — не код писали, а описание и рубрики проверки, чтобы модели не хачили. Промпты короткие, но удваиваются, когда добавляют правила репы. Задач три набора (150 / 100 / 50), каждую гоняли по 5 раз. Итоги: Opus 4.8 xHigh обходит всех с большим запасом (страшно представить, что будет с Mythos 😅). GPT-5.5 чуть лучше Opus 4.7 — ждём GPT-5.6, доколе. Опенсорс и своя моделька Cognition как-то не всплыли. Жаль, Composer 2.5 не померили. 🔥 — грейдит как тимлид 🤔 — а мой агент бы прошёл? @ai_for_dev

Токенпокалипсис уже стучится в дверь 🔥 Помните, как все носились с «токенмаксингом» — пихали в контекст всё подряд? Так вот, праздник заканчивается. Microsoft перевела GitHub Copilot с фиксированного тарифа на оплату за токены, и в одной компании это сразу окрестили «токенпокалипсисом». Суть простая: весь этот AI-банкет оплачивают инвесторы, а не вы. Кажется, что бесплатно — на самом деле дико дорого. Сейчас Anthropic и компания собираются на IPO, а значит счета поедут к нам — конечным пользователям. Цены вверх, лимиты на использование вниз. Самый сочный пример — Uber: за полтора месяца прошли путь от «ой, мы спалили весь бюджет» до «так, режем всем лимиты внутри компании». Если уж у них так, то что говорить про остальных. Что делать инженерам, чтобы не разориться: кэшировать контекст, сжимать промпты, гонять модельки on-device, дотюнивать своё. Скучная экономия токенов внезапно стала навыком выживания. Источник 💔 — кошелёк против 🤔 — пойду кэшировать всё подряд @ai_for_dev

Учебник по ИИ-агентам — вся база в одном PDF Если давно хотел разобраться, как собирать собственных агентов, а не просто дёргать LLM по API — вот неплохая точка входа. Один файл, без воды по верхам. По темам прошлись основательно: • Планирование действий • Память агента • Инструменты (tool use) • Мультизадачность и многосоставные задачи • Чем агент вообще отличается от обычной LLM Идеально, чтобы за выходные сложить картину в голове, а не собирать знания по кусочкам из десятка статей. Забирай: Agentic AI: A Complete Learning Guide 🔥 — скачал на выходные 🤡 — ещё один ultimate guide @ai_for_dev

OCR ломает RAG тихо, и это бесит Выбираешь OCR-модель по лидерборду, берёшь топовую — PROFIT, думаешь ты. А потом она спотыкается на русских таблицах, формулах и паспортах. Знакомо? Самое коварное: метрика CER показывает «всё ок, символы распознаны», а пайплайн уже мёртв. Потому что потеряна структура — таблица превратилась в кашу абзаца, заголовок исчез, строки перемешались. Дальше по цепочке: разбиение режет текст посреди мысли, поиск находит «нужную» закладку, а там — обрывок на полусло… НЁНКЕ. Понимаете, да? Языковая модель уверенно отвечает по огрызку, и никто не видит, что это чушь, пока кто-то не проверит руками. Мораль ребят из облака: для RAG смотреть только на текстовые метрики мало. Нужна модель, которая держит заголовки, таблицы и иерархию. Иначе свой бенчмарк собирать придётся всё равно — просто позже и больнее. 🔥 — узнал свою боль 👀 — сохранил, пригодится @ai_for_dev

Махнул рукой — и звук выключился: жесты вместо хоткеев Валялась старая веб-камера, для онлифанса не годится, а выкидывать жалко 😎 Автор собрал на ней жестовое управление компом — за один вечер, на Python и готовых моделях Google. Полноценного «как у Тома Круза» не вышло: руки затекают, случайное движение = случайная команда. А вот пара жестов на каждый день — выключить звук, свернуть окна, скроллить ленту — заходит отлично. Вся магия — MediaPipe от Google. Берёшь готовую модель и не пишешь нейронку с нуля: • HandLandmarker — рисует руку из 21 точки, знает где левая, где правая. Идеально для управления курсором. • HandGestureClassifier — сразу понимает кулак, ладонь, лайк, дизлайк, виктори. Мало? Дообучи через Model Maker. Писалось под Windows, но на Linux/Mac переносится без боли — меняются только системные вызовы. Камера дешёвая? Не проблема — модель сама ужмёт картинку. 🔥 — где моя камера 🤡 — намахаю себе синдром туннеля Источник: habr.com @ai_for_dev

