Работаю над большим C++ проектом - реализация сетевого протокола. Использую Claude Code как основной инструмент. Со временем заметил: каждый новый чат начинается с того, что агент долго читает README.md, который разросся до 1000+ строк и 60 КБ.

Проблема

В CLAUDE.md была прописана команда читать README.md в начале каждого диалога, агенту нужно дать контекст проекта. Пока проект был небольшим это работало нормально. Но README рос вместе с проектом и в итоге стал содержать всё: архитектуру, логику DTLS, настройки веб-интерфейса, описание протокола, инструкции по сборке.

И как результат:

• Агент тратит тысячи токенов на анализ файла до начала работы

• Если задача касается только фронтенда, модель всё равно загружает детали реализации ядра протокола. Лишний контекст снижает точность ответов.

Решение

Вместо одного большого файла использовать иерархию маленьких, в отдельной папке claude-context/:

claude-context/
├── context-claude.md       # общая архитектура и навигация (~90 строк)
├── context-AC-claude.md    # Access Controller
├── context-WTP-claude.md   # WTP Agent
├── context-WEB-claude.md   # Web Interface
└── context-TESTS-claude.md # тесты

Главный файл context-claude.md содержит краткое описание проекта и таблицу-навигатор: какой файл читать для какой области. В дочерних файлах описана детализация по модулям, каждый 100-130 строк.

Инструкция в CLAUDE.md теперь выглядит так:

“Start each new conversation by reading claude-context/context-claude.md. For deeper context on specific areas, read the relevant file from that directory.”

Агент читает главный файл (90 строк), понимает область задачи, подгружает только нужный дочерний контекст.

Замер

Чтобы проверить эффект, я поставил Claude одну и ту же задачу в двух разных конфигурациях:

“Добавь тесты для WtpConfigController и WtpRadioController, проверь что если WTP address не строка, то возникает исключение std::runtime_error”

| Параметр             | README.md (60 КБ) | Иерархический контекст | Разница  |
| :------------------- | :---------------- | :--------------------- | :------- |
| Токены на сообщения  | 36.8k             | 17.6k                  | -53%     |
| Всего токенов        | 56.7k             | 37.6k                  | -34%     |
| Рост usage за задачу | +11%              | +6%                    | В 2 раза |
| Скорость анализа     | Заметная пауза    | Почти мгновенный старт |          |

Важный момент

README.md остался нетронутым - это документация для людей. Файлы в claude-context/ - отдельный артефакт, написанный под AI: плотно, без лирики, с ASCII-схемами и таблицами. Я старался не смешивать два разных назначения в одном файле.

При небольшом проекте в этом подходе смысла нет, накладные расходы на поддержку двух наборов документации не оправдаются.

Задействованы самые современные веб-стандарты, однако:

• Заявляется отсутствие VDOM, однако он есть, со всеми вытекающими.

• Любое исключение капитально ломает весь компонент.

• Неизбежные конфликты имён компонент всё ломают.

• Адовые тормоза и потребление памяти из-за привязки к DOM.

• Тонны бойлерплейта, если нужна кастомизация хотя бы стилей компонент.

Поблагодарить: https://boosty.to/hyoo
Обсудить: https://t.me/giper_dev

Первые шаги в компьютерной графике(web визуализатор звука + no code решение). Поделюсь находками за 5 лет изучения темы.

Текст подойдет любому читателю которому интересна выразительная часть цифрового мира.

— Что такое креативное программирование?

Использование компьютера для создания изображений или звука. Например: realtime визуальные эффекты(аудиореактивная графика для музыкальных фестивалей), создание визуального искусства(генеративная графика) и дизайна, разработка художественных инсталляций, звукового искусства и даже рекламы.

— Разбор проекта: визуализатор звука

—— AnalyserNode (WebAudio API)

const audioCtx = new AudioContext();
const FFT = audioCtx.createAnalyser();
const source = audioCtx.createMediaStreamSource(stream);

source.connect(FFT); // анализ
analyser.connect(audioCtx.destination); // вывод звука

const bufferLength = FFT.frequencyBinCount;
const dataArray = new Float32Array(bufferLength); // массив для записи данных

—— Отрисовка браузерным API (почти no code)

Мы преобразуем массив данных(полученный от анализа аудиосигнала) в градиент, чем мощнее сигнал на определённой частоте, тем ярче будет цвет на градиенте. Таким образом мы получаем визуализацию звука в realtime.

// Отрисовка частотных компонетов аудиосигнала через createLinearGradient
  function renderSpectrum(g) {
    g.strokeWeight(0);
    g.drawingContext.fillStyle = "black"; // цвет фона
    g.rect(0, 0, WIDTH, HEIGHT); // заливка фона

    const subSize = Math.floor(WIDTH * 0.02);
    const gradient = drawingContext.createLinearGradient(
      subSize,
      HEIGHT / 2,
      WIDTH * 2,
      HEIGHT / 2
    );
  
    FFT.getFloatFrequencyData(dataArray);
    levels = dataArray; // данные от анализа сигнала Быстрым преобразованием Фурье 

    // создаем градиент из аудиоданных
    for (let i = 0; i < levels.length; i++) {
      const v = getValue(levels[i]); // нормализация данных
      // const pos = getPos(i);
      const pos = linear_to_logarithmic(getPos(i));

      // чем мощнее сигнал(0-1) тем выше значение alpa в цвете градиента rgba
      gradient.addColorStop(pos, `rgba(255, 255, 255, ${v.toFixed(2)})`);
    }
    g.drawingContext.fillStyle = gradient; // устанавливаем полученный градиент как стиль заливки
    g.rect(0, 0, WIDTH, HEIGHT);// отрисовываем градиент на весь холст 
  }

Браво! Вы создали визуализатор звука! В левой части изображения отображены низкие частоты(саб и басс), в центре находятся средние частоты(соло скрипок/гитар, фортепиано, вокал) и в правой части мы видим верхние частоты(хай хеты).

— NoCode решение (в среде визуального программирования TouchDesigner)

Для визуализации сигнала используется готовый компонент — нода Audio Spectrum CHOP

https://i.postimg.cc/QMB1Pxnj/Snimok-ekrana-2026-04-25-v-14-28-39.png (пример проекта из 3 нод: AudioFileInCHOP -> AudioSpectrumCHOP -> chopToTOP )

Больше про медиадизайн у меня в канале: https://t.me/mediapancake

🌲 Открываем регистрацию на Дебаг Кемп

Мы придумали формат, который давно хотели сами: выбираешься из города, два дня в сосновом лесу на Карельском перешейке — маршрут, костёр, мастер-классы по выживанию, нетворкинг без слайдов и питчей. Просто люди, с которыми интересно, и никакого Slack-а.

📅 6–7 июня 2026 (выходные) 👥 Всего 25 мест — маленький формат, это принципиально.

Цена растёт по мере приближения к дате. Оплатить можно частями через сплит → регистрация

Если вы 💎 практик сообщества — скидка 15% применяется при регистрации автоматически. Ещё не практик, но думаете? Сейчас самый разумный момент.

👀 Узнать больше · 📝 Регистрация

Вопросы — в чат, мы там живём.

