AI для Разработки — Claude | Cursor | Copilot

Уволят ли нас в эпоху ИИ — и что с этим делать Senior-питонист Алексей Яковенко кинул короткий пост в свой чат, набежало полсотни комментов — и он решил разложить тему по-нормальному. Без футурологии и продажи курсов, просто наблюдения человека, который каждый день видит, как меняется его работа. Цифры, если коротко: — С начала 2026 года рынок потерял больше 118 000 рабочих мест, около 825 человек в день. Meta — минус ~8 000, Intuit — минус 3 000. — И вот прикол: компании не тонут, они прибыльны. Просто бабки уехали в железо. Большая четвёрка вкатит в ИИ-инфраструктуру порядка 725 миллиардов долларов за год. Уволил сотню инженеров — оплатил очередную партию видеокарт. — Цукерберг буднично, тоном анонса фичи, говорит: ИИ скоро будет писать значительную часть кода. Но «заменили» — слово неточное. Скорее «переформатировали»: руками код теперь набираешь хорошо если на пятую часть времени, остальное — ревьюишь то, что нагенерил ассистент. Знакомо, да? Целиком: Хабр 🔥 — прямо в точку 🤡 — да ладно, переживём @ai_for_dev

Open source воюет с ИИ — кто прав? Завирусилась тема: пускать ли ИИ в open source. И пока все спорят, проекты молча захлопывают двери — Zig и NetBSD банят ИИ-код, а curl прибил баг-баунти, потому что задолбался разгребать ИИ-слоп. В одном углу ринга — DHH, папа Rails: мол, все эти запреты — «луддизм», зависть и ресентимент по Ницше в духе «как ты смеешь трогать код, не пройдя через мои страдания». В другом — ThePrimeagen, который с ним почти ни в чём не согласен. Истина, как обычно, где-то посередине: иногда за запретом реально снобизм, а иногда — нормальные инженерные причины. Мысль автора простая: оценивай код, а не того, кто его прислал. Читать целиком 🔥 — холивар подъехал 🤷 — а код всё равно ревьюить @ai_for_dev

Агент, который рисует красивые анимации Тут набирает популярность скилл для работы с Lottie — это векторный формат анимаций под веб. Смысл простой: вместо тяжёлых GIF и MP4 кладёшь в интерфейс вектор, который весит копейки. Сейчас без такого не обходится ни один нормальный интерфейс — ни в вебе, ни в мобилках. Логика честная: агент, который умеет в Lottie = агент, который делает красивые интерфейсы. Что умеет скилл: 1. Объясняет агенту, как правильно писать анимации, проверять кадры и собирать JSON 2. Запускает локальный превьюер прямо у тебя 3. Даёт крутить отдельные свойства — цвет, текст, размер — как в монтажке Ставится одной строкой:

npx skills add diffusionstudio/lottie

Кайф в том, что это всё JSON, и агенты жуют такое куда лучше, чем видео. Код и демки — на GitHub. 🔥 — пойду рисовать 👀 — звучит красиво, но проверю @ai_for_dev

RAG от демо до продакшена: разбор по полочкам Собрать RAG за вечер сегодня легко: LangChain, ChromaDB, пара вызовов OpenAI — и бот вроде отвечает. А потом приходят миллионы документов, кривые таблицы, ACL и SLA меньше 500 мс — и красивый прототип складывается как карточный домик. Галлюцинации, счета за API на космос и поиск, который находит вообще не то 🙃 Эта шпаргалка — честный маршрут от наивного RAG к взрослой модульной архитектуре. По шагам: чистка данных и Layout-Aware парсинг, нормальный чанкинг, гибридный поиск (Dense + BM25 через RRF), реранкинг на Cross-Encoder и борьба с «Lost in the Middle». Самое вкусное — 8 граблей продакшена, на которые в туториалах дружно забивают, плюс матрица решений и финальный чек-лист готовности. Код на Python, без воды. Если ваш RAG пока держится на честном слове — самое время причесать. 🔥 — пойду чинить свой RAG 👀 — сохраню на потом Источник: habr.com @ai_for_dev

