Open source *

Я хочу убрать ручной перенос плановых и фактических показателей из Excel в PowerPoint. Цифры уже собраны, расчёты понятны, структура отчёта почти не меняется. Однако каждую неделю приходится открывать прошлую презентацию, заменять значения, двигать подписи и проверять, не осталась ли где-нибудь старая дата.

Работа небольшая. Повторяется бесконечно.

При этом цена опечатки вполне осязаема: на слайде обсуждают число, которое разошлось с исходной таблицей. Или сравнивают показатели по диаграмме, у которой после обновления незаметно изменилась шкала. Хотелось сделать этот переход воспроизводимым: пользователь загружает новую таблицу, проверяет значения и получает очередной отчёт с теми же правилами оформления.

Так появился Report Slides — локальное приложение на Python, которое принимает CSV с планом и фактом и собирает редактируемый PPTX. Интерфейс открывается в браузере. Модель и API-ключ не нужны, пользовательские отчёты приложение само на диск не записывает.

Ниже я расскажу об устройстве генератора: строгом импорте, арифметике через Decimal, нативных диаграммах PowerPoint, встроенных книгах Excel и состоянии интерфейса. Больше всего внимания досталось местам, где маленькая утилита способна незаметно исказить результат.

Я учел фидбек сообщества, открыл исходный код и сменил стек — теперь на Rust написано 99,6% всего кода, а от Tauri и Webview я полностью отказался.

В статье расскажу, как проходил перенос, что внедрено и улучшено благодаря сообществу, а также какие проблемы возникли в процессе рефакторинга.

По требованиям Netflix к сведению диалог стоит на −27 LKFS, а пики допускаются до −2 dBTP, и дома на колонках ноутбука я весь фильм крутил громкость. Я написал расширение для Chrome, Edge, Яндекс Браузера, Opera и Firefox, которое каждые 100 мс измеряет громкость видео и подстраивает усиление. На тестовом фрагменте разница между диалогом и экшеном уменьшилась с 16,1 до 3,8 дБ.

Новая реализация уже работает, а старая всё ещё лежит где-то в репозитории. Её провайдер зарегистрирован в контейнере, тесты продолжают вызывать старый сервис, поиск находит ссылки на класс. Всё выглядит так, будто код нужен. Только само приложение им больше не пользуется.

Чтобы это выяснить, приходится пройти от точки запуска до обработчика, от обработчика — до зависимости, от зависимости — до провайдера. Заодно проверить, кто вызывает общие функции и что останется после удаления старой ветки. Именно на восстановление этих связей я хочу тратить меньше времени.

Я делаю Deadtrace — статический анализатор, который моделирует такие связи и собирает кандидатов на проверку. В этой статье расскажу, почему для этой задачи мне стало недостаточно подхода Vulture, как устроен Deadtrace и где заканчивается уверенность анализатора.

Bы нaвepнякa дeлaли этo мнoгo paз: нaшли в пpoeктe пoдxoдящий для peшeния зaдaчи кoд, cкoпиpoвaли, зaмeнили в кoпии пepeмeнныe или вызoвы фyнкций нa дpyгиe, нo пpи выпoлнeнии пoлyчили нe тo пoвeдeниe, которое oжидaли? Bepoятнo, пpи peдaктиpoвaнии чтo-тo ycкoльзнyлo oт вaшeгo внимaния. Имeннo тaк poждaютcя oшибки, o кoтopыx пoйдёт peчь в этoй cтaтьe.

Для моих задач Prometheus ел слишком много памяти, и я стал искать альтернативу. Нашёл Deckhouse Prom++, у которого заявлена экономия памяти в 7,8 раза, и решил проверить это на своём стенде. Сравнил его с Prometheus 3.15.0 и 2.55.1 на 500 000 активных серий, 12 прогонов за два дня. Получилось 4,4 раза по памяти, 3,8 по процессору и около 24% по скорости запросов при 16 клиентах. Рассказываю, как мерил, где ошибся и почему цифры отличаются от заявленных.