• запись включается только в момент происшествия. Например, в кадре прошёл человек или животное;

• умеет распознавать лица и объекты;

• может собрать в одну сеть камеры от разных брендов;

• все данные сохраняются локально;

• поддерживает все популярные бренды: Hikvision, Dahua, Reolink и другие;

• Устанавливаете Brave Browser

• Открываете приложение YouTube, листаете ролики, находите то что вам хочется посмотреть

• Нажимаете на "Share/Поделиться" (эта кнопка есть и на основной странице видео, и в меню из "трёх точек" над каждым видео в списках) и выбираете среди приложение Brave Browser

• Наслаждаетесь просмотром видео без рекламы

Brave так же продолжает проигрывать видео в фоновом режиме, когда активно другое приложение, и даже когда отключен экран телефона. А если залогиниться под своей гугл учёткой — то конечно можно и лайкать, и комментировать, и видеть свои подписки и рекомендации.

Если бы я наткнулся на эту статью в самом начале работы с блокчейном ТОН, это бы сэкономило мне кучу времени на понимание архитектуры и принципов работы смарт контрактов.

Что такое смарт контракт с точки зрения разработчика.

Я постараюсь уберечь вас от терминологии блокчейна, вместо этого на пальцах показать из чего состоит смарт контракт и как его собрать. Если говорить совсем просто, то смарт контракт - это ячейка в памяти, хранящая в себе:

• Адрес

• Баланс

• Любые данные, которые вы туда запишите

• Код смарт контракта

• Текущий статус смарт контракта

Ну или если перевести вышесказанное в код, то:

class SmartContract{ 
   readonly address: string; 
   readonly balance: number; 
   readonly code: string; 
   readonly status: 'uninitialized' | 'active' | 'frozen'; 

   storage: object; 
   ... 
}

Плавное погружение...

Представьте, вы написали код класса на своем любимом языке программирования, как полагается, с полями и методами, и превратили этот код в строку. Code - это и есть код вашего смарт контракта. Он будет выполняться в блокчейне. Точкой входа в таком коде будет метод onInternalMessage или onExternalMessage. Чтобы состояние полей класса можно было сохранять и перезаписывать, к смарт контракту прилагается объект Storage , в котором хранятся значения ваших полей.

При сохранении смарт контракта в блокчейн вы отправляете { code, data } , где code - это код вашего смарт контракта, data - начальные данные. По этим двум полям вычисляется будущий адрес смарт контракта: address = hash({ code, data }). По этому адресу будет доступен ваш смарт контракт в блокчейне ТОН. На него можно совершать переводы, просматривать историю транзакцию, с него может переводить средства и вызывать другие смарт контракты.

Как происходит деплой смарт контракта.

Каждый смарт контракт платит немного комиссии по факту своего существования, в пример вспоминается налог на недвижимость. Чем больше жилплощадь - тем больше налог. Но в рамках ТОН вы платите за количество данных, которое хранит ваш смарт контракт, включая сам код вашего смарт контракта. Поэтому при создании на нем должно лежать как минимум чуть-чуть ТОН(как правило копейки). Создать смарт контракт можно 2 способами:

1) Другой смарт контракт делает перевод ТОН, прикрепляя код вашего смарт контракта вместе с начальными значениями(data) в поле Init = { code, data }. Блокчейн видит в переводе это поле и автоматически делает деплой. Статус смарт контракта становится "active".

2) Другой смарт контракт так же делает перевод ТОН, но только не прикрепляя ничего. В таком случае средства останутся висеть на адресе пустого смарт контракта, который будет выглядеть примерно так:

{ 
   "address": "401bf...3004", 
   "balance": 3000, 
   "code": "", 
   "storage": {}, 
   "status": "uninitialized" 
}

Он ждет внешнее сообщение, где в него передадут код и начальные данные таким образом, чтобы address = hash({ code, data }), только тогда он сохранит код и сможет выполняться. Для вызова внешнего сообщения используется обычное API, где передается адрес и Init = { code, data } . Запрос сначала попадет в блокчейн, после чего при совпадении адреса address = hash({ code, data }) произойдет деплой, и статус станет "active".

Заключение

В этой статье мы с вами закрепили азы архитектуры блокчейна ТОН, где каждый адрес является адресом смарт контракта. Разобрали структуру и механику создания. Рады вашему фидбеку или вопросам! Следите за нашими анонсами и новостями в Telegram.

Вчера OpenAI выпустил GPT-5.5. Сегодня DeepSeek выложил V4 – открытые веса, MIT-лицензия, 1М токенов контекста. Тайминг, конечно...

8 технических инноваций

Техническое описание V4 впечатляет не столько отдельными решениями, сколько плотностью инноваций – DeepSeek упаковал в один релиз больше новых техник, чем большинство лабораторий выпускают за год. Не все из них обязательно окажутся одинаково эффективными, но уровень инженерной амбиции – зашкаливающий.

1. Гибридное внимание (CSA + HCA)

Классический механизм Attention был серьёзно доработан. Теперь используется комбинация Compressed Sparse Attention и Heavily Compressed Attention, заменившая Multi-head Latent Attention из V3 и DeepSeek Sparse Attention из V3.2. У этого есть свои ньюансы и "цена". Эксперты пишут, что это может серьезно влиять на применимость модели в задачах с легаси кодом, так как компрессия контекста будет приводить к тому, что Дипсик 4 сможет корректно работать только с тем, кодом, который написал сам, а на легаси могут быть сюрпризы.

Результат: на окне в 1 миллион токенов модель потребляет лишь 27% вычислений и 10% памяти (KV-кэша) по сравнению с V3.2. Читать целые кодовые базы и книги стало экстремально дешево.

2. Оптимизатор Muon на триллионном масштабе

Индустрия привыкла к оптимизатору AdamW – он де-факто стандарт для обучения трансформеров. DeepSeek перевёл большую часть параметров на Muon – это первый публично известный случай применения Muon на модели масштаба 1.6T параметров.

Muon дал более быструю сходимость и стабильность при обучении гигантской MoE-архитектуры. Ранее он валидировался только на существенно меньших масштабах.

3. Гиперконнекции (mHC)

Классические остаточные связи (residual connections) между слоями нейросети были заменены на Manifold-Constrained Hyper-Connections. С помощью проекции на многообразие Биркгофа через итерации Синкхорна–Кноппа они устранили риск того, что сигналы "взорвутся" при обучении очень глубокой сети – проблему, которая убивала предыдущие попытки сделать обучаемые остаточные связи.

Накладные расходы: всего ~6.7% дополнительных вычислений. Техника была впервые опубликована DeepSeek в январе 2026 года.

4. Слияние знаний через On-Policy Distillation (OPD)

Вместо того чтобы в конце обучать модель всему одновременно (что приводит к размыванию компетенций), авторы пошли двухэтапным путём:

1. Сначала обучили 10+ узких ИИ-экспертов (отдельно математик, отдельно кодер, отдельно логик и т.д.) через SFT + GRPO (reinforcement learning).

2. Затем через On-Policy Distillation аккуратно "перелили" знания каждого эксперта в единую финальную модель.

Это устранило проблему, когда знания из одной области мешают другой – так называемое cross-domain interference.

5. Генеративный судья (GRM)

Для обучения сложным задачам DeepSeek отказался от классических скалярных "оценщиков" (как в стандартном RLHF). Вместо числовой оценки "хорошо/плохо" модель теперь сама текстово анализирует свои шаги – Generative Reward Model. Это качественно более богатая обратная связь при обучении.

6. Три режима мышления "из коробки"

Глубиной рассуждений модели можно управлять:

• Non-Think – быстрый интуитивный ответ

• Think-High – вдумчивый анализ

• Think-Max – "выжми педаль в пол": модель расписывает все гипотезы, ищет краевые случаи и доказывает свой ответ (требует ≥384K контекста)

Think-Max – это режим, в котором DeepSeek замеряет свои лучшие бенчмарки. На HLE он поднимает score с 34.5 до 37.7, на SimpleQA-Verified – с 46.2 до 57.