Отдал рутину локальной Qwen 9B — и оно собралось Человек решил не гонять очередной бенчмарк, а проверить приземлённую штуку: потянет ли маленькая локальная модель обычную backend-задачу. Не «построй стартап за вечер», а нормальный Go-сервис авторизации: регистрация, логин, JWT, смена пароля, PostgreSQL, миграции, Docker Compose и тесты. Итог: простую рутину уже можно скидывать дешёвым моделям. Но не «на, держи проект, дальше сам». Фокус в другом — сильная модель работает архитектором, дешёвая просто аккуратно делает мелкие шаги. Кухня: - qwen/qwen3.5-9b в LM Studio, агент Opencode - RTX 5080 16 GB — модель влезает целиком, ещё и контекст ~200K помещается - ~120 токенов/сек (для агента скорость не менее важна, чем качество — иначе экономия превращается в раздражение) - на выходе рабочий скелет и 19 unit-тестов Схема простая: GPT-5.5 пишет ТЗ и план, режет всё на маленькие сессии (одна сессия = одна задача), Qwen через Opencode пилит, а go test ./... решает — готово или нет. Дорогую модель перестаём жечь на понятной рутине — вот и весь профит. 🔥 — поднимаю свой стенд 👀 — посмотрю, влезет ли в мою видяху @ai_for_dev

Перестань быть вежливым с агентом Раньше писал агенту как воспитанному коллеге: «Please carefully analyze the project...». Теперь — телеграфом, без артиклей и реверансов. Грамматика страдает, агент — нет. Вот так выглядит нормальная задача:

Fix empty password validation in AuthScreen
Done == AuthScreen tests pass
Don't change public API
Don't know? -> Read relevant files / google it
Stuck? -> ask me

Это и есть контекстная гигиена. Суть: не вали всё в один суп. Раздели на три слоя — постоянные правила, рабочий набор задачи и шумные данные (логи, простыни выводов). Постоянное держи в правилах, файлы — на диске и читай по необходимости, а из мусора вытаскивай только нужное. И ещё лайфхак: важное клади в начало, вопрос — в конец. Модель честно читает токен за токеном и теряется в середине длинного контекста, прямо как мы на втором часу созвона. 🔥 — мои промпты теперь грубее 😎 — давно так пишу @ai_for_dev

OpenCV 5.0 завезли — и DNN-движок переписали с нуля Та самая библиотека, на которой держится половина CV-проектов, наконец дождалась мажора. И это не косметика. Самое сочное — DNN-движок переписали полностью. Покрытие ONNX перевалило за 80%, подвезли динамические формы, слияние слоёв и, внезапно, встроенную поддержку LLM и VLM. Теперь не только котиков детектить. Короче по списку: - ядро шустрее, API человечнее (давние грабли убрали) - аппаратное ускорение через новый HAL — прозрачно, без танцев - прокачали 3D-зрение - оптимизация под SSE/AVX, Arm, Qualcomm и RISC-V - по бенчам бодается с Microsoft ONNX Runtime Нативный GPU в DNN обещают следующим заходом. 🔥 — обновляюсь сегодня 👀 — а на RISC-V зайдёт? Источник: habr.com @ai_for_dev

RAG, который не врёт со ссылками (или честно молчит) Чувак за выходные поднял RAG поверх правил волейбола (приказ Минспорта №834) с одной целью: чтобы он либо ставил ссылку на конкретный пункт [п. N.N], либо честно писал «в корпусе нет основания». Всё локально на Ollama — можно выдернуть сетевой кабель, оно работает. И честно начал с багов, за что респект: 1️⃣ Генерация заняла 93 секунды. Думал — GPU. А оказалось Gemma-4 — reasoning-модель: по дефолту «думает», сожгла 3152 токена в reasoning, а поле response пришло пустым. Лечение:

"think": False,
"options": {"temperature": 0, "num_ctx": 4096}

93 с → 2–5 с. Бонусом Ollama по дефолту раздула контекст до 262144 токенов (привет, KV-кэш). 2️⃣ operator does not exist: vector <=> double precision[] — на SELECT у psycopg нет типового контекста, эмбеддинг уходил массивом float8. Лечение: передавать запрос как numpy-массив. Классический «измерь, а не верь демке» в действии. 🔥 — гард на цитаты, забираю 👀 — 93 секунды, больно знакомо Источник: habr.com @ai_for_dev

Экономим на токенах: лайфхак №1 для жадных (в хорошем смысле) ИИ — это круто, мир поменялся, нас всех заменят роботы. Но есть нюанс: ИИ стоит денег, и при текущих ценах — ощутимых. Локалки для большинства в РФ — мимо, так что регулярный платёж за ИИ — наша новая реальность, как платёжка за свет. Полностью бесплатно не выйдет, но урезать счёт можно прилично. Самый банальный приём (но рабочий): ловить модели с промо-периодом. Вендоры выкатывают новинки пачками и, чтобы затащить юзеров, раздают бесплатный доступ. А качество даже у каких-нибудь noname порой огонь. Где искать: рейтинг OpenRouter. Видишь, что какая-то неизвестная модель внезапно прыгнула в топ-10 — вот оно, бесплатное промо. Берёшь любого агента с поддержкой OpenRouter и сидишь на халяве, пока не прикрыли. 🔥 — побежал на openrouter 🤡 — промо кончится через неделю Источник: habr.com @ai_for_dev

