AI для Разработки — Claude | Cursor | Copilot

Скрины для App Store за пару минут, а не за вечер Знакомая боль: приложение готово, а на скрины для сторов нет ни сил, ни желания. Сидишь и двигаешь рамки телефончиков вместо релиза. Есть скилл для AI-агентов (Claude Code, Cursor и компания), который берёт это на себя. Он смотрит на твоё приложение, сам выбирает самые сочные фишки и собирает из них готовый дизайн карточек. - Сразу подгоняет макет под App Store и Google Play и разные устройства. - Переводит тексты на нужные языки. - Главное — знает политику Apple и делает скрины так, чтобы прошли ревью. Дальше открывается локальный редактор с превью карусели — двигаешь экраны, правишь текст и цвета руками, если хочется. Ставится одной строкой:

npx skills add ParthJadhav/app-store-screenshots

🎉 — прощайте, вечера в фигме 🤔 — а пройдёт ли ревью @ai_for_dev

«Зачем RAG, у нас же огромное окно» — ну-ну Слышали этот аргумент? Окна контекста растут, модели умнеют, агент сам ходит по проекту и читает файлы. И знаете — на мелком репозитории это реально работает. Поправить функцию, найти баг в модуле — кинул нужные файлы в контекст и поехали. Городить RAG ради этого = стрелять из пушки по воробьям. Но тут подменяют понятия. Контекст — это ёмкость. Retrieval — это что ты в эту ёмкость кладёшь. Большое окно красиво проглотит гору данных, только оно не знает, какие данные вообще нужны, свежие ли они и как связаны между собой. И всё рассыпается на гетерогенной системе. Классика: заказ с сайта не доехал до 1С. Путь у него — форма → API → валидация → БД → очередь → SOAP → задание в 1С → статус на сайте. И каждое звено — свой репозиторий, свой язык, иногда вообще чужая команда. Агент сидит в одном репозитории и видит только свой кусочек. А симптом до боли знакомый: статус тянется из поля, которое бэкенд давно переименовал, а 1С по старинке пишет в старое. Всё «работает» — ровно до момента, пока юзер не увидит дичь. И тут уже не «прочитать кода побольше», тут надо сшивать связи между методами, DTO, таблицами и очередями. Большое окно тут не помощник. 😎 — RAG forever 🤔 — а у меня монолит, мне норм @ai_for_dev

Higgs Audio v3: TTS, который реально болтает, а не зачитывает Очередная open-source TTS — но в этот раз годная. 4B параметров, заточена под живой диалог: умеет реагировать, делать паузы, ставить акценты и держать разговор в реалтайме. И русский на месте. Самое вкусное — inline-теги прямо в тексте. Не выходя из генерации, дёргаешь эмоцию, стиль, скорость:

<|emotion:enthusiasm|>Привет! <|prosody:pause|> Поехали!

По метрике WER (чем ниже — тем лучше) обходит и открытые, и коммерческие системы на 100+ языках. Особенно хороша в паралингвистике — вздохи, смешки, интонация вопросов звучат по-человечески. И главное для самохостеров: заводится на 6-8 GB VRAM, ~10-15 ГБ на диске. Плюс есть бесплатное API в preview — потыкать можно прямо сейчас. Веса лежат на HuggingFace, доки с примерами — тут. 🔥 — гоню на свою видяху 👀 — надо послушать сэмплы @ai_for_dev

Вики, которую LLM ведёт сама — теперь с графом и MCP Карпати недавно показал штуку: кидаешь сырьё в папку, а модель сама строит вики — пишет статьи, расставляет обратные ссылки, всё классифицирует. RAG не нужен, только Markdown и LLM-«библиотекарь». У него так одна тема разрослась до 400 000 слов. Ребята взяли эту идею и прокачали до серьёзной инфры: • папка → AlloyDB + pgvector • [[wikilinks]] → граф с 11 типами рёбер • grep → векторный + графовый поиск • локальная папка → HTTP-сервер с ролями admin/reader • сверху — MCP (StreamableHTTP + SSE) Смысл: у Карпати это «один человек + один LLM ведут заметки». Тут — несколько агентов + человек дружно копаются в общей растущей базе. Другой масштаб — другая архитектура. И самое вкусное — граф реально вытягивает абстрактные запросы. Средний recall 46.7% → 68.3%, а вопрос «что общего у MesaNet и Titans» прыгнул с 0% до 67%. На точных запросах граф не особо нужен, а вот на «как связано X и Y» — выручает. 🔥 — пойду собирать свою 😎 — на выходных потыкаю @ai_for_dev

