AI для Разработки — Claude | Cursor | Copilot

Эмбеддинги на собаках — наглядный гайд Beeline Cloud накидали подборку материалов про векторные представления — для тех, кто хочет понять эту магию без зауми. Самое весёлое — гайд Питера Сарджента: он объясняет эмбеддинги через классификацию пород собак. Берём бульдога, ши-тцу, бордер-колли, задаём параметры (размер + интеллект) и считаем манхэттенское расстояние. Векторная математика буквально на пальцах лапах. Дальше — категоризация книг: мешок слов, TF-IDF, Word2vec, RNN. На текстах Шекспира через PCA показано, почему TF-IDF не ловит семантику — все слова сбиваются в одну точку. Полезно, если строишь RAG, копаешь семантический поиск или просто хочешь наконец понять, что вся эта векторная магия делает под капотом. ✍️ — закину на выходные 🤔 — давно надо разобраться @ai_for_dev

Русский в LLM стоит дороже. Сильно дороже Короткая правда жизни: нейросеть не видит слов, она видит токены. Английское «contract» — один токен. Русская «разработка» — два-три. «Программирование» — четыре. И так с каждым предложением. Что из этого следует: — GPT-4 на русском в ~2 раза дороже, чем на английском, за тот же смысл — GPT-4o лучше — у него в словаре в 10 раз больше русских кусков — 128k контекста = 50-60 тыс. русских слов, не 100k. Длинные документы режутся быстрее, чем кажется — Llama 4 русский не умеет — её учили на 12 языках, нашего там нет Если работаете с русским в 2026 — смотрите в сторону Qwen 3, GigaChat, YandexGPT или дообученной Llama 3.3. У западных топов «по умолчанию» русский лежит хуже. Детальный разбор с тестами и методикой — на Хабре. 💔 — кошелёк плачет 😎 — переходим на Qwen @ai_for_dev

Сеньоры как редкий вид: рынок сам себе яму копает Все привыкли к мантре «AI не заменит, AI поможет». В 2026 формулировка трещит по швам. Codex, Claude Code и Copilot уже сами читают репу, редактируют файлы, гоняют тесты и приносят PR на ревью. Google на Cloud Next 2026 прямо сказал: 75% нового кода внутри компании пишет AI, человек только утверждает. Проблема не в том, что джун стал хуже. Проблема в том, что его учебные задачи слишком хорошо автоматизируются: CRUD, миграции, базовые интеграции, тесты, документация. Ровно то, на чём росли все мы — медленно, с ошибками, с ревью на пять кругов. Зачем отдавать таску джуну на три дня, если мидл с агентом закроет за час? Логика бизнеса железная. Только через пять лет окажется, что сеньоров взять негде — их никто не растил. Целиком на Хабре 💔 — за джунов обидно 🤔 — а у нас в команде как @ai_for_dev

В какой момент внешний API душит — и пора строить свой LLM-кластер Сначала всё прекрасно: дёрнул внешний API, накидал пайплайнов в n8n, и вот уже тексты пишутся сами. Красота. А потом LLM из «помощника» превращается в часть боевых процессов — и подписочная модель начинает поджимать. Как понять, что пора в on-prem? Обычно прилетает один из трёх звоночков: 🔸 Чувствительные данные. В модель полезли внутренние документы и клиентские данные — security и legal встают стеной. On-prem держит данные внутри периметра, без обходных костылей. 🔸 LLM врастает в систему. Нужны роли, доступы, логи, аудит и предсказуемое поведение. С чужим облаком это всегда «ну почти». 🔸 Счёт за токены. На масштабе он спокойно уезжает в десятки тысяч долларов в месяц, и бюджет превращается в рулетку. Свой контур = управляемая экономика. И нет, это не «затащить ChatGPT к себе на сервак». Это полноценная AI-платформа внутри корпоративной архитектуры. Совсем другой разговор. 🔥 — пора, накипело 🤡 — а потом сами это кормить Источник: habr.com @ai_for_dev