Cursor строит «GitHub для ИИ-агентов» — и его покупает SpaceX Сразу две новости в одном флаконе. Во-первых, Reuters пишет, что SpaceX готовится купить создателя Cursor за $60 млрд. Во-вторых, сам Cursor запускает Origin — платформу для кода, заточенную не под людей, а под армии ИИ-агентов. Идея простая: агенты круглые сутки клонируют репозитории, читают код и пушат правки, а обычный Git под такой режим не задумывался. Origin обещает разрулить главные боли — координацию, ревью и безопасный мерж кода, который написал не человек. Подробностей пока кот наплакал, массовый запуск — осенью. Но звучит как заявка на инфраструктуру следующего поколения. 🤩 — вот это поворот 👀 — а пощупать когда @ai_for_dev

Stirrup: лёгкий каркас для агентов на Python Artificial Analysis выложили в открытый доступ Stirrup — основу для тех, кто пилит AI-агентов на Python. Знакомая боль: первый вызов модели — это ещё не проблема. Проблемы начинаются вокруг инструментов, файлов, контекста, клиентов провайдеров и запуска кода. Вот именно сюда Stirrup и целится — даёт лёгкий фундамент и не заставляет жить по чужому пайплайну. Что внутри: • агентный цикл с finish-инструментами • сессии для жизненного цикла инструментов и файлов • запуск кода локально, в Docker или в песочнице E2B • веб-поиск из коробки • MCP, skills, мультимодальный ввод и LiteLLM • авто-сжатие истории, когда контекст вот-вот лопнет Лицензия MIT, статус пока Beta. Есть и Python, и TypeScript-версия. Авторы честно признают: память, оркестрацию инструментов и восстановление после ошибок всё равно каждый допиливает под себя. Забрать на GitHub 🔥 — self-hosted gang 👏 — пошёл ставить звёзды @ai_for_dev

Prompt injection нельзя запатчить — и это надолго История из марта 2026-го: бэкдор провисел на PyPI всего три часа, но его успели скачать почти 47 тысяч раз. Пакет — LiteLLM, тот самый шлюз к моделям, на котором завязаны CrewAI, DSPy и Microsoft GraphRAG. Обновил зависимости в неудачный момент — затащил к себе автономного бота hackerbot-claw. И самое неприятное: рулил всем не человек. Бот сам нашёл кривые GitHub Actions, через взломанную сборку Trivy у Aqua Security увёл токен публикации и выложил две отравленные версии. Никакого нуля-дня — просто агенту дали слишком много прав и свободы. Автор объясняет, почему prompt injection невозможно «просто пропатчить»: модель в принципе не умеет отделять инструкции от данных, как это делает драйвер базы с SQL. Полный разбор защит — что работает, а что только кажется надёжным. 👀 — проверю свои пайплайны 😐 — невесёлая картина @ai_for_dev

10 репозиториев, чтобы прокачаться в AI-инженерии Сохраняйте — тут весь путь от «что такое LLM» до production, без воды. Если хочется практики и агентов: • Hands-On AI Engineering — живые кейсы AI-приложений. • GenAI Agents — гора туториалов по агентам. • AI Agents for Beginners — бесплатный курс от Microsoft, 11 уроков. Если хочется теории по-нормальному: • Hands-On Large Language Models — код из книги, до файнтюнинга включительно. • Designing ML Systems — материалы к книге Chip Huyen. • LLM Course — курс с дорожной картой и Colab. И когда пора в бой (production): • Made With ML — как довести ML до продакшена и не сгореть. • Awesome LLM Inference — Flash Attention, KV Cache, квантование. • Learn Harness Engineering — про harness для агентов. • AutoResearch — авто-циклы экспериментов от Карпатого. 🔥 — забираю всё 👀 — гляну на выходных @ai_for_dev

