10 марта 2026 года наш мультисервисный ханипот зафиксировал необычную активность. Один IP-адрес за 10 минут методично прошёлся по 8 сервисам — SSH, Telnet, HTTP/HTTPS, MySQL, Docker API, Memcached, Winbox — и среди прочего отправил JSON-RPC запрос инициализации Model Context Protocol (MCP). Это первый задокументированный нами случай, когда MCP-сканирование выступает не как исследовательский инструмент, а как модуль в составе мультипротокольного сканера.

Статья содержит разбор пойманного пейлоада, IOC, Suricata-сигнатуру и Shodan/Censys-дорки для детекции MCP-сканирования.

Нет большой разницы в инструментах, когда речь идет о создании простеньких чат-ботов. Но когда вы работаете над продуктом посерьезнее, например создаете сложного AI-агента или работаете с чувствительными данными, облачные LLM начинают выставлять большие счета. И не только финансовые.

Что если переход на локальную инфраструктуру (вроде Ollama) это решение, которое не просто поможет сэкономить, но изменит саму динамику разработки?

У многих из нас найдется папка "курсы/статьи/изучить" в закладках, которая растет быстрее, чем список багов в новом проекте. Мы мастерски откладываем начало процесса обучения на потом, в ожидании идеальных условий и свободного времени, которых никогда не будет. "Начну с понедельника", "как только разгребусь с работой", "вот уйду в отпуск"... Это все отличные отговорки, которые заменяют реальные действия.

Начало обучения кажется тренировкой по тяжелой атлетике. Нужно обязательно подготовиться, размяться, настроиться, выделить пару часов и выложиться на полную. Чтобы сразу и на мировой рекорд. Или хотя бы городской. Но в реальности наша жизнь вне работы - череда коротких промежутков: ожидание кофе, поездка на транспорте, очередь в магазине. Что будет, если попытаться воспринимать это не как обыденность "потерянного времени", а сделать такие промежутки инструментом роста? Если перестать стремиться к рекордам и заменить попытки одноразовых сверхусилий на регулярный фоновый процесс развития?

Расскажу, как решал задачу принудительного притока воздуха на кухне и немного автоматизировал управление приточным клапаном с помощью MQTT и WirenBoard.

Ты написала статью. Вычитала, проверила, добавила картинки, нажала «Опубликовать». И тут они приходят. Кто эти люди, которые пишут комментарии? Держи полный список «фантастических существ», обитающих под любой хабровской статьёй от программирования и менеджмента до хаба здоровье.

Аугментация данных — один из самых мощных инструментов улучшения качества моделей машинного обучения. В компьютерном зрении она почти всегда критична: без неё модели быстро переобучаются и плохо обобщаются.

Но на практике её часто используют поверхностно: «добавим флип, поворот и color jitter».

В этой статье разбираем аугментации глубже:
— два режима аугментаций (in-distribution и out-of-distribution)
— почему нереалистичные трансформации могут улучшать обобщающую способность
— когда аугментации начинают вредить
— как строить устойчивый пайплайн аугментаций

Материал основан на ~10 годах практики обучения моделей компьютерного зрения (на работе, при написании научных статей, в ML соревнованиях) и ~7 годах разработки библиотеки Albumentations.

В этой статье разбираются все случаи, когда под в кластере может исчезнуть сам — без kubectl delete и без вашего ведома. Перезапуск kubelet, нехватка памяти, taint с эффектом NoExecute, высокоприоритетный под в очереди планировщика — любой из этих сценариев способен остановить под, даже если вы настроили плавное завершение.

В конце удобная шпаргалка, чтобы держать ситуацию под контролем даже в небольшом кластере.

2025 год можно с уверенностью назвать годом ИИ-трансформации: стремительный прогресс в развитии ИИ-инструментов и помощников, улучшение качества ответов популярных генеративных моделей и, как следствие, массовая «агентизация» в ИТ-компаниях. Тем не менее, мы наблюдаем одну закономерность: код стал создаваться быстрее (IDE-ассистенты, генераторы тестов, документации, ИИ-рецензенты кода), но поставка ценности в целом ускорилась незначительно. Фокус трудозатрат сместился с написания кода на проверку, что его можно безопасно и надёжно эксплуатировать в проде. Выросли затраты на рецензирование, тестирование и отладку, рефакторинг, безопасность и проверки на соответствие требованиям регулятора, интеграцию с архитектурными стандартами и платформой, наблюдаемость и готовность к инцидентам — и именно эти стадии теперь определяют lead time, а не скорость создания кода.

В результате многие команды попадают в ситуацию, когда быстрый этап разработки с использованием ИИ-инструментов нивелируется длительностью последующих этапов, стоящих на пути к поставке ценности в промышленную среду.