pydantic-graph: когда твой агент — это каша из if-ов Пишешь библиотеку, и рано или поздно упираешься не в красивый интерфейс, а в движок внутри: что-то сгенерил, проверил, решил, повторил. Сначала это пара флагов и while, а через месяц ты сам не помнишь, какие там вообще переходы и почему половина веток мёртвая 🙈 Лечится это конечным автоматом. Автор наткнулся на тихую библиотеку pydantic-graph — про неё почти не пишут, хотя на ней держится весь pydantic-ai от создателей Pydantic. Обкатка на живом примере: слабая Llama 3.1 8B решает задачи из HumanEval+. Сама по себе она справляется через раз — pass@1 ≈ 0.61, две попытки из пяти в трубу. Причём решение обычно почти правильное, спотыкается на ерунде: вызвала функцию, которую сама забыла дописать, или упала на пустом списке. Фишка в том, что такие ошибки видно автоматически — без человека и без копания в весах модели. А раз видно, значит можно ловить узлом графа, дописывать замечание в промпт и гонять на повтор. Не дообучение, а просто аккуратная обвязка вокруг чёрного ящика. 🔥 — перепишу свой while-ад 👀 — что за зверь такой @ai_for_dev

😎 Целый дата-центр под рабочий стол Nvidia показала DGX Station for Windows — настольный «суперкомпьютер», который локально крутит модели до 1 триллиона параметров и тащит сотни агентов одновременно. И всё это прямо на Windows, без облака. Внутри — чип GB300 Grace Blackwell Ultra: GPU Blackwell Ultra плюс 72-ядерный Grace, до 748 ГБ общей памяти и 20 петафлопс в FP4. Серьёзно, это не «поиграться вечером». Каждого агента можно засунуть в свою песочницу через новую среду OpenShell — то есть запускать рой агентов и не бояться, что они полезут куда не надо. Делали вместе с Microsoft, продажи стартуют в Q4 2026. 😎 — хочу под стол 💔 — а ипотеку дадут? @ai_for_dev

MisoTTS 8B — годный опенсорсный синтез речи Miso Labs дропнули в опенсорс MisoTTS 8B — модель, которая, если верить бенчмаркам, делает всех в генерации речи 😮 Что зацепило: • Клон голоса с 10 секунд записи — закинул сэмпл с транскриптом и готово • Задержка 110 мс — почти realtime, можно пихать в голосовых ботов • Старается тащить живые эмоции, а не роботизированное бубнение Под капотом RVQ Transformer: большой backbone на llama-8B и маленький аудио-декодер llama-300M. Архитектура в духе Sesame CSM. Один нюанс — язык пока только английский. Поднимается локально без боли: git clone, uv sync, запускаешь run_misotts.py — веса сами скачаются с Hugging Face, на выходе .wav. Весь код на GitHub, пощупать без установки — демка ☕️ 🔥 — ставлю звёзды и качаю веса 👀 — подожду русский язык @ai_for_dev

Используем AI, чтобы писать код... медленнее Все привыкли, что AI-кодинг — это слоп-пушка: наспамить кода, открыть гигантский PR и смержить не глядя. Но автор предлагает развернуть ствол в другую сторону. 🔫 Главный инсайт: модели офигенно находят баги. Натрави на свой код несколько разных моделей подряд — и получишь столько проблем, что заскучаешь, пока будешь их разгребать. Беда не в поиске, а в том, чтобы отделить реальные баги от выдуманных. Решение простое: чем больше РАЗНЫХ моделей смотрят на один PR, тем меньше галлюцинаций. Вот промпт:

Запусти Claude sub-agent, Codex и Cursor Bugbot, чтобы найти баги в этом PR по уровням критичный/высокий/средний/низкий. Когда все закончат — собери находки, перепроверь сам, отсей ложные срабатывания и напиши финальный отчёт.