Hugging Face выкатили Serge — опенсорсного ИИ-ревьюера прямо в GitHub 🤓 Зовёте бота в комментах к PR — и он сам читает diff, ищет баги и оставляет замечания. Никакого отдельного дашборда, всё в привычном ревью-флоу. Самое приятное: правила ревью лежат прямо в репозитории. Один раз описали, на что смотреть и что игнорировать — дальше Serge работает по вашим законам, а не по своим фантазиям. Запустить можно по-разному: GitHub Action для быстрой пробы, GitHub App для целой организации с кучей форков, либо веб-режим, где вы сначала смотрите и правите комментарии бота, а уже потом публикуете. Модель — любая, совместимая с OpenAI API, в том числе открытая. И да, ребята из Hugging Face уже гоняют его на себе — в diffusers и transformers. Код тут — GitHub, как настроить — в блоге. 🔥 — ставлю на свой репо 👀 — сначала почитаю правила @ai_for_dev

dots.tts — свежий открытый TTS, который реально рвёт бенчмарки Китайцы из hilab (AI-лаборатория RedNote, того самого «китайского инстаграма») снова выкатили в опенсорс — на этот раз синтез речи. И сразу с заявкой на open-source SOTA. Вся соль в архитектуре. Обычно TTS сначала сжимают звук в кодек-токены и теряют детали голоса на этом квантовании. Тут этап просто выкинули — дорожка остаётся полностью непрерывной. Текст без фонем → LLM на Qwen2.5-1.5B, акустику дорисовывает flow-matching-голова поверх непрерывных VAE-латентов 48 кГц. Отсюда чистый и стабильный голос. Что умеет: 🟣 Клон голоса по 3 секундам референса, даже на другом языке 🟣 24 языка, тянет эмоции и контекст 🟣 Лучший средний на Seed-TTS-Eval (WER 0.94/1.30 zh/en), 83.9 схожести на MiniMax 🟣 Три чекпоинта — есть и быстрый mf-дистилл на 4 шага 🟣 Стриминг, веб-демо на Gradio, лицензия Apache-2.0 Потыкать вживую: демо на Hugging Face · код: GitHub 🔥 — вечером накатываю 🤷 — TTS, опять? @ai_for_dev

Сбер представил фреймворк ИИ-трансформации разработки На конференции ЦИПР-2026 CTO Сбера Кирилл Меньшов показал AI-Disrupt PDLC — методологию перестройки компаний под нативную ИИ-разработку. По заявлению авторов, это первое в России руководство такого рода. Документ описывает, как за 12–18 месяцев изменить процессы, роли и архитектуру, чтобы переосмыслить создание цифровых продуктов. Полный текст доступен в whitepaper Сбера. 🤔 — посмотрим на практике 👀 — любопытный фреймворк Источник: max.ru @ai_for_dev

Свой кодер-ассистент прямо на компе Появилась локальная Gemma 4 12B Coder в формате GGUF — приватный помощник по коду, который крутится у вас офлайн. Никакого облака, никакого API. Вся соль в данных: модель училась на цепочках рассуждений по питоновским задачкам, причём в обучение шли только те решения, чей код реально проходил тесты. Основу дал Composer 2.5, а там, где он спотыкался, задачи перерешивала Fable 5. Запускается на скромном железе — нужно всего ~4.5 ГБ памяти. Народ оценил: уже около 20 тысяч скачиваний. 🎉 — оффлайн-кодер, беру 👀 — гляну на сборку @ai_for_dev

100+ навыков, чтобы агент не рисовал кривые интерфейсы Принесли золотую коллекцию навыков для тех, кто хочет, чтобы агент выдавал нормальный UI, а не «макет курильщика». Внутри больше 100 готовых навыков от разных авторов: от вайбкодеров-энтузиастов до официальных дизайн-навыков от Anthropic. Есть всё: проверка доступности, аудит типографики, анимации, производительность. У каждого — описание, инструкция и ссылка на GitHub. Например, fixing-motion-performance чинит дёргающиеся анимации и тормозящие переходы — знакомая боль, да? И самое приятное — это бесплатно. Наводим красоту на ui-skills.com 💅 🎉 — бесплатно, хватаю 👀 — гляну, что внутри @ai_for_dev