Три недели назад у меня была папка семейных бумаг и несколько семейных преданий. Сегодня — архив на 597 человек, 648 документов и линия длиной в одиннадцать поколений, до ревизской сказки 1745 года. Основную работу сделали два ИИ-агента: читали почерк XVIII века, листали тысячи неиндексированных сканов и нашли ногайских князей, финский лагерь военнопленных и крёстную из имения, где жил Чайковский.

Рассказываю, как это устроено, чему пришлось научить агентов, чтобы им можно было верить, и как из этого выросли открытый движок для семейных сайтов и MCP-сервер для любого ИИ-ассистента.

Днём я занимаюсь корпоративными системами, а по вечерам делаю свои проекты с помощью Claude Code. В какой-то момент я заметил, что пишу код всё меньше, а работаю диспетчером всё больше: напоминаю агенту продолжить, перепроверяю его «готово», а утром обнаруживаю, что в час ночи закончился лимит подписки и всё стояло. Я написал для этого локальный надсмотрщик, AIWorks, а потом отдал ему на сутки его собственный репозиторий. Ниже — как он устроен, что получилось и, главное, что сломалось по дороге.

Я делаю Lumi, открытый лаунчер в духе Spotlight: по горячей клавише открывается строка, в которой можно запустить программу, найти файл или задать вопрос нейросети. Честно скажу сразу: код я пишу вместе с Claude, сам я не программист. Но тесты, цифры и ошибки ниже настоящие, и о них хочется рассказать.

Задача была такая: человек без опыта нажимает одну кнопку и получает ИИ, который работает без интернета. Ему не нужен терминал и не нужно знать, что такое Ollama. Дальше расскажу, что из этого вышло и обо что я споткнулся.

Недавно мы опубликовали эксперимент, в котором удалось запустить Qwen3.8-27B целиком на RTX 5060 с 8 ГБ видеопамяти и получить около 30 токенов в секунду.

Результат оказался неожиданно интересен сообществу. Но в комментариях довольно быстро появился закономерный вопрос: а насколько сильно отупела модель после такого сжатия?

Вопрос справедливый. Можно поместить хоть 100 миллиардов параметров в несколько гигабайт, но если модель после этого не может решить элементарную задачу, практической пользы немного.

Поэтому мы временно отложили оптимизацию скорости и занялись проверкой качества.

Результаты оказались гораздо интереснее, чем мы ожидали.

Сначала немного контекста

Наш проект называется ExVRAM Lab. Это открытая исследовательская лаборатория, посвящённая запуску больших языковых моделей на обычных потребительских видеокартах с ограниченной памятью.

В первой статье мы показали, что Qwen3.8-27B в формате UD-IQ2_XXS полностью размещается на RTX 5060 8 GB.

На реально заполненном контексте около 8 тысяч токенов медианная скорость пяти запусков составила 30,10 токена/с, а пиковое потребление VRAM — 7767 MiB.

То есть с точки зрения размещения модели в памяти и скорости генерации задача была решена.

Но оставался главный вопрос: сколько способностей исходной модели мы потеряли ради этих цифр?

IQ2_XXS — очень агрессивный формат квантования. Он позволяет существенно сократить объём весов, но вместе с этим возникает риск искажения вычислений.

Причём влияние квантования может быть неодинаковым. Модель способна нормально отвечать на простые вопросы, но ошибаться в математике, терять последовательность рассуждений или переставать выполнять сложные инструкции.

Я сделал менеджер задач Dela, который ставится на свой сервер. Задачи шифруются на устройстве, сервер хранит и раздаёт только зашифрованный текст, а телефон и компьютер сводят правки сами, по отдельным полям с метками гибридных часов. Весь код написал Claude Code.

Dela работает в браузере, на Windows и на Android, код открыт под лицензией AGPL-3.0. Сервер ставится через Docker. Свой сервер я поднял на VPS, где уже работают другие мои проекты. Регистрация там закрыта, и пользуюсь им только я.

В DataSafeS3 1.5.0 я переделал доставку событий. Раньше вебхук уходил после записи метаданных, и если сервер падал между записью и отправкой, событие пропадало: система аудита или антивирус просто не узнавали об изменении объекта. Теперь событие записывается в таблицу исходящих событий в той же транзакции, что и метаданные, а отдельный процесс доставляет его в вебхуки, NATS JetStream или Kafka. Событие доставляется хотя бы один раз, поэтому возможны дубли. Есть и случаи, когда оно может не дойти, и их видно в метриках.