Достаём JSON из любого PDF — теперь опенсорсно Знакомая боль: надо вытащить данные из накладной или скана, а на выходе — каша. Datalab выкатила в открытый доступ Lift, и, кажется, эта боль стала меньше. Это vision-модель на 9B, которой ты скармливаешь свою JSON-схему — и она возвращает ровно такой объект, как ты просил. Не «примерно похоже», а валидный JSON: внутри стоит schema-constrained декодирование, так что сломанной структуры на выходе просто не бывает. Чем подкупает: • Десятки страниц обрабатывает примерно за 9,5 секунды • Значения, которые разъехались по нескольким страницам, собирает за один проход • Поля остаются такими же, как в оригинале — ничего не выдумывает Ставится в одну строку: pip install lift-pdf, есть CLI и режим через vLLM. Код на GitHub, веса на HuggingFace. 🔥 — self-hosted gang 👀 — закину на тестовый PDF @ai_for_dev

Как написать чат с ИИ-девушкой за выходные (и полгода чинить в проде) Яндекс 19 июня завёз ИИ-персонажей в Алису — больше 30 собеседников с характером, от блогеров до аниме-героинь. Окей, не первые: Character.AI и Replika этим живут пару лет. Но прикол в другом — собрать своё оказалось до смешного просто. Вся магия — три кубика: модель, память, голос. Базовый чат поверх готовой модели пишется буквально за вечер. А вот чтобы бот помнил вчерашнюю болтовню, не отказывал на ровном месте и не сжёг тебе весь баланс на API — вот тут начинается боль на месяцы. Каркас всегда один: системный промпт, история, новая реплика — и ответ. Промпт собираешь слоями (кто персонаж → с кем говорит → как отвечать), а к моделям ходишь через OpenRouter — единый интерфейс к куче моделей, менять одной строкой. Закинул пару долларов или взял модель с пометкой free. Ключ — в переменную окружения, не в код, понятное дело.

client = AsyncOpenAI(base_url="https://openrouter.ai/api/v1", api_key=API_KEY)

Кайфовый трюк с выбором модели: не дерево из if, а просто словарь по паре (тариф, сцена). Бесплатным — модель попроще, платным — поумнее, для горячих сцен — отдельную, без жёсткой цензуры. Голос потом прикручивается через TTS вроде Inworld. Вечер — и у тебя свой персонаж. 🔥 — погнал собирать на выходных 👀 — звучит подозрительно просто Источник: habr.com @ai_for_dev

Агент опять не нашёл нужную функцию? Дело в grep, и это лечится Знакомо: просишь Cursor или Claude Code «покажи, где у нас авторизация», а он начинает тупить grep'ом по словам. А функция-то называется validateUserSession — буквального совпадения нет, агент бегает по файлам, жжёт токены и в итоге сдаётся. Классика. Лечится семантическим поиском — когда код ищется по смыслу, а не по буквам. Попался инструмент cocoindex-code (команда ccc), и зацепил он тем, что ставится буквально в две команды и работает вообще без настройки баз данных:

pipx install 'cocoindex-code[full]'

Никакого Qdrant в Docker, никакого API-ключа — всё локально из коробки. Внутри маленькая модель эмбеддингов snowflake-arctic-embed-xs, в README обещают до 70% экономии токенов, и звучит правдоподобно: агент получает пару точных кусков кода вместо десятка файлов целиком. Apache-2.0, 1.7k звёзд на гитхабе. Автор сам прогнал на своём проекте и сравнил с CodeGraph и SocratiCode — без маркетингового вранья: habr.com 🔥 — две команды? ставлю 👀 — звучит лениво, люблю @ai_for_dev

Целый день гонял GLM 5.2 и Grok — делюсь впечатлениями Кто не в теме: GLM 5.2 — сейчас самая мощная open source модель, по многим тестам делает некоторые топовые (подробнее тут). Подрубил её в codex, рядом для сравнения — подешевле Grok Build 0.1, а главным судьёй поставил GPT 5.5 (она же смотрела безопасность кода, я тут не спец — доверился). Выводы крупными мазками, чисто по моим задачам: • когда слетели кредиты Опуса или GPT 5.5 — GLM 5.2 реально выручает • Grok порадовал скоростью и точностью, даже сам оптимизировал картинки, хотя не просили. GLM так не умеет • GLM медленнее, без vision из коробки, а на творческих задачах сразу видно, на чём её тренили китайцы — очень веет Claude. У Грока хоть и попроще, но свой стиль • по референсам обе ок, но GLM опять медленнее • Грок вышел дешевле • фронт: GLM не оптимизировала лендинги под Safari, Грок сделал сам Если лень читать — обе юзать можно, но Грок мне зашёл больше. 🔥 — китайцы опять жгут 👀 — пойду гонять сам @ai_for_dev