Скиллы, которые рисуют HTML за тебя Появился набор скиллов, который генерит любые HTML-файлы: диаграммы, презентации, резюме, отчёты, планы — всё наглядно и из коробки. Что внутри: → html — любая HTML-страница по запросу, хоть лендинг, хоть портфолио. → html-diagram — архитектурные схемы с упором на красивый SVG. → html-plan — дорожные карты и планы в одном стиле. Ставится одной строкой:

npx skills add plannotator/effective-html

Ещё работает как плагин-маркетплейс для Claude Code. Забираем — на GitHub. 🔥 — рисовалка диаграмм, беру 👀 — гляну на демку @ai_for_dev

Нашёлся каталог готовых циклов для агентов-кодеров loops — это сборник готовых loop-сценариев под Cursor, Claude Code, Codex и прочих агентов. Суть простая: больше не надо каждый раз вручную писать «собери билд, исправь, прогони тесты и повтори». Копируешь готовый сценарий — и поехали. А внутри уже прописано: • что вообще нужно сделать; • что запускать между попытками; • когда пора остановиться; • сколько итераций максимум; • и главное — правила, чтобы агент не мухлевал и не вырубал проверки ради зелёной галочки. Классика жанра — Build Until Green: гоняет сборку, чинит ошибки и крутится, пока билд не позеленеет. Ещё есть рецепты под CI, тесты, pre-commit, accessibility-аудит и уборку кода после реализации. Чаще всего сайт просто даёт готовый промпт — вставил в агента и забыл. Для некоторых сценариев идут hook-файлы, но их уже руками кладёшь в проект. 🔥 — пойду гонять циклы 🤡 — агент всё равно схитрит @ai_for_dev

Terraform MCP Server 1.0: всё, AI больше не выдумывает конфиги Кто хоть раз просил Claude или ChatGPT накидать Terraform — знает этот жанр. Модель с серьёзным лицом пишет HCL, актуальный примерно никогда: acl = "private" внутри aws_s3_bucket, аргументы, депрекейтнутые ещё в четвёртой мажорной версии провайдера. Логика простая — у модели знания на момент обучения, а реестр живёт своей жизнью. 11 июня 2026 HashiCorp (уже под IBM) выкатила в GA Terraform MCP Server 1.0. Это прокладка между LLM и реестром: модель ходит за свежей докой провайдеров прямо в момент запроса. Важный момент — сервер ничего не «применяет за вас». Он просто кладёт модели в руки инструменты: найти провайдера, вытащить актуальную доку, проверить свежую версию, подтянуть модули. А дальше модель сама пишет нормальный конфиг. Поднимается за пять минут, цепляется к Cursor, VS Code или Claude Desktop. Но мораль та же: в prod агента без поводка не пускаем, даже самого умного. Как поднять стенд — тут 🔥 — пойду подключать 🤡 — а конфиги всё равно перечитаю @ai_for_dev

Пилим ИИ-агента с нуля. Часть 2 Голая языковая модель умеет ровно одно — болтать. Отвечает в пределах того, что знает, но файл не прочитает, команду не запустит, в интернет за свежаком не сходит. Чтобы из этого «чат-бота» получился агент, который реально делает работу за тебя, ему нужны инструменты (tools) — руки, которыми он трогает твой комп. Инструмент — это просто функция, которую ты даёшь модели, чтобы она звала её сама. Хочешь — обычная питоновская функция прямо в коде агента, хочешь — целый MCP-сервер с запросами к API и базе. А как модель, которая умеет только текст, вызывает функции? Раньше её уговаривали выплюнуть что-то вроде Action: web_fetch, потом обвязка это парсила и запускала. Работало так себе — модель то и дело путала формат. Сейчас нативный вызов встроен: модель сама формирует аккуратный JSON, есть валидация, галлюцинаций меньше. Во второй части автор на Python собирает базовый набор: читать и писать файлы, искать по диску, гонять команды оболочки и тянуть веб-страницы. Гайд на Хабре. 🔥 — иду собирать своего 🤔 — а bash-tool не страшно отдавать? @ai_for_dev

