Всем привет! Меня зовут Данила, я мидл‑бэкенд‑разработчик, занимаюсь микросервисами и стараюсь следить за тем, что происходит с ИИ‑инструментами на рынке. Я посетил ГигаКонф — конференцию для инженеров, которая прошла в штаб‑квартире Сбера.

Это был открытый инженерный день — на сцене говорили, как ИИ сопровождает продукт на всём жизненном цикле: от написания первой строчки кода и хардкорного продакшена (PDLC) до поддержки (PSLC). А на стендах можно было лично протестировать ИИ‑инструменты, которые внедряют в разработку для автоматизации процессов. 

В первом репортаже уже рассказал, что обсуждали на треках, а здесь нырнём в практику: я прошёл по стендам, потрогал демонстрации и пообщался с командами на тему того, как и чем будем строить наше коллективное агентное завтра.

Октябрь стал для GigaIDE месяцем больших изменений: вышел единый дистрибутив 2026.1, в бесплатном Community-режиме появились C# и Go, а привычные инструменты для Java/Kotlin, JavaScript/TypeScript, Python, баз данных и интеграций получили новые возможности. Собрали главное за месяц — от новых языков до доработок плагинов.

Release notes за предыдущий месяц доступен по ссылке.

Сбер переходит от точечных релизов к регулярному формату: теперь мы будем систематически публиковать дайджесты о новых инженерных решениях, которыми делимся в открытом доступе. Наша цель — сократить путь от внутренней разработки до практического применения в индустрии, передавая сообществу проверенные инструменты для решения реальных задач.

В этом дайджесте Сбера — три инструмента, которые наши инженеры создали для практических задач и открывают для внешних команд: HG SDLC, Spring AI GigaChat и Schedulex. Разберём, где они могут пригодиться, как устроены и что учесть перед использованием.

Как сохранить контекст между этапами разработки с ИИ-агентами?
Как встроить GigaChat в Java-приложение?
Как связать фоновую задачу с бизнес-транзакцией и восстановить работу после перезапуска?

Каждое из решений отвечает на один из этих вопросов. Поехали!

Привет всем! Меня зовут Валерий. Я мог бы сочинять музыку, но знаю только три ноты: C, C# и F#, поэтому работаю системным аналитиком в Сбере, а код сочиняют разработчики с ГигаКодом, они знают ещё много разных нот. Мне кажется, что я умею читать и писать, но, когда я начинаю сомневаться в последнем навыке, добавляю в свою писанину диаграммы.

В детстве мы играли в «Весёлую ферму», а летом 2026 года увидели на Kaggle соревнование Kaggriculture. Здесь два агента ведут соседние фермы: выращивают урожай, держат скот и продают продукцию на общий рынок. Через 30 игровых дней побеждает тот, у кого больше денег.

Мы из команды DS B2C Сбера. За два месяца проверили шесть подходов — от скрипта с правилами до трансформера на 20 млн параметров. Заняли 436-е место из 10 148 команд и получили серебро.

Представьте: на столе техническое задание и три предложения подрядчиков. Цены — за разные периоды, часть условий вынесена в приложения, у одного предложения не хватает обязательной работы. Нужно всё прочитать, сопоставить, пересчитать на одинаковых условиях и подготовить записку с источниками.

Можно попросить ИИ объяснить, как это сделать. а можно дать ему документы и инструменты и поручить саму работу: пусть читает, сверяет, считает и возвращает результат. Во втором случае модель уже управляет выполнением задачи. Это и есть агент.

Под капотом знакомый цикл: модель выбирает инструмент и параметры вызова, обычный код исполняет инструмент, результат возвращается модели. И так по кругу. Этот принцип — рассуждать, действовать, смотреть на результат — лежит в основе ReAct.

Двигатель и четыре колеса есть и у грузовика, и у легковушки, но взаимозаменяемыми они от этого не становятся. С агентами та же история: всё интересное начинается с вопросов, которые в псевдокод не попали.

-Можно ли вообще выполнять предложенную команду?

— Что делать, если инструмент вернул гигабайт текста?

— Как продолжить работу, когда контекстное окно закончилось?

— Достаточно ли фразы модели «готово», чтобы закрыть задачу?

Всё это собирается в обвязку (harness) — среду исполнения агента: цикл, инструменты, память, проверки, лимиты и историю действий. Здесь и находится большая часть инженерной работы.