«Один разраб от ТЗ до прода за месяц» — как это было на самом деле Ребята из ZeBrains честно рассказали, как перестали баловаться с ИИ и начали работать. Спойлер: один человек закрыл полный цикл проекта — без дизайнера, аналитика и DevOps. Но путь был не таким гладким, как в рекламе. Зашёл проект с условием: только средствами ИИ, месяц, один разработчик. Задача — система сверки промоматериалов фармкомпании с сайтами (не врут ли в фактах). На входе мутное ТЗ в docx, на выходе — микросервис из пяти сервисов с очередью: парсер сайтов, распознавалка PDF (сначала OCR, потом VLM), сравнение через LLM, бэк на Keystone и фронт на Vue 3. Рецепт простой: ТЗ закинули в markdown, обсудили архитектуру с ИИ, нарезали задачи в .md-файлы и скармливали по одной. Через две недели — кривой, косой, но рабочий MVP. А потом полезли внутрь и... ИИ нагородил лишнего: лишние поля в базе, ненужные связи, переусложнённая логика. Процентов 40 можно было снести безболезненно. И потратить ещё кучу токенов, чтобы ИИ удалил свою же работу 🙈 Мораль: ИИ — крутой исполнитель, но не архитектор. Дай ему чёткие правила — или разгребай оверинжиниринг. 🔥 — узнал свой проект 🤡 — токены на удаление токенов @ai_for_dev

jumie — терминальный AI, который не врёт про флаги Классика жанра: лезешь в браузер за командой find, копируешь, вставляешь — ошибка. Потому что ты на маке, а тебе подсунули GNU-флаги для линукса или утилиту, которой у тебя отродясь не было. jumie (GitHub) — локальный демон, который сначала смотрит, ГДЕ он находится, а потом уже генерит команду. Пишешь по-человечески:

jum покажи характеристики железа

и он сам соберёт правильный скрипт под твою систему. Почему не галлюцинирует: • Recon — спрашивает у модели, какие бинарники вообще нужны (["curl", "grep", "awk"]) • Indexer — пробивает каждый через $PATH: есть curl, нет wget — значит логика строится через curl • и только потом генерит команду Всё 100% локально: внутри свой изолированный Ollama с лёгкой gemma4:e2b (на маке — с MLX). Глобальную систему не трогает, надоел — удалил одну папку и забыл. Деструктив без твоего y/n не запустит. 🔥 — заберу в свой dotfiles 👀 — а на сервере без GPU как @ai_for_dev

«Покажи кафе на Арбате» → готовый дашборд Ребята из 2ГИС Про поделились, как прикрутили ИИ-ассистента к своей геоаналитике. И главный месседж до боли знакомый: голой LLM не хватило. Знаете эту боль мощных BI-тулов? Данные есть, инструменты есть, а чтобы добраться до результата — десять шагов: выбери данные, накинь слой, выбери территорию, фильтры, визуализацию, виджеты... Аналитик щёлкает на автомате, а новичок закрывает вкладку. Идея: пусть юзер пишет по-человечески —

Покажи кафе в районе Арбат, Москва с рейтингом выше 3

а ассистент сам решает, что делать: найти территорию, выбрать данные, применить фильтры, собрать слой, обновить карту. И вот тут важный момент, который часто путают: чат — это просто окошко, LLM — это «понять и сгенерить текст», а ассистент — это уже агент над картой, инструментами и API. Разница между «болталкой» и системой, которая реально жмёт кнопки за тебя. 🔥 — узнал свою боль 👀 — покажите, как звали tools @ai_for_dev

81% принятых пул-реквестов — и всё равно автономия агента вышла боком Мейнтейнер KubeStellar Console Энди Андерсон собрал дашборд для мультикластерного Kubernetes с двумя кодинг-агентами и в блоге CNCF похвастался 81% принятых PR. Но сам говорит: цифра — это приманка, смотрите на механику. Знакомая драма. Первые две недели — кайф, трёхдневные таски горят за пару часов. А потом — бум. Сборки падают непонятно почему, агент по-тихому переписывает вчерашнюю архитектуру, и классика жанра: починил одно — отвалилось три. В какой-то момент откатывать стало дольше, чем ревьюить. Стандартный рецепт «дай агенту больше свободы, он сам разрулит» Андерсон разносит в труху: становится только хуже. Его главная мысль — огонь: ум в кодовой базе живёт не в модели, а в петлях обратной связи. Дал агенту автономию без контроля — это не скорость, а газ в пол в тумане. 🌫️ Сделал → измерили → подправили → снова сделал. Нет петли — есть открытая труба, в которую дрейф копится сам собой. Читать целиком на Habr 🔥 — узнал свой проект 🤡 — а я всё ещё газ в пол @ai_for_dev