AI пишет код в прод: ставлю эксперимент и зову смотреть вместе Знакомая ситуация? C-level посмотрел демки вайбкодинга и теперь требует «внедрить AI в разработку всеми способами, желательно вчера». Алексею Фёдорову — очень знакомо. Он Head of IT в финтехе, 22 года в разработке, дважды дорос до CIO. И он решил не спорить в комментах, а собрать стенд. Стенд — живая браузерная тактика, штурм здания отрядом (привет, Door Kickers). Заходишь в бота и пишешь, что поменять: «сделай врагов внимательнее к шуму», «добавь дробовик», «почини баг с дверью». Дальше запрос подхватывает автономный пайплайн — сам уточняет задачу, проектирует, пишет код, тестит, ревьюит и, если всё зелёное, катит в общий боевой билд, который видят все. Смысл — поймать ту самую пропасть между «прототип за час» и «реальный продукт с живыми юзерами»: дубли логики, расползающийся техдолг, регрессии, ревью, съедающее всё сэкономленное. Честных данных по этому мало — вот он их и собирает, в прямом эфире. Источник: habr.com 🔥 — интересный замес 🤡 — техдолг такого не простит @ai_for_dev

Поиск спешно подлаживается под агентов Агентов в сети всё больше, и под них строят целую параллельную инфраструктуру — банки уже занялись платежами, а теперь дошло и до фундамента, до поиска. За пару недель два интересных анонса, и оба — внезапно — не от Google. Microsoft выкатил (пока лист ожидания) Web IQ — пакет AI-native API к индексу Bing под запросы агентов. Формулировка соблазнительная: меньше токенов на входе, ответ лучше, вызов дешевле. Логично же: агенту незачем читать всю страницу, умный API вернёт нужный кусок — и токены целы. Perplexity, который изначально строился как поиск ИИ-эры, отвечает своей Search as Code (SaC). Тут агент лезет прямо внутрь поискового стека, а не жуёт готовый результат, и собирает свою стратегию кодом. У них одна задача порой запускает тысячи retrieval-операций за минуты — человеку такое не снилось. Честно, немножко завидую агентам: вот бы под нас так оперативно подстраивались 🙂 Microsoft Web IQ · статья Perplexity 🔥 — хорошо быть агентом 👀 — надо пощупать @ai_for_dev

Хватит арендовать такси — собери свою тачку Почти все знакомые аналитики живут в Claude: корпоративные данные, зарплаты, финотчёты — всё улетает в облако. Безопасники косятся, плана «Б» нет. А он есть. Claude — это такси: платишь за поездку, а водитель слышит весь разговор. Локальный AI — своя машина. Данные остаются на ноуте, никакого облака и подписок: скачал один раз и пользуешься бесплатно офлайн. Кузов (выбираешь под себя): 🔹 Jan.ai — скачал, открыл, работает. Идеально без терминала. → jan.ai 🔹 LM Studio — больше настроек, удобно подбирать модели под оперативку, есть сервер для Python. → lmstudio.ai 🔹 Ollama — классика для тех, кто кодит. Локальный API вместо платного Claude API. → ollama.com Двигатель (качаешь внутри интерфейса): 🔹 Qwen (Alibaba) — пишет код, понимает русский 🔹 Llama (Meta) — текст и логика 🔹 DeepSeek — reasoning: показывает ход мыслей перед ответом Честный тест-драйв: «семёрка» (7B+) заведётся даже на MacBook Air. Слабее Claude Sonnet 4.6, гигабайты данных не запихнёшь — захлебнётся. Но для базового Python, SQL и чистки чувствительного текста — идеальный гаражный вариант. 🔥 — ставлю свою тачку 👀 — сначала погляжу @ai_for_dev