«Хватит мечтать, займись делом! Почему важнее хорошо работать, чем искать хорошую работу» Кэл Ньюпорт

Отличная книга, при случае рекомендую всем знакомым. Особенно программистам, выбравшим стратегию почаще менять работу, нигде подолгу не задерживаясь и ничему особо не учась.

Меня зацепило, наверное, то, что автор изложил стратегию, похожую на предложенную мной в статье «Комплект увольнения» — на каждой работе, должности, проекте нужно стремиться получить максимум разнообразного опыта. Потому что этот опыт останется с тобой, в отличие от заработанных денег, должности и положения в конкретной организации.

Автор книги выразил ту же мысль лучше, даже показатель придумал — «карьерный капитал». Который, собственно, и надо копить. И на его увеличении сосредоточиться. Глаз немного цепляется за слово «карьерный», как будто речь о должности или положении — не обращайте на это внимания, просто слово не очень удачное выбрано. Или переводчики не нашли более подходящего.

Короче, книга прекрасная. Помогает расставить приоритеты, сосредоточиться на том, что точно важно и не пропадёт даром.

С моим опытом эта книга коррелирует процентов на 100. Изложенные в ней подходы к работе — моя карьерная стратегия как минимум уже лет 10. Где бы ты ни работал, чем бы не занимался — всегда думай, в первую очередь, о своём опыте и связах. Ничего другого ты на новую работу с собой не утащишь.

Тех же, кто концентрировался не на своём опыте, не на реальных навыках, не на результатах, а на текущем положении, возможности «войти в айти» и заработать на волне, вы можете наблюдать прямо сейчас на рынке труда. Если верить эйчарам, то ситуация там такая: кандидатов — толпы, а работать — некому. Потому что не научились, а не научились — потому что не учились. Работали на высоком рынке, рынке продавца, и думали, что так будет всегда.

Мы с Кэлом Ньюпортом утверждаем 😊: рынок труда будет постоянно меняться, а вечные ценности остаются.

Недавно залип на тему рынков предсказаний где люди ставят на исход событий, а в итоге получается некое “коллективное мнение” в цифрах.

Сначала относился скептически, но потом задумался:
если человек рискует деньгами (или хотя бы чем-то), он ведь будет думать чуть внимательнее, чем просто “мне кажется”.

Посмотрел ради интереса разные платформы, включая одну под названием Globet Market и там довольно наглядно видно, как меняется вероятность событий со временем.

Иногда это выглядит логично, а иногда как чистая реакция толпы.

И вот не понимаю до конца:
это реально более точный способ оценки
или просто красиво оформленная версия “угадайки”?

Как думаете?

В облачной и серверной версиях Диска VK WorkSpace реализованы новые возможности для повышения защищенности и восстановления корпоративных данных: расширенные аудит и поиск по общим папкам, а также корзина домена. Обновления позволяют компаниям отслеживать действия администраторов и оперативно восстанавливать удаленную информацию. 

Благодаря расширенному аудиту система более прозрачно и понятно для наблюдателя ИБ отображает действия администраторов, которые вошли от имени пользователя. Это упрощает расследование инцидентов и обеспечивает соответствие корпоративным регламентам и стандартам.

В Диске VK WorkSpace появилась корзина домена. Если пользователь удаляет файлы или папки из общей папки, они отправляются в корзину домена. Время хранения в корзине устанавливает администратор. В этот период он может восстановить папку со всем содержимым и правами доступа или удалить окончательно. Также администраторы получили доступ в корзины общих папок. Например, если бухгалтер по ошибке удалил квартальную отчетность из общей папки, она попадет в корзину общей папки, откуда можно будет ее восстановить ее за пару кликов.

Администраторам стал доступен расширенный поиск по всем общим папкам Диска. Если сотрудник потерял файл, администратор сможет его найти. Папки можно искать по названию, файлы — по названию, формату, автору, дате создания или изменения и размеру. В облачной версии Диска также можно удалять папки и файлы из результатов расширенного поиска.

Поймал себя на банальной, но показательной вещи: в какой-то момент у меня в браузере было открыто больше 40 вкладок. Причём не потому, что они реально нужны просто «на потом».

Интересно, что почти у всех знакомых ситуация плюс-минус такая же. И это уже не просто привычка, а что-то вроде цифрового поведения по умолчанию.

Если посмотреть на это чуть шире, вкладки это по сути внешняя память. Мы открываем страницу не потому, что прямо сейчас её читаем, а чтобы «не потерять». То есть перекладываем задачу с мозга на браузер.

Но тут есть нюанс.

По разным опросам и исследованиям поведения пользователей:

• значительная часть открытых вкладок никогда не пересматривается

• люди регулярно держат открытыми десятки страниц, но активно используют только 3–5

• визуальный перегруз (много вкладок) снижает концентрацию и увеличивает ощущение хаоса

И это ощущается на практике. Когда открыто 5 вкладок ты понимаешь, что делаешь. Когда их 30+ ты уже просто переключаешься между ними без системы.

Получается странный эффект:
мы открываем вкладки, чтобы быть более продуктивными, но в итоге создаём себе дополнительный шум.

Ещё интересный момент психологический.
Открытая вкладка даёт иллюзию прогресса. Типа: «я уже начал разбираться». Хотя по факту просто отложил решение.

Это чем-то похоже на список дел, в котором задачи не выполняются, а просто копятся.

Лично у меня есть два сценария:

1. Либо я закрываю всё разом (и половину даже не открываю перед этим)

2. Либо продолжаю накапливать, пока браузер не начинает тормозить

И оба варианта, если честно, далеки от идеала.

Интересно, что с этим делают другие:

• кто-то принципиально держит не больше 5–10 вкладок

• кто-то использует “read later” сервисы

• кто-то вообще работает в одном окне и всё остальное закрывает

Но универсального решения, кажется, нет.

Вопрос скорее в другом:
мы правда работаем с информацией или просто создаём её иллюзию?

Проекты, связанные с интеграцией искусственного интеллекта, всё чаще становятся частью повседневной разработки. Один из таких проектов — Semantic Kernel. Он представляет собой SDK для построения AI-агентов и оркестрации LLM-сценариев и активно развивается компанией Microsoft.

Однако под капотом даже самых современных решений скрывается вполне обычный C# код со всеми присущими ему проблемами. Поэтому мы проверили проект и написали статью о самых интересных ошибках в коде Semantic Kernel.

Рынок меняется быстрее, чем успевают обновляться резюме. Чтобы не догонять, а двигаться наравне, важно учиться на актуальных инструментах и практиках — тех, которые уже используются в работе.

В Яндекс Практикуме мы регулярно обновляем программы: добавляем работу с нейросетями, пересматриваем стек и усиливаем практическую часть, чтобы знания можно было применять сразу, а не «когда-нибудь потом».

До 30 апреля действует скидка 15% на все курсы — можно выбрать направление и начать обучение на более выгодных условиях.

Если давно откладывали переход в новую сферу или хотели прокачать навыки — это хороший момент, чтобы начать.

Выбрать курс и забрать скидку →

В предыдущих постах Разбираемся в in-memory базах и Выбираем базу и думаем о данных.

Взлетаем, создал репозиторий под проект https://github.com/mathter/memifydb.git

План

План общий такой:

• Изначально строю некоторый каркас, который буду достраивать и наполнять содержанием. Это будет удобно для прототипирования.

• Для работы с данными создам некоторый дополнительный уровнь абстракции, что бы не привязываться к конкретному формату данных/библиотеке и менять его налету для сравнения.