Спойлер: вместо «10x продуктивности» ты скорее уйдёшь в side-quest, дописывая тесты к багам, которые жили в проекте ещё ДО твоего PR. Зато код станет реально лучше. Оригинал тут. 🔥 — пойду натравливать модели 🤷 — мне б скорость, а не качество @ai_for_dev

Nvidia выкатила открытую Nemotron 3 Ultra Самая большая в семействе: 550 млрд параметров, но активны только 55 млрд (Mixture-of-Experts, так что не нужно кормить всё разом). Сделана не под чатики, а под оркестрацию агентов — планирование, вызовы инструментов, длинные многошаговые задачи. По версии Artificial Analysis — самая сильная открытая модель из США: 48 баллов, обходит Gemma 4 31B и gpt-oss-120b, но до китайской Kimi K2.6 не дотянула. Самое вкусное для тех, кто гоняет агентов в проде: до 5x быстрее аналогов (300+ токенов в секунду) и до 30% дешевле на задачу — модель просто жрёт меньше токенов. Плюс честное окно контекста в 1 млн с 95% точностью. Что внутри 🔥 — заберу под своих агентов 🤔 — а веса-то где @ai_for_dev

Очки на Linux, чтобы вайбкодить прямо в метро Контора Monako выкатила ИИ-очки, внутри которых крутится своя мини-Linux под названием MonoOS. Есть Wi-Fi, Bluetooth, камера, микрофон и крошечный дисплей перед глазом. Самое сочное: они заточены под Claude Code, Codex и прочие ИИ-помощники. То есть теория такая — достаёшь очки и правишь прод хоть на пляже, хоть в очереди за шаурмой. 😎 Удовольствие стоит 30 000 ₽. Дорого это для гаджета на голове или норм — решайте сами. 🔥 — хочу кодить с дивана 🤡 — прод чинить в очках, ну-ну @ai_for_dev

Headroom: режем токены, контекст не теряем Гоняешь агентов и смотришь, как лимиты тают на глазах? Headroom встаёт прослойкой перед моделью и сжимает всё, что в неё летит — логи, файлы, историю, выдачу инструментов. А оригиналы держит у себя локально и подтягивает обратно, когда модель реально просит детали. Что по цифрам: – срезает токены на 60–95% (логи и тесты — вообще песня); – сжатие обратимое, ничего не выкидывается; – тянет жирные проекты и долгие сессии без захлёбывания; – дружит с Claude Code, Codex, Cursor, Aider и любым OpenAI-совместимым клиентом. Ставится через pip или npm (нужен Python 3.10+), пашет локально — данные никуда не уходят. Лицензия Apache-2.0, бесплатно. Сайт | GitHub 🎉 — халява, забираю 😎 — гляну на выходных @ai_for_dev

Ideogram 4.0: open-weight, 9.3B, JSON-промптинг Foundation-модель с нуля, не файнтюн. Главная фича для разработчика — структурированный JSON-интерфейс промптинга с явными bounding box и палитрой:

{
  "bbox": [18, 725, 319, 936],
  "type": "text",
  "text": "DREAM WELL STUDIO PRESENTS",
  "desc": "uppercase serif, dark grey, centered"
}

Вместо «шквала букв» модель получает структурированные данные — точное позиционирование текста и объектов. Квантизации под разное железо: - fp8 — от 12 ГБ VRAM (лучше 24), любой GPU - nf4 — только CUDA, от 8 ГБ - INT8-ConvRot — для старых систем, ~1.78x быстрее fp8 на 3090 Нативное 2K, соотношения до 6:1, hex-управление цветом, мультиязычный рендеринг текста уровня SOTA. По LMArena — топ-5 среди всех image-лаб. HuggingFace · INT8-сборка ⚡ — погоняю квантизации 👏 — open weights, респект @ai_for_dev

