AI для Разработки — Claude | Cursor | Copilot

Мониторинг упоминаний бренда за 460 ₽/мес вместо 50 000 ₽ Ребята из Just AI собрали мультиагентную систему, которая каждый день шерстит интернет на предмет упоминаний их продукта. Раньше кто-то из команды случайно натыкался на статью о них — и то через неделю. Знакомо? Что сделали: — Несколько агентов, каждый со своей задачей: один ищет, другой анализирует тональность, третий собирает отчёт — Результат — ежедневная сводка в Telegram + таблица в Google Sheets — Точность 99%, экономия 14 часов/мес Самое вкусное — стоимость. Коммерческий мониторинг СМИ стоит от 50 000 ₽/мес, а их решение обходится в 460 ₽/мес. Разница в 100 раз — это не оптимизация, это другая лига. Главный вывод: не надо делать одного умного агента на все случаи жизни — лучше несколько простых с чёткими ролями. Полный разбор на Хабре 🔥 — хочу такое для своего проекта 😐 — 460 рублей пока @ai_for_dev

OpenGrall — фреймворк, чтобы LLM не убила вашего робота Знаете эти видео «я подключил GPT-4 к роботу»? Робот делает шаг, думает 4 секунды, оператор потеет над аварийной кнопкой. Красиво, но в продакшен не пустишь. Проблема — все пытаются использовать LLM как контроллер моторов. А она недетерминированная и может выдать «вперёд», когда впереди стена. OpenGrall делает по-умному: LLM — это стратег («осмотри комнату»), а TinyML на ESP32/STM32 — спинной мозг с правом вето. Датчики опрашиваются на 50–100 Гц, аварийная остановка за <10 мс. Даже если LLM скажет «вперёд» — микроконтроллер не пустит робота в стену. Что ещё внутри: — Асинхронная память сенсоров (агент не ждёт тормозящий датчик) — Семантическая компрессия (не сливаем тысячи точек лидара в контекст) — Офлайн-режим на Raspberry Pi (Vikhr 1.5B + Vosk) — Платформо-независимость: колёса, ноги, пропеллеры — без разницы Репозиторий · Хабр 🤩 — архитектура красивая 😎 — соберу робота на выходных @ai_for_dev

whichllm: какую LLM реально потянет твоя видяха Нашёлся годный опенсорс — whichllm. Запускаешь, он смотрит на твоё железо и говорит: вот эта модель пойдёт, вот эта — топ по бенчам, а вот эту даже не пробуй. Фишка не в том, что «влезет в VRAM». Фишка в том, что 32B-модель влезет, а ранжирование всё равно поставит 27B на первое место — потому что на реальных бенчах она сильнее. Размер ≠ качество, и whichllm это учитывает. Что умеет: → рекомендует модели под твою видяху → показывает скорость в t/s (для MoE — по активным параметрам) → позволяет симулировать чужую GPU через --gpu "RTX 5090" — прикинуть апгрейд до покупки Для RTX 4060 (8 GB) топ — Qwen3-14B Q3_K_M, ~22 t/s. Для Apple M3 Max — Qwen3.6-27B Q5_K_M, ~9 t/s. Даже для CPU-only есть варианты на MoE. 🎉 — бесплатно? беру 🦉 — соберу домашний инференс @ai_for_dev

Чувак работает 4 часа в день и получает повышение. Как? Android-разработчик замерил своё реальное продуктивное время — оказалось 2-3 часа из восьми. Остальное — чаты, созвоны, восстановление контекста после каждого «можно тебя на минутку?». Учёные подтверждают: после прерывания мозгу нужно 23 минуты, чтобы вернуться в поток. А прерывают нас каждые 3-5 минут. Математика жестокая. Что сделал: — Отдал AI всю рутину: рефакторинг, boilerplate, ревью — Работает интервалами 52 минуты фокус / 17 минут отдых — Убил уведомления и перешёл на асинхронное общение Итог: 4 часа глубокой работы > 8 часов переключений между Slack и Jira. Вырос до сеньора в Бигтехе и тянет обязанности лида. Самое обидное — он не нашёл лайфхак. Он просто перестал притворяться, что работает 8 часов. Статья целиком 🔥 — завтра пробую 😁 — расскажи это моему PM @ai_for_dev