Сделано

• Данные клиента будут храниться в space’ах - это будет аналог таблиц в БД. Для начала будет только key-value space что бы можно было подумать уже сейчас о WAL клиенской библиотеке для java и сетевом уровне в целом и конечно же о транзакциях.

• Тестовая реализация WAL, которая в проекте будет называться Log.

Run.

🍎 Конец эпохи: Тим Кук уходит с поста Apple

Кажется, Стив Джобс совсем недавно ушёл из жизни и передал бразды правления Apple Тиму Куку. На самом деле прошло без малого 15 лет, и теперь пришла пора Куку сложить с себя полномочия гендиректора Apple. Был ли Кук достойным продолжателем дела Джобса или «Apple уже не торт»?

Кук проработает в текущей должности до сентября, после чего станет исполнительным председателем совета директоров — это намекает на то, что влияние Кука всё равно будет большим. Новым гендиректором станет инженер Джон Тернус, 25 лет занимавшийся продуктами Apple: iPad, AirPods, iPhone и Mac — важно, что компания делает акцент на разработке, а не на финансовой части.

Лидерство

Тим Кук никогда не пытался в одиночку играть роль лидера масштаба Стива Джобса — и правильно. Стать равным Джобсу для поклонников компании было невозможно. Но Кук не только был скромен, но и не пропустил к рулю других звёзд, например яркого и харизматичного Крейга Федериги. Apple остаётся компанией Джобса.

Неудачи

Многие вспоминают революционные продукты, запущенные Apple при Джобсе, а при Тиме Куке вышли фактически только умные часы Apple Watch и наушники AirPods. Мы так и не дождались ни автомобиля, ни складного смартфона, а шлем виртуальной реальности Apple Vision Pro провалился.

Но стоит посмотреть вокруг — собственно, никто из ИТ-производителей не стал лидером автомобилестроения, не сделал популярным VR, а складной iPhone ещё имеет все возможности завоевать рынок.

Крупный провал Apple — это только отсутствие собственной мощной LLM, хотя компания и была одним из пионеров ИИ: встроила в смартфон голосового ассистента. Но Siri так и не повзрослела на фоне ChatGPT, DeepSeek и других нейросетей.

Как финансист Тим Кук смог диверсифицировать доходы компании? Ни развитие App Store, ни расширение линейки ноутбуков и планшетов не помогли — если в 2011 году iPhone приносил 44% выручки, то в 2025 году — уже 50%. Зависимость компании от одного продукта считается риском: если спрос на него упадёт, то пострадают все финансы компании. Однако этот недостаток не помешал Apple стать самой дорогой компанией в мире.

Вместо заключения

Все-таки Тим Кук — триумфатор! Его обвиняли в раздувании модельного ряда за счет разных цветов и размеров экрана iPhone, но «счёт на табло»: с 2011 по 2025 год выручка Apple выросла в 4 раза — со 108 до 416 млрд долл. Чистая прибыль — с 26 до 112 млрд долл. Капитализация — в 10 раз: с 350 млрд до почти 4 трлн долл. А ведь в 2011 году казалось, что дальше уже некуда и iPhone 4S останется лучшим телефоном на все времена.

И не стоит недооценивать его вклад в развитие технологий: умные часы Apple — самые популярные в мире, компания перешла в ноутбуках с Intel на собственные чипы.

Спасибо, Кук, и мы всё-таки ждём новых революционных продуктов Apple — теперь от Джона Тернуса!

Игра написана на Go (Ebitengine), исходники на есть гитхабе.

Поиграть можно в браузере, ведь Ebitengine имеет неплохой экспорт в wasm. Она мало весит, быстро работает, и экспорт не требовал лишних усилий - это вам не шуточный игровой движок.

Я накидал небольшой шаблон для игр на стеке своих геймдев-библиотек. Его можно посмотреть тут: https://github.com/quasilyte/gscene-game-template.

С этим шаблоном старт начала работы над игровой логикой и "мясом" игры становится ближе. Это позволяет +/- выйти на удобство какого-нибудь Godot, где не нужно первые несколько часов настраивать как у нас обрабатывается input, звук и сцены. Я этот шаблон буду дорабатывать по мере участия в джемах, за каждую мини-игру у меня копится TODO на то, что еще там можно было бы улучшить.

Если тема разработки игр на Go вам интересна, заходите в наше русскоязычное сообщество в телеграме. Мы там обсуждаем всякие библиотеки для геймдева, свои игры, и всё такое.

Кстати, ребята из чатика тоже сделали свои игры на Ebitengine, вот они:

• https://dqso.itch.io/hired-or-homeless

• https://metalim.itch.io/zero-day-lunch

Китаец не уступает американцам, при этом стоит дешевле.

В бенчмарках DeepSeek v4 показывает результаты уровня GPT-5.4, Gemini 3.1 Pro, Claude Opus 4.6. Всего новая модель учитывает 1,6 ТРИЛЛИОНА параметров. Это влияет на глубину и качество ответов, так что теперь пользователи не почувствуют сильного отличия DeepSeek от конкурентов.

DeepSeek v4 вышел с архитектурой MoE — Mixture of Experts. Это значит, что из 1,6 триллиона параметров модель активирует только около 49 миллиардов на каждый запрос. Отсюда и скорость, и низкая стоимость инференса.

А ещё V4 потребляет на 73% меньше вычислительных мощностей по сравнению с прошлой V3.2. Круто, если запускаете модель локально.

Единственное, где DeepSeek пока проседает — мультимодальность. GPT-5.x и Gemini 3.1 работают с изображениями заметно увереннее. Для чистого текста и кода это не проблема, но если нужна работа с картинками, нужно переключать вкладки.

DeepSeek v4 Pro и Flash уже в SpeShu.AI. В одном интерфейсе можете самостоятельно сравнить все нейросети и написать в комментариях свой вердикт.

Представьте, что вы 20-летний попаданец-инженер в 1970-й год.

Место "попадания" - по вашему выбору. Можно, например, в Fairchild Semiconductor. То есть паспорт у вас есть, язык вы знаете и даже рабочее место на момент попадания за вами есть.

По правилам, ставки на спорт (моментальные выигрыши, лёгкий вывод денег и т.д.) делать нельзя, как и играть на бирже или курсе валют. Плюс, у вас нет полного стека технологий в голове, кроме того, что есть прямо сейчас, при чтении этих строк. Но вы примерно представляете грядущую конъюнктуру.

Как бы вы провели следующие 50 лет, если задаться целью к 2020 году стать самым богатым бизнесменом в сфере электроники и/или IT-технологий?

Скрипт массового обновления атрибутов отработал идеально: лог чистый, ошибок нет.

Через час выясняется – у 400 пользователей сломалась связка UPN‑sAMAccountName.

Причина – логическая ошибка в условии.
Тест на 10 объектах её просто не поймал.

Дальше обычно три сценария.

Первый – откат из резервной копии.
Но копию сделали 18 часов назад. За это время уже:

– создали новые аккаунты;
– поменяли пароли;
– выдали права.

Откат чинит одно и ломает другое.

Второй – писать обратный скрипт.
Работает, если ты точно помнишь, что именно перезаписалось, и уверен, что обратная логика не добьёт оставшееся.

Обычно это уже режим «админской археологии».

Третий – взять снимок состояния до запуска и вернуть только нужные атрибуты у нужных объектов.

Проблема в том, что третий путь работает только если снимок был сделан заранее.

Не «когда всё поехало», а до того, как нажали Enter.

Массовое изменение без снимка перед изменением – это не автоматизация.