Twenty: CRM, которую коммитишь в Git как обычный код Нашёл годноту — Twenty, open-source альтернатива Salesforce и HubSpot, которую можно держать прямо в своём репозитории. Раньше за настройку CRM под бизнес платили интегратору как за квартиру. Сейчас — берёшь агента, поднимаешь сам. Платишь только за VPS и за то, чтобы всё это настроить, а подписку за каждого юзера платить не надо. Кайф в том, что весь стек тянется под себя: пишешь фичи на TypeScript, добавляешь свои объекты, поля, серверную логику, агентов. А из коробки уже есть всё, что нужно: - Объекты и поля — без SQL, мышкой - Таблица, канбан, календарь — как удобно - Скрипты и AI-автоматизации Запускать можно по-разному: их облако (по подписке), свой сервер со своими данными или standalone через SDK на GitHub. И да — есть встроенный MCP для агентов, чтобы двигать сделки и гонять записи. Что для open-source CRM прям редкость — UI быстрый и приятный. 🔥 — self-hosted gang, погнали 👀 — звучит вкусно, надо пощупать Источник: twenty.com @ai_for_dev

Что ломается в тестировании, когда приходит LLM 13 лет у багов был адрес: шаг 1, шаг 2, ожидал — получил. Нажал ещё раз — то же самое. А потом пришли LLM, и почти весь классический QA просто перестал работать. Не усложнился — перестал. Где именно больно: Нет одного правильного ответа. «Париж», «Столица Франции — Париж», «Это Париж» — все верны, а твой expected == actual тихо падает на каждом. Теперь сверяешь не со строкой, а с критериями: корректность, полнота, тон. Тот же тест то проходит, то падает. Запустил — ок. Запустил снова, ничего не трогая, — упал. Это не флапающий тест, это сама модель так живёт. На голосовом боте из 10 прогонов 4 распознавались неверно — и это не шум, это дефект, который приходится мерить в процентах. Зелёный прогон ничего не обещает. Стенд стабилен, а живая система между двумя днями ведёт себя по-разному. Агент вчера заполнял формы, сегодня перепутал поля — без единого изменения с твоей стороны. Целиком тут: Хабр 😁 — добро пожаловать в ад 🤔 — и как с этим жить @ai_for_dev

Счёт за ИИ пугает? Давайте резать Есть модель в 6+ раз дешевле Opus — и она реально тащит. На этом фоне роутинг, кэш и оптимизация токенов из «когда-нибудь потом» превратились в горящую задачу для всех, кто хоть раз открывал биллинг и тихо вздрагивал. Завезли статью со всеми способами сэкономить на токенах — и сразу с прикидкой, сколько каждый приём экономит. P.S. если у вас мак на 256 ГБ, то GLM можно гонять локально и бесплатно. Бесплатно, Карл. 🔥 — режу свой чек 👀 — гляну статью @ai_for_dev

ИИ мёржит вдвое больше PR, а разгребать-то тебе Знакомо? 84% разработчиков уже сидят на ИИ-инструментах (Stack Overflow не даст соврать). И вот цифры от Faros AI: задач закрывают на 21% больше, пул-реквестов мёржат на 98% больше... а время ревью выросло на 91%. Сюрприз 🎉 Логика простая: агенты в Cursor или Claude Code сами читают код, правят файлы, гоняют тесты. Ты больше не пишешь — ты разгребаешь. В Stripe вообще завели автономных «миньонов»: каждую неделю они накидывают больше тысячи пул-реквестов, а живой инженер сидит и проверяет. Вывод статьи отрезвляющий: целиком отдать ревью моделям не выйдет — иначе весь выигрыш по скорости утонет в проверке. Надо по-взрослому решать, что автоматизировать, а что смотреть глазами. Разбор — тут. 😁 — это про мой день 🤔 — пойду чинить процесс @ai_for_dev