На этом фоне AWS (Amazon Web Services) в 2025 году предложили подход AI-Driven Development Life Cycle (AI-DLC), суть которого заключается, не в том, чтобы «внедрить ИИ в существующий SDLC», а перестроить цикл разработки с учётом того, что ИИ теперь умеет планировать и выполнять, а человек должен контролировать и проверять.

Если человечество намерено осваивать дальний космос, жить и работать на других планетах, нам придётся взять с собой земную среду. Это включает системы жизнеобеспечения, использующие биологические процессы (так называемые биорегенеративные системы), а также множество видов микробов, необходимых для нормальной жизнедеятельности. Люди уже берут с собой микробы, отправляясь в космос, в частности на Международную космическую станцию (МКС). Эти микробы становятся частью естественной среды, прилипая к поверхностям, разрастаясь в укромных уголках и проникая повсюду.

Учитывая их постоянное присутствие, крайне важно понять, как они выживают в космосе. Кроме того, их способности потенциально могут обеспечить бо́льшую самодостаточность в космосе. Например, некоторые виды бактерий и грибов извлекают минералы из горных пород в качестве источника питательных веществ. В недавнем исследовании на борту МКС учёные из Корнеллского университета и Эдинбургского университета изучали, как эти виды можно использовать для извлечения платины из метеорита в условиях микрогравитации. Их результаты показывают, что это может быть эффективным методом получения минеральных ресурсов в космосе и уменьшения зависимости от Земли.

Я поставил себе OpenClaw — технология, которая взорвала интернет. Куча роликов, ии-экспертов и блоггеров начали показывать как они настроили себе личного помощника. Я две недели активно им пользуюсь. Решил записать ролик и собрать статью про важные аспекты работы с ним.

Сразу обозначу: не будет «это меняет мир», «я уволил всех сотрудников», «агенты работают вместо меня». Будет сухо, по делу: скучная, но реальная польза без хайпа. У данной статьи есть также видео-версия: VKVideo / YouTube.

Обычно звание первого программируемого калькулятора отдают изящному «итальянцу». Однако настоящий первопроходец появился на два года раньше.

В 1963 году анонсирован калькулятор весом 36 кг и на первый взгляд — обычный настольный аппарат: арифметика, регистры, печать результатов.

Но со временем он подключился к телетайпу, получил расширенную память, обзавелся трансцендентными функциями и даже удалённо работал в многопользовательском режиме. Для тех лет звучало почти фантастически.

И самое главное — именно он был первым программируемым калькулятором в истории.

Во второй статье цикла — история Mathatron. От расцвета до заката…

Статья написана на основе интервью с Ильей Кравченко, владельцем федеральной сети микромаркетов самообслуживания RefreshTech.

Я 13 лет проработал в крупной федеральной вендинговой компании. Отвечал за 2,5 тысячи вендинговых аппаратов и около 200 микромаркетов. Микромаркет — это холодильник в офисе: внутри готовая еда, супы, салаты, горячее, напитки. Подошел, открыл, взял, оплатил через приложение или картой. Никакого кассира, никакой очереди.

За 13 лет я насмотрелся, чем обрастает этот бизнес, когда им занимается большая компания: склады с температурным контролем, штатные ремонтные бригады, торговые представители, которые решают, что поставить на полку, службы безопасности, которые тратят тысячи рублей, чтобы поймать вора на 300.

Когда в 2021 году я ушел и открыл свои микромаркеты, решил строить иначе. Не думал, что добавить — думал, что можно убрать.

Первый холодильник поставил сам. Сам искал офисы, договаривался с поставщиками готовой еды, сам ездил загружать на своей машине. На четвертый месяц вышел на стабильную прибыль. Когда точек стало около десяти, нанял первого водителя. Перевалило за двадцать — второго. Позже появился человек в офис на заказы и отчетность. С этими тремя людьми мы спокойно дошли до сорока холодильников и пережили ковид. Масштаб рос, команда почти нет — значит, все правильно устроено.

Расскажу, как устроен этот бизнес

У индустрии есть любимая форма самоуспокоения. Каждый раз, когда речь заходит про AI в разработке, люди начинают обсуждать качество кода. Смотрят на демки, ловят модель на галлюцинации, смеются над кривыми PR, вспоминают, что она не понимает бизнес-контекст, и на этом месте выдыхают. Кажется, что профессия снова отбилась. Ну да, игрушка интересная, местами полезная, местами смешная, но до реальной инженерной работы ей еще бесконечно далеко.

Легко поддаться этому успокоению, вспомнив первые версии Claude, Copilot или ChatGPT. Многие говорят, что это просто очередной инструмент, как экскаватор вместо лопаты. Ошибка этой аналогии в том, что Copilot - это действительно экскаватор, которым управляет человек. Но агентные системы, работающие в цикле CI/CD, это не инструмент. Когда у вас появляется система, способная самостоятельно делать десятки итераций проверки и исправления за секунды, без участия человека, единица человеческого труда меняется необратимо.