Это ставка на то, что скрипт идеален.

Обычно – нет.

C++ - опасный инструмент, и не помешает лишний раз напомнить, как правильно держать его в руках. Причём с приходом инструментов вайб-кодинга ситуация, скорее всего, даже ухудшится, так как станет ещё сложнее удерживать неопределённое поведение под контролем. В докладе обсудили эту тему, заглянув в будущее.

Полезные ссылки из доклада:

• Undefined behavior ближе, чем вы думаете

• Ложные представления программистов о неопределённом поведении

• Подножка для AI в виде UTF-8

• Путеводитель C++ программиста по неопределённому поведению

Примечание. Был задан вопрос про безопасные компиляторы (ГОСТ Р 71206—2024). Подробнее с этой темой можно познакомиться здесь: Использование безопасной системы сборки программного обеспечения

Сделайте свой проект чистым с PVS-Studio. Месяц бесплатного использования по промокоду.

Без Python и SQL в ML-разработке никуда, но на них всё не заканчивается. Чтобы стать крутым специалистом, важно не только писать код и работать с данными, но еще и запускать эксперименты, настраивать модели, автоматизировать процессы и готовить решения к продакшену.

Собрали инструменты, которые помогут увереннее чувствовать себя в ML-разработке и стать заметнее на рынке, а на Хабр Карьере вы найдете курсы, где можно освоить каждый из них и собрать стек, который пригодится не только в резюме, но и в работе.

— MLflow. Отслеживаем эксперименты, версии моделей и результаты обучения.

— Optuna. Автоматизируем подбор гиперпараметров, чтобы модели работали точнее.

— PyTorch. Создаем, обучаем и тестируем нейросетевые модели.

— Apache Airflow. Выстраиваем и автоматизируем ML-пайплайны.

— Docker. Упаковываем проект и окружение.

→ Собрали самые крутые учебные программы в одном месте

Компания ООО "ПВС" совместно с учебным центром "Маском" провела цикл вебинаров, посвящённых разработке безопасного программного обеспечения (РБПО). Совместно с приглашёнными экспертами различных компаний мы рассмотрели 25 процессов, приведённых в ГОСТ Р 56939—2024.

Предлагаем сегодня вашему вниманию вебинар цикла, посвящённый процессу, описанному в разделе 5.7. – "Моделирование угроз и разработка описания поверхности атаки". На YouTube.  Слайды.

Цели седьмого процесса по ГОСТ Р 56939—2024:

5.7.1.1 Создание условий для снижения количества недостатков, связанных с особенностями реализации архитектуры ПО и логики его функционирования, выработка мер по нейтрализации угроз безопасности, связанных с особенностями реализации архитектуры ПО.

5.7.1.2 Уточнение модели угроз и описания поверхности атаки по результатам разработки кода и его изменений.

Общее количество вебинаров — 30: каждому из 25 процессов ГОСТа посвящено по одному вебинару и 5 записано дополнительно на смежные темы. Запись всех вебинаров и подборка дополнительной информации доступна по ссылке: ГОСТ56939.РФ.

Привет, Хабр! Меня зовут Слава, я развиваю SQL-платформы sqltest.online и sqlize.online для бесплатной тренировки запросов на реальных СУБД (PostgreSQL, Oracle, MariaDB 12.3, MS SQL 2025).

Зачем понадобилось зеркало?

От 30% моей аудитории из РФ стали приходить сообщения: «Сайт открывается только через VPN».

Переносить бэкенд целиком - дорого, сервер завязан на тяжелые СУБД в Docker. Поэтому я выбрал гибридную модель: поднять фронтенд в зоне .ru, оставив бэкенд в Германии.

Архитектура: Фронт в РФ, мозг в Германии

Фронтенд: PHP без фреймворков

Нативный PHP, HTML и JS. Меньше зависимостей - проще деплой. Для RU-зеркала я выбрал SpaceWeb*, где есть отличные бюджетные тарифы и классная поддержка.

sqltest-online.ru (SpaceWeb, РФ)
├── PHP (без фреймворков) + HTML/JS
└── Минимум зависимостей

Бэкенд: Docker Compose

Мощный сервер в Германии у Contabo*, где в контейнерах крутятся MySQL, PostgreSQL, ClickHouse и другие базы. Серьезные СУБД требуют ресурсов, так что всё живет на одной полноценной машине.

Как они общаются?

Пользователь отправляет запрос -> браузер делает AJAX-вызов к .ru серверу -> фронт делает HTTP-запрос к бэкенду в Германии (server-to-server) -> бэкенд выполняет SQL и возвращает результат.

Плюсы схемы:

• CORS не нужен: браузер общается только со своим доменом.

• Бэкенд закрыт: принимает запросы только от white-list IP.

• Задержка минимальна: интерфейс грузится из РФ, тяжелые запросы идут по быстрому каналу серверов.

Резервного бэкенда нет - проект бесплатный, на второй сервер пока нет бюджета. Если падает Германия, ложится всё.

Проблемы деплоя: Composer «ушел в отказ»

С git pull всё прошло гладко, но установка зависимостей зависла намертво.

Проблема: Composer не мог достучаться до packagist.org. Просто бесконечный таймаут, вызванный нестабильностью сетевых маршрутов.

Решение: Поддержка SpaceWeb не стала отписываться «проблема на вашей стороне», а сразу дала адрес HTTP-прокси.

Дело одной команды:

export HTTPS_PROXY=http://proxy.host:port
composer install

(Для Windows: set HTTPS_PROXY=...)

Мораль: При деплое на российские площадки проверяйте доступность packagist.org (curl -v https://packagist.org). Если висит - просите прокси у хостера, не тратьте время на Composer.

Итоги

Зеркало sqltest-online.ru работает. Гибридная схема спасает: пользователи получают быстрый интерфейс без VPN, а запросы улетают на проверенный бэкенд.

Я верю, что образование должно быть доступным. Если для практики SQL нужно включать VPN и ждать по 10 секунд - человек не будет учиться. Зеркало .ru - мой способ сказать: «Продолжайте практиковаться».

А как вы деплоите зависимости на RU-площадки? Используете прокси, зеркала или есть решения изящнее?

* P.S. Ссылки на SpaceWeb и Contabo в статье - реферальные. Сервисами пользуюсь сам и смело рекомендую, а бонусы пойдут на оплату серверов проекта.

Привет, Хабр!

Мы собрали 14 открытых вебинаров на апрель и май. Темы — от архитектуры ИИ‑врагов в играх до внедрения AI Governance в крупных компаниях. Всё бесплатно, с разбором кейсов и живыми примерами кода.

Выбирайте, что ближе вам — геймдев, компьютерное зрение, LLM или управление AI‑продуктами.

🎮 Геймдев и разработка

• 28 апреля, 20:00 — «Архитектура ИИ врагов в играх на Unity»

• 6 мая, 19:00 — «Разработка проекта на Kotlin: коллаборация человека, архитектурных шаблонов и ИИ‑команды»

👁️ Компьютерное зрение

• 28 апреля, 20:00 — «Как работают современные модели компьютерного зрения „из коробки“ (Hugging Face, OpenCV, YOLO, Roboflow)»

🧠 LLM, RAG, промпты и агенты

• 28 апреля, 20:00 — «Почему только 5% компаний получили реальную выгоду от ИИ в 2025 году?»