AI пишет код: 8 антипаттернов, из-за которых он падает в проде Знакомая картина? PR открыт, diff аккуратный, CI зелёный, ревьюер ставит апрув за пять минут — «ну тут же AI писал, оно обычно нормально». А через неделю прилетает алерт. Tech Lead из финтеха честно рассказывает, как AI-ассистент из ускорителя превращается в источник нового класса багов. Самое подлое: на ревью эти баги не выглядят багами. Код чистый, отступы ровные, переменные по гайдлайну. Ломается оно там, где живёт настоящий прод — под нагрузкой и на edge-кейсах, которые модель просто не держала в голове. И это не вкусовщина, а цифры: 84% разработчиков уже сидят на AI-инструментах, но в AI-коде проблем в 1,7 раза больше, а инцидентов на PR — на 23,5% выше. Больше кода быстрее — и больше поломок быстрее. Все 8 антипаттернов с конкретными исправлениями: habr.com 🔥 — больно и в точку 👀 — пойду читать целиком @ai_for_dev

Меняешь arxiv на autoarxiv — и статья сама себя проверяет Вышел бесплатный агент autoresearch. Берёшь ссылку на статью arXiv, меняешь в ней arxiv на autoarxiv — и агент сам пытается поднять код, прогнать минимальный эксперимент и прикинуть, сколько ресурсов уйдёт на полное воспроизведение. Теперь чужие результаты можно гонять, не убивая вечер на установку зависимостей 🤓 🔥 — пойду менять буквы 👀 — а оно реально пашет? @ai_for_dev

Свой агент для кода дома: NorthMiniCode в OpenCode Все носятся с облачными агентами — Claude Code, Codex, Gemini CLI. Но доступ режут и сверху, и снизу, так что иметь локальный инструмент под рукой просто необходимо. 9 июня 2026 завезли NorthMiniCode — модель, которую, в отличие от Qwen, реально заточили под агентские циклы: планирование, инструменты, правки, терминал. Крутится всё на домашнем сервере, где обычно гоняются Qwen, hashcat и Minecraft ребёнка: • Ryzen 7 5700G + 64 GB RAM • RTX 5060 Ti 16 GB + RTX 3060 12 GB • Ubuntu 24.04 LTS Да, рекомендуют H100, но её, как водится, нет — работаем с тем, что есть. Архитектура cohere2_moe теперь в master llama.cpp, собираем с -DGGML_CUDA=ON. Падает с «Unsupported gpu architecture» — обновляем драйвер и CUDA. Веса тянем GGUF через huggingface cli, а на две карты раскидываем через --tensor-split 16,12 (57% на первую, 43% на вторую). 🔥 — self-hosted и точка 👀 — а где H100 брать Источник: habr.com @ai_for_dev

Подключаем YandexGPT к AI-агентам без танцев с бубном Автор плотно посмотрел на Yandex AI Studio и выяснил приятное: модели Яндекса поддерживают стандарт OpenAI прямо из коробки. Эндпоинт один — https://ai.api.cloud.yandex.net/v1. Помните боль с GigaChat и OpenCode? Там из-за разницы протоколов пришлось пилить свой слой совместимости. А тут — никаких кастомных прокси. Кидаешь baseURL, API-ключ и свой Folder ID в заголовок OpenAI-Project, модель пишешь полным URI:

gpt://<folder_ID>/yandexgpt-5.1

Для Pi добавляешь провайдера в ~/.pi/agent/models.json с типом openai-completions и выключаешь то, что Yandex пока не переваривает (supportsDeveloperRole, supportsReasoningEffort). Hermes тоже умеет в кастомных провайдеров — главное прокинуть заголовок проекта. А вот с Claude Code так не выйдет: он общается через Anthropic Messages API, так что без gateway-переводчика не обойтись. И биллинг в облаке включить не забудь, иначе модель молчит. Все рабочие конфиги — в статье на Хабре. 🔥 — пойду прикручивать 👀 — а оно вообще нужно @ai_for_dev

