Мы иногда во внутреннем чате обмениваемся фрагментами кода с неочевидными ошибками, которые обнаруживаются с помощью PVS-Studio в каком-нибудь открытом проекте. Мол, кто быстро сообразит, что не так с кодом?

Вчера коллега поделился вот таким фрагментом кода из проекта SereneDB:

Недостатки угрожали безопасности более 30 настольных и серверных ОС разных версий

В рамках январского обновления безопасности софтверный гигант Microsoft устранил две ранее неизвестные уязвимости в драйвере файловой системы NTFS — ключевом компоненте современных операционных систем Windows, отвечающем за хранение и извлечение файлов с жестких дисков и твердотельных накопителей. О недостатках, найденных специалистом экспертного центра безопасности Positive Technologies (PT ESC) Сергеем Тарасовым, разработчик был уведомлен в рамках политики ответственного разглашения. До выпуска исправлений потенциальная эксплуатация уязвимостей могла привести к компрометации персонального или рабочего устройства, так как давала злоумышленнику полный контроль над ОС.

Привет, Хаброжители! Мы приготовили для вас новый перевод про генерацию 3D-мешей из текста.

Недавно мне захотелось научиться преобразовывать текст в 3D-меши для последующего рендеринга, так, чтобы такими объектами можно было манипулировать в рамках моего проекта Geotoy и на языке Geoscript. Я занялся исследованием инструментов и библиотек, которые могли бы решать разные аспекты этой задачи, и потом собрал конвейер, реализующий всё вместе. Получились красивые 2-многообразные 3D-меши, поддерживающие произвольные шрифты, текстовые стили и многое другое.

В этом посте мы подробно разберём всю получившуюся конструкцию. Надеюсь, материал пригодится всем, кому интересно реализовать что-то подобное и самостоятельно пустить такой проект в работу.

Tooltrace — нейросетевой инструмент, который генерирует ложементы для предметов по фотографии. На выходе пользователь получает CAD-файлы, чтобы ложемент можно было распечатать на 3D-принтере, вырезать лазером или изготовить из вспененного материала.

4000 строк в одном MR. Три часа на ревью, 12 замечаний, исправления - ещё 800 строк. На четвёртом заходе я закрыл вкладку и понял: проблема не в коде, а в том, что никто не знал, что именно нужно было написать.

Если ты работаешь с большими кодовыми базами, ситуация знакомая. Большие MR - симптом. Когда непонятно, чтоименно нужно сделать, разработчик пишет больше кода, чем требуется. Добавляет на всякий случай. Покрывает сценарии, которые никто не просил. MR растёт не потому что задача большая, а потому что границы размыты.

Другая причина — иллюзия, что проще сделать всё в одной задаче, чем декомпозировать. Кажется, что разбиение создаёт лишнюю работу. На практике монолитный MR на 4000 строк никто не может нормально проверить, и баги просачиваются в продакшн.

Компьютер под Linux по цене двух монтажных плат SOIC-8

Знаю, Хабр - платформа для вдумчивых лонгридов.

Однако иногда две картинки красноречивее тысячи слов:

Задумывались ли вы когда-нибудь, с чего на самом деле начинается великая игра? Не с первой строчки кода. Не с первого полигона модели. И даже не с концепт-арта. Она начинается с мысли, которая была поймана и пригвождена к бумаге.

В индустрии принято много говорить о развитии технологий. Мы знаем всё об эволюции движков, о войне консолей и о том, как за считанные десятилетия пиксели превратились в фотореалистичные пейзажи. Но у нас есть огромное слепое пятно. Мы почти ничего не знаем об эволюции мысли. О том, как развивался сам способ вынимать абстрактную идею из головы и превращать её в систему, которую можно не только почувствовать, но и построить. Мы научились создавать логические мосты между нашим “я хочу, чтобы игрок ощутил это” и техническим “система должна работать вот так”, превращая эфемерные мечты в понятные инструкции для других людей.

Сегодня мы называем этот инструмент просто и почти до зевоты скучно — Гейм-Дизайн Документы.

Привет, это новый выпуск «Нейро-дайджеста» — коротких и полезных обзоров ключевых событий в мире искусственного интеллекта и технологий. 

Неделя выдалась насыщенной: OpenAI запустили ChatGPT Health для проверки здоровья, Anthropic релизнули Cowork — аналог Claude Code для непрограммистов, новые инструменты от Qwen и Higgsfield, а цены на оперативу вырастут ещё на 70%. 

Всё самое важное — в одном месте. Поехали!

2D‑разработка давно прошла путь от нишевого ремесла до полноценного сегмента индустрии. Инструменты вроде Unity, GameMaker и Godot сделали создание игр доступным, но параллельно многие студии продолжают писать свои движки ради большего контроля, лучшей производительности или уникального стиля. Многие проекты могут быть реализованы на готовых движках без серьезных компромиссов, но есть и такие, где собственное решение дает ощутимое преимущество.

В этой статье попробуем разобраться, обязательно ли использовать громоздкий SDK для создания относительно простой игры с двухмерной графикой. Или можно создавать технологическую базу прямо по ходу разработки.