Обычный Ctrl+C оказался для моей Java VM неожиданной проблемой: сначала он завершал саму виртуальную машину, а после исправления перестал останавливать команды внутри Linux. Чтобы разобраться, пришлось пройти весь путь от host terminal через UART и KVM до гостевого TTY и Unix-сигналов. В статье разберём не только причину, но и метод диагностики, который пригодится далеко за пределами виртуализации.

Мы внедрили HolmesGPT — open-source SRE-агента — в шести Kubernetes-кластерах на трёх проектах. Теперь через несколько минут после алерта рядом с ним в чате лежит гипотеза: что происходит, почему и что проверить. Дежурный не начинает расследование с нуля.

Готовой связки с Alertmanager в открытой версии HolmesGPT нет, поэтому мы написали и открыли свой инструмент — holmes-alert-bridge. Ниже — как это устроено, сколько стоит и чему мы научились за первый месяц.

Доля респондентов, которым сложно использовать Prometheus и OpenTelemetry вместе, за два года сократилась с 29% до 10%. Почти половина участников опроса сочетает подходы Prometheus и OTel к инструментированию инфраструктуры, не переходя полностью на один из них. Команда VK Tech перевела статью с результатами опроса, которые пригодятся SRE и платформенным инженерам при выборе способа инструментирования инфраструктуры и приложений.

Авторы опросили пользователей OpenTelemetry и Prometheus о том, как они собирают, обрабатывают и хранят метрики. Они хотели на основе реальных данных об использовании понять, насколько продвинулась экосистема и по-прежнему ли совместимость вызывает трудности.

Каждый день я делал одно и то же: открывал Spotlight, чтобы найти файл или запустить программу, а потом лез в браузер, открывал вкладку с ИИ и вставлял туда вопрос. Два разных места для одного действия — «мне нужно что-то быстро». Захотелось, чтобы это была одна строка: нажал клавишу, напечатал — и если это файл, он открывается, а если вопрос, отвечает нейросеть.

Так появилась Lumi — бесплатная программа с открытым кодом для macOS и Windows. Сделал я её не один, а вместе с ИИ-ассистентом Claude Code: о том, как это было, — в конце статьи.

У меня есть Telegram-бот, который каждое утро присылает пять трендовых репозиториев GitHub с trendshift.io. Под каждым кнопка: нажал, и бот выдаёт выжимку README, чтобы разобрать идею. Я читаю эту ленту каждый день и иногда ставлю то, что понравилось.

26 сентября в ленте был «Microsoft Activation Scripts»: 1774 звезды, аккуратное описание, теги. Бот оформил его так же, как четыре соседних проекта, с той же кнопкой.

Это была ловушка.

Команда Qwen из Alibaba выпустила Qwen-Image-2.1 — модель для генерации и редактирования изображений на базе diffusion transformer с 7 млрд параметров, поддержкой нативного вывода до 2K и лицензией Qwen Research License.

Она умеет

Автор оригинала выпустил коммерческий веб-продукт с аккаунтами, оплатой через Stripe и письмами через Postmark на технологии 1994 года: CGI-программа на C, OpenBSD httpd и файл SQLite. Без фреймворка, шаблонизатора, контейнера и JavaScript, с тремя зависимостями. В статье: как устроен стек BCHS, чем CGI удобен сегодня (отладка в шелле, минимальный риск цепочки поставок, выкатка заменой одного файла) и чего в нём не хватает.

Про Iceberg сейчас много чего понаписано. Либо обзор «формат будущего, открытость, лейкхаус», после которого непонятно, где нажать, либо разбор одного механизма — снимки отдельно, каталог отдельно, права отдельно. Iceberg плохо объясняется словами, поэтому я собрал стенд, где все части уже соединены и поднимаются одной командой. Trino, каталог Lakekeeper, права в OpenFGA через OPA, вход через Keycloak, S3 на RustFS, а из инструментов нужен только DBeaver. В статье — путь одного запроса через все компоненты, снимки и откат таблицы, права мышкой и обслуживание таблиц с рекомендациями для рабочей системы.