Мы в GigaCode R&D разрабатываем модели для агентных задач. Нам нужен был исполнитель, с которым можно экспериментировать, получать данные для обучения и решать прикладные задачи. Так появился GigaCode Universal Agent — открытый проект на Python с подключением моделей через chat/completions API.

Расскажем, что стоит вокруг агентного цикла и как одно ядро используется для работы с документами, кодом и внешними системами.

Привет, Хабр. Я Михаил Мирошников из департамента данных и рекомендательных систем B2C Сбера. Расскажу о переменах в подготовке банковских коммуникаций: об ИИ-генерации текстовых форматов, их почти моментальном согласовании при помощи LLM-проверок и о том, куда это всё ведёт контентные команды.

Бэкенд на Java, скрипты на Python, React на фронтенде, сервисы на C#, несколько компонентов на Go — всё это живёт в одном продукте. Но до сегодняшнего дня разработчику приходилось держать под рукой три-четыре среды, чтобы поправить HTTP-обработчик, запустить тесты или проверить зависимости.

Мы продолжаем расширять возможности GigaIDE: теперь Go доступен бесплатно в Community-режиме. Плагин Go включает анализ кода, запуск, отладку, тесты, зависимости и мониторинг приложения.

26–28 ноября пройдёт AI Journey — ежегодная международная конференция по ИИ. Мероприятие будет полезно разработчикам, исследователям, инженерам, а также владельцам бизнеса и продакт-менеджерам, которые превращают сложные модели в реальные сервисы.

Программа конференции объединит ведущих мировых спикеров из Китая, Индии, Бразилии и других стран. Вас ждут три тематических дня:

🔘 День Общества (полностью онлайн), 26 ноября
Роль ИИ в настоящем и будущем, развитие технологий, их влияние на трансформацию общества, а также трек AI Junior для начинающих исследователей.

🔘 День Бизнеса, 27 ноября
Работающие решения, кейсы коллег и опыт превращения моделей в реальные продукты.

🔘 День Науки, 28 ноября
Свежие исследования, доклады учёных, постерная сессия статей уровня конференций A/A*.

AI Journey — это возможность познакомиться с передовыми ИИ-разработками, послушать выступления лидеров индустрии в рамках трека AIJ Global, углубиться в технические детали на AIJ Deep Dive, обсудить идеи с профессиональным сообществом и вживую познакомиться со специалистами со всего мира.

📍 Москва, штаб-квартира Сбера на Кутузовском проспекте или онлайн на сайте. Участие бесплатное, нужна регистрация.

Проанализировать речь доклада, подготовить код‑ревью и составить саммари встречи — задачи, на которые часто не хочется тратить уйму времени. Дак может, делегировать это аудиомодели?

Мидл‑разработчик протестировал такую audio‑native модель GigaChatAudio на разных рутинных операциях и поделился выводами. Тогда команда Сбера решила пойти ещё дальше и внедрила модель в работу ИИ‑оператора контакт‑центра, чтобы помогать с нестандартными запросами. В галерее‑комиксе узнаем, как модель помогает справляться со сложными кейсами и ищет общий язык с клиентами.

Весь год на Хабре то и дело всплывают дискуссии: останется ли место программистам в мире, где ИИ‑агенты забирают всё больше задач? Но одно дело читать диванную аналитику и прогнозы, а совершенно другое — адаптироваться к новой реальности и смотреть, как всё это крутится в проде. 16 октября я отправился на инженерный день ГигаКонф-2026 в штаб‑квартиру Сбера, чтобы своими глазами увидеть, насколько глубоко ИИ интегрировался в инженерные процессы рынка.

Меня зовут Данила, я backend‑разработчик, пилю микросервисы и активно слежу за развитием ИИ‑инструментов. В этой статье собрал с прошедшей конференции все мысли и выступления, которые показались мне наиболее интересными: от харнессов и архитектуры ГигаАгента до запуска моделей на игровых видеокартах. А ещё я узнал, что вообще остаётся инженеру в эпоху яичницы.

Спойлер: писать код нам всё‑таки придётся. Но постепенно это становится не самой сложной частью работы.

Привет, Хабр! Меня зовут Илья Баранов, я лид тестирования в Сбер Диск. Я уже много лет занимаюсь автоматизацией тестирования и прошёл долгий путь от кликеров до современных мультиагентных систем.

Давайте проследим эту эволюцию. Сразу подчеркну: материал в статье буду подавать не хронологически, а в том порядке, как те или иные технологии и продукты попадали ко мне и были мной освоены. Возможно, часть их вы перескочили сразу, но сейчас я хочу рассказать про свой опыт, а не просто сделать сводку инструментов автоматизации. И именно поэтому я не буду углубляться в технические аспекты той или иной системы, а расскажу в первую очередь, какие проблемы и задачи я решал с помощью этих технологий.