Мне кажется, в этот момент люди смотрят мимо главного.

Скажу прямо. Под угрозой оказалась сама суть ежедневной рутины большинства инженеров. Тот процесс, когда вы получаете задачу, лезете в кодовую базу, руками вносите основную массу изменений, сами крутите цикл правок и доводите все до финального результата. Эта привычная модель труда больше не выглядит жизнеспособной.

И проблема здесь глубже, чем очередной скачок в генерации кода.

У стартапа обычно всё начинается с продукта: идея, первые пользователи, поиск инвестиций.
Однако на практике проект чаще всего сталкивается с препятствиями в развитии не из-за идеи, а из-за неоформленных договоренностей, ошибок в структуре бизнеса и прав на продукт.


Прообраз будущего договора

О чём стоит подумать в первую очередь? Когда вы еще полны стартового энтузиазма и не набили шишек, заключите с партнёром (партнёрами) “Соглашение о партнёрстве” или Term Sheet (предварительное соглашение). Оно может иметь скорее декларативный характер, но позволит вам закрепить главное: ваши действия в том или ином случае. Например: вы создаете MVP, понимаете, что продукт провалился - каковы ваши действия? Или (лучше!) наоборот: дело пошло в рост, как будут строиться ваши отношения? Какова станет внутренняя структура?

Из такого соглашения в перспективе, если бизнес будет развиваться, выстроится понимание о юридических лицах, охране интеллектуальной собственности и других важных вопросах. Все будет закреплено в корпоративном договоре. Оформление партнёрского соглашения - это деловая культура, уважение друг к другу и защита каждого из партнёров. Работать он будет примерно до того момента, когда вы поймете: MVP имеет успех, нам можно и нужно масштабироваться!

А вот о чем стоит подумать дальше, после создания MVP:

Структура бизнеса: сколько юридических лиц, для чего и где зарегистрированы

Обычно выбирают из моделей:

3 фазы, 12 недель, 750к-1.3 млн — пошаговый фреймворк внедрения AI-агента с конкретными бюджетами, milestones и чеклистом готовности. Финальная статья серии.

В конце 2025 года компания K-Scale Labs, стартап из Сан-Франциско, пытавшийся создавать доступных человекоподобных роботов, закрылась, так и не сумев привлечь финансирование серии А. Ее бывший операционный директор (COO) Руй Сюй (Rui Xu), ветеран hardware-индустрии с 15-летним опытом работы в Intel, Xiaomi, Amazon, провел внутри компании год и стал свидетелем всего пути - от первого рывка до финального письма поставщику.

В своем откровенном анализе, опубликованном на LinkedIn он выделяет 6 ключевых уроков, которые могут спасти другие робототехнические (и не только) стартапы от повторения той же судьбы. Эти уроки - не абстрактные теории, а диагноз системных проблем, которые убили компанию.

Работая над архивными фотографиями Сочи, я заметил, что на Pastvu люди иногда годами обсуждают в комментариях, откуда сделан тот или иной снимок. Мне стало интересно: можно ли это вычислить математически? Оказалось, что да. Если на снимке видны три узнаваемых объекта и известны их координаты, задача решается через алгоритм PnP (Perspective-n-Point). Я собрал браузерный инструмент, который делает это автоматически. Первый тест на реальном снимке Сочи дал совпадение с точностью до улицы.

OSPF, BGP, VLAN, ACL — вы знаете их как свои пять пальцев. А потом приходит Kubernetes и предлагает «просто описать желаемое состояние в YAML». Звучит как магия? На самом деле под капотом K8s работают всё те же сетевые протоколы, просто теперь их настраивает не инженер с консолью, а код в репозитории. Эта статья — мост между классической сетевой инженерией и миром контейнеров. Без маркетинга, только факты: veth-пары, BGP-пиринги Calico, DNAT в iptables и почему ClusterIP не пингуется.

Сейчас беспроводными технологиями передачи данных никого не удивишь. На том же Али море различных модулей для беспроводной связи на любой вкус и цвет начиная от WiFi заканчивая NFC и RFID. Однако, в некоторых изделиях, по разным причинам, применение спец микросхем/модулей беспроводной передачи данных может быть нежелательно. Эта статья о том, как можно c помощью дросселя и нескольких транзисторов реализовать беспроводный интерфейс малого радиуса действия для микроконтроллера.

Приветствую всех, кто хочет делать свой код быстрым и оптимальным. Традиционно, если нам нужно большое количество объектов какого-то класса, мы создаем массив этих объектов. Однако, каким бы простым и очевидным не казался данный подход, он не всегда эффективен. Рассмотрим плюсы и минусы каждого из подходов к размещению большого числа объектов в памяти, их область применения и, конечно же, рассмотрим их на примерах.