• 30 апреля, 20:00 — «Поиск в базе знаний: где векторы ошибаются, а графы помогают»

• 6 мая, 18:00 — «Методы работы с LLM: промпт‑инжиниринг, LoRA и RAG»

• 6 мая, 20:00 — «LangGraph + MCP в Cursor IDE: создаем автономного агента для глубокого анализа Google Trends»

• 14 мая, 20:00 — «ИИ‑агенты для юристов: настраиваем автономного ассистента с доступом к договорам и базе знаний»

📐 Управление, безопасность и качество AI

• 6 мая, 20:00 — «Ключевые тренды AI Governance в 2026 году»

• 18 мая, 20:00 — «DevSecMLOps: как безопасно внедрять ИИ в процессы разработки и эксплуатации»

• 19 мая, 20:00 — «Критерии качества и безопасности AI‑систем в продукте»

🚀 Бизнес, продукты и организации

• 19 мая, 20:00 — «Как запустить ИИ‑продукт с нуля: от гипотезы до первых результатов»

• 19 мая, 20:00 — «Построение адаптивных организаций в век ИИ»

ИИ уже не просто модное слово — это инструмент, который меняет геймдев, разработку, управление продуктами и даже юриспруденцию. Но чтобы он действительно приносил пользу, нужны не только теории, а конкретные практики, архитектуры и код.

Эти вебинары как раз про практику. Выбирайте близкие темы, регистрируйтесь, задавайте вопросы спикерам в прямых эфирах.

📚 Больше материалов и системного обучения — в каталоге курсов.

22 преля состоялся TechCommPod Online Meetup, а сегодня уже можно посмотреть его в записи!

• АРИНА БАЛЕРИНА рассказала, кто такие техписатели. Как понять, что это ваше. Как стать одним из них.

• ЕКАТЕРИНА ПАВЛОВА провела мастер-класс по созданию сайта-визитки в Gramax.

• ДМИТРИЙ РАЗВОЗЖАЕВ показал свой зоопарк из AI-агентов.

• КОНСТАНТИН МАКУШЕВ порассуждал про паттерны и антипаттерны в документации.

В самом конце наши замечательные спикеры поделились откровенными историями самых эпичных ошибок в своей карьере.

Если пропустили эфир —  не страшно, мы все записали и уже залили на две площадки:

• Youtube: https://youtu.be/5wvMrNh07IY

• VK Видео: https://vkvideo.ru/video-237909665_456239018

Если вы были в эфире (или после просмотра записи) — пожалуйста, заполните анкету обратной связи. Это позволит подготовить для вас другие интересные и полезные мероприятия: https://forms.gle/juvvvxPQEoVMZuz37

Сегодня пишу именно потому, что замкнулся цикл от обучения к продукту. Тема специфическая, мало кому интересно использовать AMD для нейронок вместо NVIDIA, но раз уж прошёл через это сам поделюсь решениями. Дальше кому надо берите, экономьте себе недели.

Изначально AMD у меня появился под другую задачу. Я исследовал возможность сделать веса для CUDA→HIP конвертера. AMD-машина под столом осталась, и я наконец начал использовать её для проектов, а не только для экспериментов с конвертером.

Понадобилось сделать голосовой ассистент для анализа встреч. Нужна транскрипция русской речи с разделением говорящих. Whisper large-v3 + pyannote.audio 3.1 - стандартный стек, только обычно его гоняют на NVIDIA. Я решил ставить на AMD RX 7900 XTX (24 GB VRAM, PyTorch ROCm 6.2). DeepSeek 32B стоит на соседней машине с 4090, ему нужен весь её VRAM, а ещё на 4090 загружаю весовые LoRA-адаптеры пользователей. Завёлся с первого раза. От этого и кайфанул - обучение перешло в опыт. Можно сказать, записалось в мои веса.

Из коробки сработало всё, никаких откатов версий, никаких ручных сборок:

​bash pip3 install openai-whisper --break-system-packages pip3 install pyannote.audio --no-deps --break-system-packages pip3 install omegaconf pytorch-metric-learning rich soundfile torchmetrics --break-system-packages pip3 install fastapi uvicorn python-multipart --break-system-packages ​

Обе модели занимают ~5.9 GB VRAM из 24. Whisper 3 GB, pyannote 2 GB.

Дальше самое ценное мои грабли, которые решил заранее, за предыдущие месяцы боли. На эти вещи обычно тратят недели.

Первое - pip install --no-deps для pyannote. Обычный pip install pyannote.audio тянет torch как зависимость. pip видит «torch уже установлен», но не разбирается, что у тебя специальный PyTorch ROCm build, и ставит CUDA-версию поверх. PyTorch ROCm убит, вся экосистема AMD ломается. С флагом --no-deps pip ставит pyannote без зависимостей, дальше вручную доставляешь omegaconf, pytorch-metric-learning, soundfile, torchmetrics, rich. Чисто, ничего не ломается.

Второе - API pyannote 3.1 сломали тихо. В 3.0 было result.itertracks(yield_label=True). В 3.1 - result.speaker_diarization.itertracks(yield_label=True). Документация молчит, узнаёшь через ошибку. Плюс use_auth_token переименован в token без фанфар.

​```python from pyannote.audio import Pipeline

pipeline = Pipeline.from_pretrained( “pyannote/speaker-diarization-3.1”, token=HF_TOKEN, # не use_auth_token! ) pipeline.to(torch.device(“cuda”))

result = pipeline({“waveform”: waveform, “sample_rate”: sr})

for turn, _, speaker in result.speaker_diarization.itertracks(yield_label=True): print(f"{turn.start:.2f} - {turn.end:.2f}: {speaker}") ​```

Третье - torchcodec тихая мина на ROCm. pyannote в новых версиях пытается использовать torchcodec для декодирования аудио. На AMD ROCm torchcodec не собран, падает с невнятной ошибкой про libavutil. Обход - подавать waveform напрямую через torchaudio:

​```python import torchaudio

waveform, sample_rate = torchaudio.load(audio_path) result = pipeline({“waveform”: waveform, “sample_rate”: sample_rate}) ​```

pyannote-команда упоминает эту возможность мелкими буквами в одном issue на GitHub. Работает идеально.

Четвёртое - нужна переменная окружения TORCH_ROCM_AOTRITON_ENABLE_EXPERIMENTAL=1. Без неё часть операций fallback-ит на медленный путь.

Пятое - две модели в одном процессе на ROCm работают. Была мысль разносить Whisper и pyannote по процессам - вдруг конфликты HIP runtime. Нет. Обе модели грузятся в одном Python-процессе, работают параллельно.

По производительности на 9-минутном WAV (16 kHz, два говорящих, русская речь) Whisper large-v3 отрабатывает за ~60 секунд, pyannote 3.1 за ~3 секунды, итого ~63 секунды. pyannote практически бесплатен. Качество диаризации отличное - два спикера разнесены корректно, таймкоды совпадают с репликами. Стек: PyTorch ROCm 6.2, openai-whisper, pyannote.audio 3.1. RX 7900 XTX, 24 GB VRAM, Ubuntu 24.04.

Поскольку в голосовании в предыдущей статье победил вариант с AI, сделал пока простенький его вариант.

Также теперь можно кликать два раза по гексу с противником, чтобы атаковать его (старый способ с выбором позиции атаки остался). Тачи поддерживаются.

На очереди: стрелки, летуны и статичные объекты.

Ссылки, чтоб потыкать: netlify, ITCH.

Инструментов на базе ИИ и сценариев их использования с каждым днем становится все больше. Поэтому легко запутаться, где ИИ действительно ускоряет работу, и как вообще использовать его так, чтобы получать нужный результат, а не набор разрозненных фактов.