SherlockOps — чтобы не разгребать алерты руками Знакомо: утро, кофе, открываешь Slack — а там 50 алертов. Полчаса дебажишь, а оказывается, соседний отдел просто запустил нагрузочное тестирование и забыл предупредить. Ребята из DevOps устали от этого и написали SherlockOps — open-source сервис, который сам разбирается в алертах. Схема простая: — Алерт прилетает по вебхуку (Alertmanager, Grafana, Zabbix, Datadog — всё поддерживается) — LLM сам лезет в Prometheus, Loki, Kubernetes через MCP — Через 5-30 секунд в тред приходит диагностика с готовыми командами По сути — «волшебная кнопка», которая собирает контекст за тебя. Работает с Claude, OpenAI, Ollama и любым OpenAI-совместимым бэкендом. Поднимается через Docker Compose. GitHub · Статья на Habr 🔥 — on-call больше не страшен 👀 — сначала гляну исходники @ai_for_dev

Codex теперь сам тычет пальцем в твоё O(n²) Появился скилл для OpenAI Codex, который сканит проект и говорит: вот тут вложенный цикл, тут SELECT внутри цикла, тут одно и то же посчитано трижды. Что приятно — сам ничего не правит. Только отчёт: где косяк, какая сейчас сложность, как починить, какой риск, какие тесты прогнать. Хочешь применить — попроси явно. Ставится одной строкой:

npm install -g codex-complexity-optimizer

Дальше в Codex:

Use $complexity-optimizer to analyze this codebase

GitHub репо — кому надо, накиньте звёзд. 🔥 — натравлю на легаси 👀 — глянем, что найдёт @ai_for_dev

229 миллиардов параметров в открытом доступе — MiniMax M2.7 Китайцы из MiniMax выкатили свою топовую модель на Hugging Face. Бесплатно, качай и запускай. Чем интересна для разработчиков: модель заточена под агентные задачи — сама пишет код, гоняет тесты, откатывает если что-то сломалось. На SWE-Pro (это где модель решает реальные issue из GitHub) набрала 56,22%. По бенчмаркам обходит Gemini 3.1 Pro, а местами — даже Claude Opus 4.6. Отдельный кайф — подход к обучению: модель сама находила свои ошибки и правила их. MiniMax назвали это «самоэволюцией». Нюанс: лицензия некоммерческая. Хочешь в продакшен — договаривайся с MiniMax отдельно. 🤩 — китайцы не останавливаются 🤷 — некоммерческая лицензия всё портит @ai_for_dev

Вайбкодеры атакуют: записки того, кто проверяет тестовые Чувак нанимает дата-инженера в Германии и проверяет тестовые задания. Спойлер: почти все навайбкодили. Два вида кандидатов: 🤖 Вайб-вайб — отдали всё Claude Code. Код красивый, архитектура на уровне — но для простого тестового это подозрительный оверинжиниринг. Человек бы забил и написал проще. 📋 Вайб-копипаст — пообщались с ChatGPT и перенесли ответы руками. На первый взгляд нормально, но при детальном ревью — швы видны. А дальше самое весёлое: тех. интервью. Кандидат смотрит на свой же код и не может объяснить, зачем он так написал. Классика. Единственное тестовое без AI оказалось настолько слабым, что тоже не прошло. Замкнутый круг какой-то 😅 Сам автор при этом признаётся, что навайбкодил себе телеграм-бота за 30 минут. Но нанял бы себя после этого? Риторический вопрос. Статья целиком 😁 — был по обе стороны 😎 — мой код и без AI красивый @ai_for_dev

Качаем Go через 30+ задач с AI-ревьюером Нашёлся годный репозиторий для тех, кто собрался на собес го-разработчика — go-interview-practice. Внутри интерактивная платформа с задачами от самых базовых до жёстких — конкурентность, каналы, всё как положено. AI-ментор смотрит твоё решение и подсказывает, где накосячил, а таблица лидеров добавляет щепотку соревновательного азарта. Если застрял на задаче — можно спросить коммьюнити. Веб-версия крутится на app.gointerview.dev, локально ставить ничего не надо. Идеально, если горутины снятся в кошмарах или просто хочется размяться перед интервью. 🔥 — пойду гонять горутины 👀 — глянем, как AI ревьюит код @ai_for_dev

Взлом NIST P-256 за 10 000 кубитов: разбор двух публикаций Две работы радикально пересмотрели требования к криптографически-релевантным квантовым компьютерам (CRQC). Google (Babbush et al.) — снизили оценку числа кубитов и вентилей для атаки на 256-битные эллиптические кривые (P-256, secp256k1). В архитектурах со сверхпроводящими кубитами (высокая тактовая частота) атака выполняется за минуты. Oratomic — показали, что с улучшенной коррекцией ошибок и нелокальной связью (нейтральные атомы) достаточно 10 000 физических кубитов. Атака медленнее, но даже один взломанный ключ в месяц — практическая угроза. Последствия для инфраструктуры: — MitM на WebPKI через подмену ECDSA-подписей в TLS — Компрометация ECDH в обмене ключами — Дедлайн — 2029, оценка от инженеров Google Миграционный путь: ML-DSA (FIPS 204, бывший CRYSTALS-Dilithium). Гибридные схемы (классика + постквантум) — переходный этап, не финальное решение. Неинтерактивный обмен ключами в текущем виде несовместим с постквантовыми примитивами. Если в проде ECDSA/ECDH — самое время инвентаризировать все точки использования P-256. 😐 — пора смотреть на ML-DSA 🔥 — уже мигрируем @ai_for_dev