Типичная картина: в одном проекте Backend на Java, вспомогательные сервисы на Python, интерфейс на TypeScript, а один микросервис — на C#. Знакомо? Последний компонент часто означает вторую IDE, другие горячие клавиши, отдельные настройки и постоянные переключения между средами. В GigaIDE появилась поддержка C# и .NET. C# больше не требует отдельной IDE: разработка ведётся в единой среде, без переключений и потери контекста. Функция доступна бесплатно в Community-режиме.

В одной из прошлых статей я переписал простую нейронную сеть с Python’а на Java, что позволило мне начать подробнее изучать нейронные сети, а также ставить эксперименты с ними. Я решил попробовать нестандартный подход и алгоритмически решить задачу распознавания рукописных цифр из набора MNIST. Для этого сравнил образец со средним экземпляром класса, а также сравнил их моменты Ху. Полученные результаты сопоставил с решением на основе нейронной сети, и выбрал победителя. 

Привет, Хабр! Я Владимир Лушин, делаю ИИ-агенты и инструменты для работы с кодом. Статья, вроде, серьёзная, но с пуделями. Так уж вышло, что дрессировка собаки объясняет внимание в LLM понятнее любых формул с softmax.

В карточках свежих open-source моделей везде написано «1 млн контекста». Внутри при этом точно читается совсем другое количество токенов: GLM-5.3 выбирает для каждого шага 2048 токенов из истории, DeepSeek-V4-Pro — 1024 сжатых блока, а у Qwen3.8 и Kimi K3 всю историю целиком видит лишь каждый четвёртый слой.

Для агента это быстро становится вполне практической проблемой: правило из AGENTS.md к сотому вызову инструмента тихо перестаёт работать, и «ну вот же оно, в контексте!» уже не аргумент. Я полез разбираться, как устроено внимание в открытых моделях 2026 года и что с этим делать в обвязке, чтобы агент не забывал правила к середине сессии.

Примечание:

- Все свежие открытые модели читают длинный контекст выборочно. Три семейства: разрежённое top-k (GLM-5.x, DeepSeek-V4, MiniMax M3), гибриды «3 линейных + 1 полный» (Qwen3.5—3.8, Kimi K3, GLM-5.3-Flash), скользящее окно + глобальные слои (Gemma 4).

- Гарантированно точно читаются только последние сотни токенов. Всё остальное должно либо «выиграть отбор» по релевантности, либо дожить в сжатом виде.

- У большинства моделей качество ломается где-то в районе 128—256 тыс., а Kimi K3 с компактизацией на 300 тыс. обгоняет саму себя с полным окном в 1 млн.

- Обвязке важнее, куда положить текст, чем что в нём написать. Лучше всего работают чистка старого вывода инструментов, поиск по запросу вместо «залить всё», постепенное раскрытие, состояние вне окна, повтор правил в конце.

- А то, что нельзя нарушать никогда, закрывайте хуками и правами доступа, вниманию такое доверять не стоит.

Сразу поясню: часть конфигураций я читал прямо из config.json на Hugging Face, часть — из карточек и техотчётов. Где данные вторичные, я это помечаю. А всё про «что модель читает» я вывожу сам из архитектуры, разработчики такого нигде не заявляли.

Читая новости, невольно офигеваешь удивляешься тому, что могут современные роботы. Судите сами: гуманоид Tesla наливает гостям напитки, гуманоид Figure укладывает детали на заводе BMW, китайские роботы бегают полумарафон и крутят сальто (не спрашивайте, зачем), а наш сберовский Грин уже вовсю танцует.

Это реально впечатляет, и за всем этим стоит серьёзная работа и достижения. И всё же… Тут есть нюанс. Изнутри мир робототехники выглядит иначе, чем он видится людям снаружи.

Напоминаю, что меня всё ещё зовут Олег Плотников, я руководитель продукта «Цифровая промышленность». Как и обещал, сегодня я расскажу про ИИ. Но начнётся этот разговор совсем не с RAG, ИИ-агентов, LLM и прочей офисной автоматизации. Поговорим сразу про тяжёлую артиллерию будущего: Physical AI. Говорят, что это ИИ для роботов. Отчасти это правда, но не вся.