Часто вопрос не в самих инструментах, а в том, как их применять в конкретных задачах. Если смотреть шире, ИИ может помочь увидеть слабые места в процессах, найти точки роста и повлиять на эффективность бизнеса.

Мы поговорили с Полиной, бизнес-аналитиком в команде Скорозвон, и задали ей несколько вопросов: где ИИ полезен на практике, какие результаты удалось получить и какие инструменты стоит попробовать.

1️⃣ Где ИИ помогает в работе аналитика?

Чаще всего — в рутине. По данным исследований, до 60% времени аналитик тратит на задачи вроде создания отчетных документов, генерации гипотез и промптов, анализа больших данных и проведения исследований.

Это как раз те вещи, которые можно частично или полностью поручить ИИ: он может собирать и структурировать данные, помогать с гипотезами, создавать черновики документов.

При этом ИИ — это не просто «нажал на кнопку и получил результат». Он ускоряет работу, но все равно результат нужно проверять и дорабатывать.

2️⃣ Где ИИ уже приносил заметный результат в вашей команде?

Один из ярких кейсов — анализ диалогов в колл-центре. Робот успешно находил «теплых» лидов, но конверсия в покупку оставалась низкой. 

Мы подключили анализ диалогов с помощью LLM и выяснили, что корректно работали только около 7% операторов.

Ошибки у них были довольно базовые, но их сложно заметить без детальной аналитики:

• не знали о звонках робота

• сбрасывали звонки клиентов или вызывали негатив

• повторно проводили идентификацию

• работали с плохим оборудованием

LLM помог быстро проанализировать большой объем диалогов и собрать это в понятную аналитику.

3️⃣ Что изменилось после этого?

После таких изменений корректность работы операторов выросла до 90%. Плюс мы закрыли скрытое ожидание клиента — он хотел качественную аналитику, а не только цифры.

А еще:

• итоговая конверсия увеличилась примерно в 1,5 раза

• выручка по проекту выросла в 2 раза

С точки зрения личной эффективности я теперь экономлю до 20 часов в месяц на прослушке диалогов и могу анализировать до 100 диалогов в час. 

То, что раньше требовало большой команды или долгой ручной работы, сейчас можно сделать гораздо быстрее.

4️⃣ Какие задачи еще можно отдать ИИ в работе аналитика?

Помимо анализа данных:

• подготовка презентаций 

• написание текстов

• проведение исследований

• сбор и структурирование данных

• оформление документации

Это не заменяет аналитика, но сильно упрощает старт и ускоряет процесс.

5️⃣ Какие инструменты тебе показались полезными?

Из того, что я использовала в работе:

1. GigaChat — хорошо справляется с исследованиями на российском рынке

2. SkyWork.ai и Gamma — помогают быстро собрать презентацию и структуру доклада

3. НейроЭксперт — удобно работать с файлами и базой знаний

4. Ассистенты для генерации промптов от Naumen — чтобы не просто перефразировать промпт, а уточнить задачу через вопросы и сделать его точнее

5. Кастомные агенты с использование Claude Code — чтобы автоматизировать процесс и сократить ручную работу

6️⃣ Есть ли риски или ограничения, о которых важно помнить?

Да, и об этом часто забывают. Перед использованием данных важно:

• уточнять у клиента, что является конфиденциальной информацией

• обезличивать данные

• проверять результаты

ИИ может сильно ускорить работу, но ответственность за итог все равно остается на аналитике.

Я не врач, и этот текст не является прямой медицинской рекомендацией. Ниже — разбор свежих исследований по нейробиологии (в частности, из Frontiers in Nutrition) и системный подход к метаболизму. Прежде чем внедрять такие «патчи» в свой режим, проконсультируйтесь со специалистом и сдайте базовые анализы.

Знакома ситуация, когда после ночного дедлайна с перекусами утро начинается в режиме «овоща»? Проблема не только в недосыпе, а в конфликте систем. Когда вы едите поздно, пищеварительный тракт переходит в состояние бодрствования, требуя энергии и метаболической активации. Это повышает температуру тела и частоту сердечных сокращений в то время, когда организм должен уходить в глубокое восстановление.

Основные «баги» позднего питания:

• Инсулиновый лаг: вечером чувствительность к инсулину падает на 17–27% по сравнению с утром. Углеводы усваиваются хуже и с большей вероятностью уходят «в своп» (жировые депо).

• Сбой циркадных ритмов: поздняя еда задерживает секрецию мелатонина, увеличивая задержку засыпания (sleep latency) и сокращая фазы глубокого и REM-сна.

• Метаболический шум: еда в пределах 3 часов до сна приводит к частым ночным пробуждениям и снижению качества сна, что на следующий день выливается в когнитивную заторможенность.

Механика: eTRE и апгрейд нейронных магистралей

Решение кроется в eTRE (Early Time-Restricted Eating) — ограничении окна питания ранними часами (например, с 08:00 до 16:00). Это не просто диета, а способ синхронизировать метаболизм с циркадным «дирижером» организма.

Согласно свежим данным МРТ-исследований, такой режим за месяц проводит реальный апгрейд «железа» в голове:

• Укрепление белого вещества. Улучшается целостность волокон в левой передней таламической лучистости (ATR_L). Этот тракт соединяет таламус с префронтальной корой, отвечая за скорость передачи данных и когнитивный контроль.

• Оптимизация коры (DLPFC). Наблюдается адаптивное истончение правой дорсолатеральной префронтальной коры. В данном контексте это не деградация, а синаптический прунинг — удаление неэффективных связей, что делает работу мозга более точной и быстрой.

• Метаболическая гибкость. Стабильный уровень глюкозы и снижение инсулинорезистентности создают идеальную среду для нейронной пластичности и памяти.

Источники: Frontiers in Nutrition: eTRE and Brain Structure (2026) ; PubMed: Early time-restricted eating (eTRE) ; ScienceDirect: Meal patterns and cognitive health

Данные: результаты 30-дневного спринта

Исследование на группе мужчин с метаболическим синдромом показало впечатляющие результаты всего за 4 недели работы в окне 08:00–16:00:

• Метаболические метрики: значительное снижение веса, ИМТ и индекса HOMA-IR (маркер инсулинорезистентности).

• Когнитивные тесты:

  • Память: рост показателей немедленного и отсроченного воспроизведения по тесту RAVLT.

  • Исполнительные функции: сокращение времени выполнения теста TMT-B, что говорит о лучшей переключаемости внимания и планировании.

  • Processing Speed: улучшение средней скорости реакции при обработке информации.

• Структура мозга: изменения в толщине коры DLPFC на 60% объяснили прогресс в долгосрочной памяти участников.

  Вывод: питание как часть когнитивного стека

Циркадное питание — это не про ограничения в еде, а про управление временем (scheduling). Перенос основного объема калорий на первую половину дня позволяет организму тратить ресурсы не на ночное пищеварение, а на консолидацию памяти и очистку мозга.

TL;DR для тех, кто проскроллил:

• Окно 8/16: старайтесь закрывать окно питания к 16:00–17:00. Это дает максимальный буст памяти и концентрации.

• Завтрак — это база: регулярный завтрак защищает от когнитивного снижения.

• Правило 3 часов: минимум 3 часа между последним куском еды и сном, чтобы не сломать фазы глубокого сна.

• Вечерний конфиг: если приходится есть поздно, выбирайте белок и клетчатку (рыба + овощи), исключая быстрые углеводы.