Кто-то сделал локальный Perplexity — и это open source Знакомьтесь, Vane: тот же вайб «спросил — получил ответ с источниками», только крутится у вас на машине и не просит $20/мес. Лицензия MIT, код на GitHub. Что по фичам: • веб-поиск с ссылками на источники • ответы по PDF и своим файлам • поиск по статьям и обсуждениям • режимы Speed / Balanced / Quality — от «по-быстрому» до «копаем глубоко» Модели подключаются как захотите: локальная Ollama или облачные OpenAI, Claude, Gemini, Groq. Хочешь — всё локально, и тогда ни байта не улетает в облако. Короче, приватный поиск, свои модели и свои документы — всё под контролем. Идеально для тех, кто не любит делиться запросами с чужим сервером. 🎉 — прощай подписка 👏 — пошёл ставить звёзды @ai_for_dev

США запускают добровольный аудит закрытых ИИ-моделей Президент США подписал указ о кибербезопасности в сфере ИИ. Разработчикам передовых закрытых моделей предлагают добровольно давать государству доступ к продуктам за 30 дней до релиза — для аудита безопасности и поиска уязвимостей. Изначальный 90-дневный период сократили по требованию индустрии. Документ прямо запрещает обязательное лицензирование и принудительную премодерацию. Параллельно Минфин, Пентагон и АНБ создадут координационный центр: автоматизация сканирования федеральных систем и противодействие кибератакам с применением нейросетей. Текст указа. Отдельно OpenAI добавила в Codex 62 ролевых плагина и 110 функций для нетехнической аудитории — аналитиков, дизайнеров, специалистов по продажам. Среди инструментов Sites (отчёты в веб-страницы) и Annotations (правка фрагментов через промпты). Партнёры по интеграции — Wix, Figma, Replit. Подробнее. 😐 — тревожно 🤔 — надо изучить @ai_for_dev

OpenAI выложила ImageGenCam — собери AI-камеру дома 📸 Штука делает снимок и тут же гонит его через генерацию по твоему промпту. На выходе — аниме, детский рисунок, да хоть что. Под капотом ChatGPT Images 2.0. Из железа понадобятся Raspberry Pi Zero 2 W, дисплейчик, камера, аккумулятор PiSugar и напечатанный корпус. С телефона рулишь через веб-приложение: качаешь фотки и меняешь промпты на лету. Самый сок для нас: проект целиком открыт, а собирать его помогает Codex. Кидаешь ему ссылку на репу — и он сам ведёт тебя за руку по каждому шагу. Заявлено как «занятие на выходные», но если ты уже дружишь с Raspberry Pi, управишься за час. Репозиторий на GitHub. 🔥 — паяльник уже греется 🤷 — корпус печатать лень @ai_for_dev

Microsoft наконец сделал свою reasoning-модель На Build 2026 Microsoft показал пачку собственных моделей и флагман — MAI-Thinking-1. Раньше они сидели на моделях OpenAI, а теперь решили строить своё (и сделку с OpenAI заодно пересмотрели, чтобы ослабить привязку). По словам Microsoft, модель «сопоставима с лидерами» на софтверных бенчмарках и обучена с нуля на чистых данных, без дистилляции чужих моделей. Звучит амбициозно — проверим на реальном коде. А вот что зацепит лично нас: новая MAI-Code-1 уже встроена в GitHub Copilot и VS Code и заявлена как «inference-efficient». То есть пощупать можно прямо в своей IDE, без танцев с бубном. Ещё завезли картинки (MAI-Image 2.5), транскрипцию в 5 раз быстрее и голос с 15 новыми языками. Детали тут. 🔥 — открою VS Code прямо сейчас 👀 — сначала чужие отзывы почитаю @ai_for_dev