Корпорации заставят вас писать с AI — это вопрос денег, не идеологии Все споры про «AI-разработчик vs не-AI», «кто будет ревьюить слоп» и «когда лопнет пузырь» — это шум. Реальная массовая адопция AI-кодинг агентов случится, когда у корпораций просто не останется выбора. И заставит их не CEO и не пропаганда, а старый добрый зелёный Бенджамин Франклин. Anthropic уже катит Mythos — модель, которая одновременно лучший кодер и сильнейший охотник за уязвимостями (атака и защита в одном флаконе). У OpenAI свой аналог — серия Cyber. Прикол в том, что доступ дают по аудиту компании. Большинство читателей чатиков актуальный Mythos в Claude Code никогда не подключит — токены платить некуда. А Anthropic уже ловит китайские лабы за дистилляцию своих моделей, так что опенсорс-Mythos появится сильно позже — год минимум. Итого: в ближайшую пару лет водораздел между «у компании есть допуск к Mythos» и «у компании нет допуска» станет жирнее, чем между сеньорами и джунами. 🤔 — звучит логично 🤡 — паника заказана @ai_for_dev

Раздать всем Cursor — это не AI-трансформация, а ускорение хаоса CAIO в финтехе на 500 инженеров рассказывает, как перестраивал разработку (легаси, миграция банковского ядра, регуляторика — весь джентльменский набор). Из кейса: Сначала агент-археолог лезет в код, API, схемы БД и восстанавливает что реально работает — а не то что в документации трёхлетней давности. Параллельно вся регуляторика и интеграционные описания (сотни гигов) уезжают в RAG. Дальше агент-аналитик превращает кашу из чатиков и хотелок в нормальную спеку: фичи, юзер-стори, сценарии. У каждого требования — ID, который мэтчится с тестами, задачами и релизами. И только ПОСЛЕ этого агентам можно писать код. TDD обязательный, без тестов в прод не едет. Тезис простой: код это следствие, спека это причина. Вайбкодинг даёт что-то похожее на решение, но соответствует ли оно бизнес-логике — узнаешь в проде. За 3 месяца: +20% к скорости релизов минимум. 😎 — у нас спека на месте 🤡 — а потом возьмёмся за легаси @ai_for_dev

Наконец-то датасет для русских докстрингов Кто пробовал заставить кодинг-LLM писать комментарии на русском — знает боль: модель либо сваливается в английский, либо переводит «коммит» как «фиксация изменений», либо ломает формат докстринга так, что IDE перестаёт его видеть. Ребята из MWS AI собрали StRuCom — датасет специально под эту задачу. 153 тысячи пар код-комментарий на русском, 5 языков (Python, Java, Go, C#, JS), всё прошло валидацию под стандарты документации (GoogleDoc, JSDoc, Javadoc и компания). Никакого машинного перевода — только живые комменты из реальных репозиториев плюс синтетика поверх. Как собирали — отдельный квест: GitHub API не умеет в «дай мне репы с русскими коммитами», поэтому пришлось майнить руками, парсить через function parser и Code-Text, а язык определять связкой FastText + Lingua (последняя точнее на очищенном тексте). Бонусом — инструмент валидации, который проверяет структуру комментариев под пять стандартов. Статья поехала на ACL 2025. 🔥 — забираю в пайплайн 👀 — надо глянуть, что внутри Habr-разбор @ai_for_dev

Безопасный запуск AI-агентов: права, папки, сеть, подтверждения, логи Автор разобрал ключевые аспекты безопасной работы с Claude Code и Codex: какие угрозы реально встречаются у рядового пользователя (спойлер — не так страшно), как правильно установить агента, организовать рабочее пространство и какие настройки применять в каких сценариях. Основные блоки материала: — разграничение прав агента в системе; — изоляция рабочих папок; — контроль сетевого доступа; — настройка подтверждений на чувствительные операции; — ведение и аудит логов. Отдельные главы посвящены пользователям OpenClaw, Hermes и обычных чат-ботов. Материал входит в серию из пяти текстов о AI-агентах: от базового знакомства до развёртывания на VPS. 😐 — тревожно 🤔 — надо проверить @ai_for_dev