Итак, в новостях роботы крутят сальто, а на настоящих заводах — например, на том самом заводе BMW в Спартанбурге, где снимали ролики с гуманоидами Figure, — работают тысячи обычных промышленных роботов. Больше 2000 в одном только кузовном цехе. И некоторые из них программируют почти так же, как в 1985 году: человек с пультом подводит руку к нужной точке и жмёт «записать». Потом к следующей, и так всю программу, точка за точкой. Да, на больших автозаводах активно используют офлайн-программирование, но принцип воспроизведения заранее подготовленной траектории никуда не делся.

Получается удивительное соседство. С одной стороны, мы уже живём в мире, где робот адекватно ходит по заводу и даже может что-то перепрыгнуть. С другой — реальная роботизация строится на роборуках, которые всю смену ездят по записанным координатам и, по сути, являются специфичным станком с ЧПУ. Не всегда и не везде, но на огромном числе операций именно так.

Привет! На связи Данил, TypeScript‑разработчик в команде Platform V DataSpace в СберТехе. DataSpace — это модуль платформы для визуальной (low‑code) разработки бизнес‑приложений и управления данными. Он предоставляет GraphQL API для работы с базой данных. Мы развиваем продукт уже несколько лет, но сейчас из‑за бурного развития ИИ и MCP появилась вполне ожидаемая задача: подключить этот API к ИИ‑агентам через Model Context Protocol (МСP).

MCP нужен, чтобы ИИ‑клиент мог обнаруживать инструменты, понимать их входные параметры и вызывать внешние системы через стандартный протокол. На первый взгляд GraphQL хорошо подходит на роль источника MCP‑инструментов: схема уже описывает типы, входные аргументы и форму результата, но сама по себе не отвечает на главный вопрос: «какую часть API и с каким уровнем свободы следует открыть агенту?».

В DataSpace сценарий получился таким:

- есть API GraphQL поверх модели данных;

- есть ИИ‑агент, которому нужно выполнять прикладные действия;

- между ними нужен MCP‑адаптер;

- команда бэкенда хочет сохранить контроль над контрактом, типами и безопасностью.

Вопрос оказался не в том, можно ли подключить GraphQL к MCP. Можно. Интереснее другое: какой формы должен быть MCP‑адаптер для API GraphQL?

В этой статье я расскажу про несколько вариантов таких адаптеров и про наш выбор: генерировать MCP‑инструменты из заранее подготовленных GraphQL-операций.

Привет, Хабр! На связи Михаил Семёнов, владелец продукта СУБД Platform V Pangolin DB.

Высокая нагрузка OLTP? VACUUM необходим, но нагружает базу? Непрерывный bloat и отстающая реплика? Мы привыкли списывать это на характер нагрузки, но давайте критически посмотрим на классический heap и поддержание целостности и многозначности данных.

В статье разберу альтернативу — индекс‑организованное хранение (IOT). Покажу, как IOT решает эти проблемы, ускоряет работу с данными, не меняя интерфейса (прозрачно для клиента).

В Pangolin мы добавили новый вариант хранения (индекс-организованный), который, помимо оптимизации хранения, более чем вдвое ускорил работу с данными без изменения интерфейса PostgreSQL.

Статья будет полезна DBA, тимлидам, СТО и архитекторам Enterprise-компаний и поможет решить проблемы масштабируемости PostgreSQL без смены стека технологий и эффективно использовать бюджет на инфраструктуру.

Pro-сборка была важным этапом в развитии GigaIDE: она позволила быстрее развивать профессиональные инструменты, собирать обратную связь от корпоративных пользователей и проверять сценарии, которые выходят за рамки Community-версии. Но у отдельного дистрибутива есть и обратная сторона: пользователю нужно выбирать сборку, командам — отдельно управлять установками, а продукту — поддерживать лишнюю развилку там, где её уже можно убрать.

Добро пожаловать в будущее!

Представьте: вы приходите на выставку стартапов и встречаете робота как из фильма «Я, робот». Он стоит перед вами, смотрит в глаза, двигает руками и разговаривает, только вместо спасения человечества пока учится выполнять вполне конкретные задачи на производстве. Это не сцена из фантастики, а выставка стартапов на Московском стартап‑саммите, который прошёл в конце сентября в СберСити. 

Привет, Хабр! Меня зовут Сергей Лавров, и это мой второй репортаж с Московского стартап‑саммита, который организовали Правительство Москвы и Сбер. 

В первой статье я рассказал о своих впечатлениях от выступлений, а здесь предлагаю пройтись по выставке вместе и посмотреть, как фантастические сценарии превращаются во вполне рабочие технологии.