Корпорации переходят на нормирование AI-бюджетов По данным WSJ, компании в США вводят квоты на использование дорогих моделей: расход на токены рос быстрее, чем кто-либо закладывал. Показательный кейс — Uber, где годовой AI-бюджет исчерпан уже к марту. Стратегия выравнивания расходов у Microsoft, Salesforce и DoorDash сводится к двум вещам: уровневое распределение моделей (дорогие — только на сложные задачи, дешёвые — на массовый поток) и переход на внутренние инструменты вместо внешних API. Инженерный вывод: проектируя AI-пайплайн, закладывайте маршрутизацию запросов по моделям в зависимости от сложности, кеширование промптов и бюджетные лимиты на уровне сервиса. Стоимость инференса — это полноценное нефункциональное требование, наравне с задержкой и доступностью. Источник: WSJ ⚡ — маршрутизация спасёт 🤔 — надо профилировать расход @ai_for_dev

Три месяца AI-компаньона в проде: что реально болит Чувак собрал AI-чат не на хелло-ворлде, а в живом проде — один бэкенд на Telegram-бот и веб, сотни юзеров в день. И честно расписал на Хабре, на какие стены налетел и чем их обошёл. Без «миллиона MAU», зато с ценами за токены и реальными цифрами по кешу. Что запомнить: 🔧 Память — Redis под свежие реплики + ChromaDB под сжатые пересказы. Пихать каждое сообщение в вектор = индекс на миллионы доков и поиск, который ничего не находит. 🔧 Самая подлая ловушка: модель отвечает HTTP 200, а внутри пустая строка. Ни ошибки, ни таймаута — просто молча сработал фильтр контента. Дебажить такое — отдельный вид боли. 🔧 Один маркер cache_control: ephemeral поверх системного промпта на Gemini 3.1 Flash Lite срезал 75% на закешированной части — это четверть всего LLM-счёта. 🔧 Картинки держит LoRA на персонажа + IP-Adapter, чтобы одеть его в товар из каталога и лицо не поплыло. Плюс юнит-экономика на третьем месяце и тюнинг, который поднял потолок DAU больше чем вдвое — без переписывания архитектуры. 🔥 — забираю в закладки 😎 — у меня так же болело @ai_for_dev

Чел выложил свой личный конфиг для кодинг-агентов Питер Штайнбергер открыл репу agent-scripts — то, как он реально настраивает Codex и Claude у себя в проектах. Не «10 промптов которые изменят вашу жизнь», а живой рабочий сетап. Что забираем: • AGENTS.MD — жёсткие правила, по которым агент вообще живёт. • skills/ — слой маршрутизации: коротко описал триггер — агент сам понял, что делать. • scripts/ — мелкие helper'ы без тонны зависимостей: контролируемые коммиты, валидация skills, тулза для Chrome DevTools. • hooks/ — локальные предохранители, чтобы агент не накосячил. Самое вкусное — guardrails, которые не дают агенту разнести твои файлы и наработки. Тема, на которой палятся даже бигтехи. Забрать можно на GitHub. 🔥 — потащу к себе в сетап 👀 — гляну, что человек напридумывал @ai_for_dev

Gemma 4 12B завезли — и она влезает в ноутбук 😎 Google выкатила открытую мультимодалку, которая понимает текст, картинки, звук и видео, а для запуска ей хватает всего 16 ГБ памяти. Никакого облака, всё крутится локально на твоей машине. Что внутри: 🟢 По бенчмаркам почти догоняет старшую 26B, хотя весит вдвое меньше — малышка старается; 🟢 Заточена под агентов, код и сложные рассуждения; 🟢 Лицензия Apache 2.0 — бери и пили коммерцию без оглядки; 🟢 Бонусом Google кинула набор скиллов на GitHub — ставится одной командой через CLI. Короче, приватный локальный ассистент на выходные собирается без боли. Пользуемся 👍 🔥 — self-hosted gang 👀 — погоняю на ноуте @ai_for_dev