Хватит жонглировать конфигами — CCS переключает провайдеров по клику Знакомо: меняешь провайдера у Claude Code и снова правишь конфиги, ломая активную сессию? CCS убирает эту боль. Один стабильный набор команд — и ты прыгаешь между Claude Code, Codex и Droid без танцев с бубном. В активе: • Куча подписок и аккаунтов Claude — в одном месте. • Локальные модели через Ollama, llama.cpp, OpenRouter — гоняй бесплатные аналоги, не тратя ни копейки. • OAuth для Qwen, Kimi, Codex и других. • Мост в OpenAI-совместимые API через локальный прокси. Ставится одной командой через npm или Docker, есть веб-панель. Затащить себе — с GitHub. 🔥 — конец конфиг-аду 👀 — надо потыкать @ai_for_dev

MDN теперь дружит с твоим ИИ-агентом Mozilla выкатила MDN MCP-сервер — и это прям приятно. Знаешь, как ИИ уверенно несёт чушь про веб-фичи, потому что его данные устарели на год? Вот это лечится. Теперь агент тянет свежую документацию MDN и реальную совместимость браузеров прямо в редактор. Спросил «а @view-transition уже можно в проде?» — и получаешь честный ответ из Baseline, а не галлюцинацию. Работает почти везде: VS Code, Zed, Cursor, из CLI — Claude Code, Codex CLI, ну и Claude Desktop. Подрубить к Claude Code — одна строчка:

claude mcp add --transport http mdn https://mcp.mdn.mozilla.net/

Пока экспериментальный режим, но потыкать уже можно. 🔥 — пойду подключать 🤔 — а cutoff правда вылечит? Источник: habr.com @ai_for_dev

Свой флот ИИ-агентов на локальной машине — без облака Локальные агенты сейчас в тренде, и ребята из Beeline Cloud собрали подборку open-source фреймворков, чтобы поднять их «под боком». Gaia от AMD — для красных процессоров: пишешь агентов под Ryzen AI с железным ускорением. MIT, 1,4 тыс. звёзд, ставится на Windows, macOS и Linux. Внутри — голосовой чат, RAG, работа с файлами, генерация и прогон кода, коннекторы к Jira и погоде. Авторы даже завезли «плейбуки»: генератор картинок соберёшь минут за 15, а ИИ-модуль для документов — где-то за час. Ailoy — агент в пару строк без шаблонов, написан на Rust. Тянет локальный Qwen3, дружит с MCP и умеет RAG по твоим докам. Кому надоело платить за облако — подробности на Habr. 🔥 — гоняю локально 😎 — на выходных потыкаю @ai_for_dev

Закинул договор в LLM — поздравляю, ты под 152-ФЗ Все начинали с кода: Codex, Claude Code и прочие агенты задумывались для разработки. А теперь мы скармливаем им договоры, таблицы, тикеты, почту, лезем в CRM. А там ФИО, телефоны, ИНН, паспорта. И вот незаметно ты уже обрабатываешь персональные данные. Самое коварное — ИНН. Кажется, что просто набор цифр, но это персональные данные сам по себе, без имени: по нему через ФНС выходят на конкретного человека. Логика та же, что с паспортом. Нюанс: ИНН компании (ООО) — норм, он про организацию, а не про живого человека. Ещё пара граблей, на которые легко наступить: — клиентская база в Google Sheets — нарушение, которое нельзя «дооформить» задним числом; — галочка «согласен на обработку» при регистрации не закрывает отправку чужих данных в зарубежную модель; — «взял из открытого ЕГРЮЛ» не значит «делай что хочешь» — утечёт база, отвечаешь ты. Дальше в разборе — что вообще считается персональными данными, какие штрафы и какие рабочие схемы есть, чтобы гонять документы через LLM и не словить проблем. Автор сразу честно: он не юрист, это для инженеров и продактов. 👀 — пойду проверю свои пайплайны 😅 — а я-то думал просто текст @ai_for_dev