1. Добавляем в систему раскладку сербской латиницы в варианте Qwerty, делается это через Keyboard -> Layouts

2. Заходим в терминал и пишем: setxkbmap -query
   Видим примерно такое:

   rules:      evdev
   model:      pc105
   layout:     us,ru,rs
   variant:    ,,latinyz
   options:    grp:win_space_toggle,terminate:ctrl_alt_bksp,grp:caps_toggle

   Внимание на us,ru,rs и вариант - latinyz

3. Пилим исполняемый shell скрипт, например в ~/use_default_layout.sh
   Этот скрипт будет временно убирать сербскую раскладку, чтобы не мешалась.

   #!/bin/bash
   current_layouts=$(setxkbmap -query | grep layout | awk '{print $2}')
   
   if [[ "$current_layouts" != "us,ru" ]]; then
       setxkbmap -layout "us,ru"
   fi

4. Идём в Keyboard, добавляем кастомные сочетания клавиш:

   

   Я переключаю раскладку с помощью Caps Lock, поэтому рассказываю как удобно мне. Вы делайте на те клавиши, которые удобны вам (иначе какой смысл).
   
   - Переключение на сербскую раскладку: CTRL+Caps Lock, команда:
   setxkbmap -layout rs -variant latinyz
   
   - Отмена сербской раскладки: просто Caps Lock, который зовёт скрипт use_default_layout.sh из пункта 3.

Готово, вы великолепны.

Привет, друзья! Я готовлю небольшое исследование на тему определенных особенностей использования различных платформ виртуализации на просторах РФ (чуть позже вы узнаете все детали). И, поскольку я не аналитическое агентство, а просто инженер, у которого нет возможности обзвонить 100+ компаний, за информацией я решил обратиться к наиболее подходящей для этого аудитории.

Еще несколько лет назад такие вопросы, наверное, выглядели бы на Хабре довольно странно. Но так уж случилось, что мы живем в своеобразную эпоху перемен — в мире в целом и в ИТ в частности происходят довольно "интересные" события.

Что бы я хотел узнать? За последние годы ситуация с используемым в РФ софтом сильно изменилась — виртуализации это тоже касается. В связи с этим я бы хотел задать пару вопросов:

1. Какую платформу виртуализации вы используете?

2. Как получаете обновления?

Если вопросы для вас релевантны, прошу уделить мне пару минут и ответить на них в комментариях.

В ближайшее время я планирую развернутую статью — ваши ответы помогут мне понять, на чем именно стоит сделать акцент.

Спасибо!

Проверил - и правда - за всю историю это единственное, но существующее уникальное свидетельство о регистрации ПО, которое появилось на 129 дней позже его фиксации в реестре. Скорее всего ошиблись порядком цифр, и было не 08.10.2015, а 08.01.2015 - как дата подачи заявки... ошибка в годе маловероятна - потому что год зашит в номере свидетельства.

Все это я к чему - большой вопрос, существует ли какая-то защита от некорректного ввода значений? Точно сказать нельзя - ошибка всего одна.
При наличии проверок в интерфейсе такое возможно только если нет проверок на уровне СУБД и данные записывали, или корректировали, непосредственно в БД.

Но, что важнее - а насколько можно доверять остальной информации в реестрах ФИПС ? ...

Когда каталог ложится, все вспоминают про резервки. Когда каталог подняли, внезапно выясняется, что резервка не умеет ответить на главный вопрос: что из свежих изменений мы сейчас потеряли.

Учётки, членства, атрибуты, результаты массовых правок, последствия миграции – всё это очень легко откатывается вместе с аварией.

В итоге сервис вроде живой, а дальше начинается админская археология.

Поэтому для каталога мало просто уметь подняться из копии. Нужно ещё уметь нормально разруливать логические потери без отката всего подряд.

Потому что «всё поднялось» и «всё починилось» – это, как известно, две разные стадии одного и того же инцидента.

При этом у классических CLI есть очевидные преимущества:

- Их банально легче разрабатывать

- Они прозрачнее и понятнее в работе

- Применяться они могут не только агентами, но и людьми

- Их уже существует огромное множество под любые задачи

В Google это тоже осознали и выкатили [свой инструмент](https://github.com/googleworkspace/cli). Сделан он явно для агентов (его выпустили только в этом месяце), но это именно CLI, а не очередной MCP-сервер.

Точных фактов по этой теме пока нет. Кто-то говорит, что [в простых задачах MCP требует больше контекста, а в сложных — меньше, чем CLI, если инструменты грамотно обернуты и хорошо обнаруживаются агентом](https://portofcontext.com/blog/cli-vs-mcp-vs-code-mode). Кто-то, что этой разницей можно пренебречь, да и вызвана она тем, что не все CLI адаптированы под экономию контекста. Но все согласны, что CLI может дать агенту доступ ко всем тем же инструментам и обеспечить одинаковый процент успеха при выполнении задач, при этом будучи куда понятнее для человека и значительно проще в написании и поддержке.

В моих проектах я буду использовать CLI.

«Искусство спора. Как читать книги» Поварнин С.И.

Книга состоит из двух несвязанных половин. Первая – про ведение споров, вторая – как читать книги.

Первая часть, про споры – максимально практичная, с конкретными приёмами, видами споров, стратегиями их ведения, прекращения, выхода из спора и т.д. Книга написана в начале 20 века, но по сути, ничего с тех пор не изменилось, поэтому всё – актуально. Разве что письменные споры стали быстрее, чем 100 лет назад.

Вторая часть, про чтение книг – покороче, т.к. материала меньше. Но тоже всё чётко и конкретно. Рассмотрены виды чтения по степени глубины, а также даны рекомендации по выбору книг. Я запомнил три вида книг, которые рекомендует автор – классику (чтобы быть образованным человеком), книги для вдохновения (вот это прям удивительно было), ну и профессиональную литературу по своей специальности.

Я эту книгу прочитал недавно, но очень порадовался – она сильно попала в подходы, которые я сформулировал сам для себя, но автор сформулировал три потока тем для чтения более чётко, конкретно и объяснил, зачем и почему.

Я, например, не так много уделяю внимания книгам для вдохновения – скорректируюсь. Раньше я много такого читал, и это сильно помогало – например, вдохновляющие книги про работу. Они помогают мысленно вырваться из круга обыденности на собственной работе. Читаешь о том, как люди в других компаниях делают что-то интересное, прорывное, внедряют радикальные изменения – и на некоторое время окрыляешься.

Если не упустить этот импульс, то можно очень многое успеть. Например, однажды я так повышение получил – об этом расскажу, когда буду писать про вдохновившую меня книгу.

Классика же, рекомендуемая автором к прочтению, тоже есть в моём обязательном списке. Позже про это напишу.

Первая часть книги, про ведение споров, мне помогла убедиться в некоторых собственных установках. Например, в том, что в большинстве споров вообще не надо участвовать. Если спроецировать методы начала 20 века на сегодня, то я уверен: автор добавил бы «не спорьте в интернете, кроме случаев, когда знаете собеседника лично».

Раньше, до прочтения этой книги, я называл это правилом Ральфа (т.к. видел его в мультфильме «Ральф против интернета»). Там сказали: «Первое правило интернета – никогда не читать комментарии». Я трансформировал в «никогда не вступать в дискуссии в комментариях».

Боюсь предположить, сколько времени я на этом сэкономил, с учётом написанных 300+ статей. По первости, когда отвечал на комментарии, тратил на это больше времени, чем на статью (отвечать я старался развёрнуто, поэтому текста в итоге писал больше, чем в статье).

Тогда же и придумал себе правило – «отвечай статьёй». С тех пор беззастенчиво использую комментарии, как источник идей для новых статей.

Книгу рекомендую. Хорошая, старая, добротная, для читателя.