Мы живём во времена, когда на оперативной памяти для heap Java-приложений почти не экономят, а архитектурные решения, которые ещё недавно можно было назвать расточительными, всё чаще воспринимаются как best practices.

Но не все коту масленица. Благодаря AI - буму, облачным вычислениям и микросервисной архитектуре с сотнями одновременно работающих инстансов, мы можем воочию наблюдать неукротимый рост стоимости оперативной памяти, что обязывает вернуться к рассмотрению принципов её экономии.

В этих условиях привычные абстракции требуют переоценки.

Сегодня я хочу напомнить об одной из самых распространенных в Java — autoboxing — механизме автоматической упаковки примитивных типов в соответствующие объекты-обертки.

Приглашаю вас посмотреть на знакомый Java-код не глазами разработчика, а глазами JVM, сборщика мусора и процессора, и разобраться, как незаметные на уровне синтаксиса решения превращаются в аллокации, давление на GC и раздувание heap.

Вебинар: Agentic RAG или как построить AI-агента с доступом к знаниям

Anthropic опубликовала четвертый выпуск Anthropic Economic Index — на этот раз компания проанализировала 2 млн сессий Claude и ввела пять новых метрик для оценки экономического влияния ИИ. Главный вывод оказался неожиданным: модель преимущественно берет на себя высококвалифицированные задачи, а людям остается более простая работа.

В Cursor подробно разобрали, как эволюционировал Bugbot — агент для код-ревью pull request’ов, который ищет логические баги, проблемы с производительностью и уязвимости до мержа.

Изначально качество оценивали почти вручную: меняли пайплайны, модели и фильтры, опрашивали инженеров и отсекали конфигурации с высоким числом false positive. Один из первых устойчивых приёмов...

Здесь много читателей, которые создают свои стартапы. Если вы один из них, или вы менеджер продукта, будет полезно посмотреть на две классические ошибки из за которых уходят пользователи, и узнать, как не допустить подобного у себя.

Так как это «антигайд», советы ниже воспринимайте с точностью до «наоборот»!

Всем привет! Сегодня разберём, как проектировать агента, который доезжает до продакшена и приносит пользу бизнесу: от вопросов на старте до стека и практик, без которых он развалится в эксплуатации.

Хватит делать заметки, которые пылятся. Пора создать систему, которая действительно думает вместе с вами.

Я перепробовал все системы продуктивности. Базы данных Notion, которые превращались в цифровые кладбища. Доски Miro, которые выглядели впечатляюще, но никогда не помогали мне делать что-либо. Хаос Apple Notes. Всё по полной программе.

А потом что-то щёлкнуло. Я перестал пытаться создать лучшую систему заметок и начал строить кое-что другое: второй мозг, который действительно работает со мной.

Секрет? Сочетание локального, простого текстового формата Obsidian с возможностью Claude Code реально работать с вашими файлами. Не просто искать по ним. Не просто суммировать их. По-настоящему манипулировать, генерировать и улучшать их программно.

Сразу оговорюсь: для второго мозга критичен доступ к AI-моделям. Мне здесь выручает BotHub. Протестируйте сами, по ссылке дают 300 000 бесплатных токенов, так что можно сразу тестировать систему на своих файлах.

Вот система, которую я создал, и как вы можете построить свою.

Про Null References.

Привет, Хабр!

Мечтаю заговорить свободно на английском, но нахожусь в ситуации, когда ты читаешь документацию, можешь переписываться в Slack и даже понимаешь мемы на Reddit. Но как только дело доходит до звонка или живого общения, мозг превращается в тыкву. Думаю меня поймет большая часть IT-инженеров и не только. В голове строится сложная конструкция на русском, которая мучительно долго и с ошибками переводится на английский. В итоге паузы, неловкое «ммм» и потерянная уверенность.

Я поставил себе цель: к концу 2026 года уверенно выйти на уровень B2. Не просто пройти тест, а избавиться от задержки при переводе мыслей. Поняв, что классические методы вроде Duolingo или группы в Zoom мне не дают нужного темпа, я решил собрать свою команду репетиторов на базе AI.

В этой статье расскажу, как я создал экосистему из трёх Telegram-ботов, почему выбрал китайскую нейронку Qwen и как это помогает мне заниматься по 30-60 минут каждый день.

Исследователь Роб Шапланд в рамках пентеста получил доступ к почте генерального директора компании с помощью одного звонка и голоса CEO, сгенерированного ChatGPT на основе открытых данных из ролика в Youtube.

Привет, Хабр! Меня зовут Владислав Волох, я руковожу группой разработки сервиса DataSphere в Yandex Cloud — и я люблю учить нейросети тому, что делать вручную не хочется. Эта любовь к инженерным решениям и ML пригодилась в быту: так появился мой пет‑проект автомата для приготовления простых коктейлей со встроенной базой рецептов, который уже полюбился многим коллегам. 

В этой статье расскажу, как это работает и как я собирал свой аппарат под управлением iOS, не написав при этом ни одной строчки кода.