Fedora передумала становиться AI-десктопом Инициативу Fedora AI Developer Desktop сначала одобрили единогласно, а потом два члена Совета взяли и переголосовали против. Классика опенсорса: сначала «давайте сделаем», потом «ой, а сообщество-то против». Претензии понятные: что делать с проприетарными драйверами Nvidia, CUDA и кто будет всё это поддерживать годами? Один совет-член (Хрончок) честно признался — после голосования прилетел такой фидбек от комьюнити, что совесть не позволяет одобрять в текущем виде. Итог: AI-десктоп от Fedora отложили с версии 44 до Flock 2026 (22 мая). Если ждали готовую платформу для ML-экспериментов из коробки — пока продолжаем собирать руками через conda + pip. Детали на Habr 🤡 — сначала да, потом нет 😐 — Nvidia на Linux вечная боль @ai_for_dev

Osaurus: локальные и облачные модели в одном Mac-приложении Ещё один заход на тему «свой AI на своём железе» — на этот раз с Mac-only фокусом. Osaurus — open source приложение, которое цепляется и к локальным моделям, и к облаку (OpenAI, Anthropic), но память, файлы и тулы держит у тебя на маке. Фишка в том, что это harness — как OpenClaw или Hermes, только не из терминала, а с человеческим интерфейсом. И всё крутится в аппаратном песочнике, так что модель не разбежится по всей файловой системе. Автор — экс-Tesla/Netflix, начинал с десктопного ассистента Dinoki, пока клиенты не спросили: «а зачем платить за токены, если можно локально?». Цена входа — 64 ГБ RAM минимум, для DeepSeek v4 уже 128 ГБ. Маководы с M-чипами на 16 гигах — мимо. 🔥 — self-hosted gang 💔 — мак на 16 гигах плачет @ai_for_dev

Туториалы по AI-агентам для прода — всё в одном репо Нашёлся agents-towards-production — большая подборка гайдов о том, как довести AI-агента до боевого состояния, а не «работает на моём ноуте». Внутри: память, RAG с веб-поиском, упаковка в Docker, эндпоинты на FastAPI, guardrails, GPU-масштабирование, браузерная автоматизация, fine-tuning, мульти-агентная координация, наблюдаемость и UI. Код весь открытый, к каждому туториалу — объяснение как развернуть. По сути готовый чек-лист «что я забыл сделать перед тем, как показать агента заказчику». 🔥 — self-hosted gang 👏 — пошёл ставить звёзды @ai_for_dev

SecretScanner — находим забытые токены до того, как их найдут другие Знакомая история: разработчик в спешке закоммитил .env в Docker-слой, потом забыл, и оно уехало в продакшен. SecretScanner от Deepfence — open-source инструмент, который шерстит контейнеры и файловую систему в поисках таких подарков. Ловит ~140 типов секретов: AWS-ключи, OAuth-токены, приватники SSH, пароли в плейн-тексте, JWT и прочее наследие быстрых релизов. На выходе — структурированный JSON с путями и координатами находок. Поставить в CI и регулярно прогонять свои образы — заметно дешевле, чем потом отзывать утёкшие ключи и объяснять security-команде, как именно admin-токен оказался в публичном слое. github.com/deepfence/SecretScanner 😐 — добавлю в CI 👀 — пойду грепнуть старые образы @ai_for_dev

Какую LLM потянет твоя видеокарта? Теперь без гаданий WhatModelsCanIRun — простой сайт, который отвечает на главный вопрос локального инференса: «а влезет ли вообще?» Кидаешь свою GPU (или просто VRAM вручную), указываешь желаемое окно контекста и минимальную скорость в токенах/сек — и получаешь список моделей, которые реально пойдут. Без танцев с ollama, без «ой, OOM на 7B-кванте». Поддерживает NVIDIA, AMD, Intel и Apple — даже владельцам маков есть что потыкать. Удобно перед тем, как качать очередные 40 ГБ весов «на пробу». 🔥 — пойду гонять свою 3090 👀 — надо глянуть, что выжмет мой ноут @ai_for_dev

Bun: миграция Zig → Rust Команда Bun начала портирование рантайма с Zig на Rust. Объём и сроки публично не раскрыты — пока только подтверждён сам факт работы. Технически интересно несколько вещей: - интеграция с JavaScriptCore (форк WebKit на C++) — в Rust придётся либо тащить bindgen, либо собирать FFI-слой руками; - сетевой стек, файловые API и встроенный bundler — самые объёмные куски, которые сейчас на Zig; - ABI-совместимость с уже опубликованными нативными аддонами и N-API. Главный вопрос — мотивация. Zig давал «zero-cost» интеропы с C и компактные бинари; Rust добавляет borrow checker, зрелую экосистему крейтов и понятный найм. Если внутри уже копится сложность управления памятью на масштабе — выбор объясним. 🤔 — borrow checker в рантайме 👀 — жду коммиты в репо @ai_for_dev