В двух предыдущих статьях мы проверяли языковые модели на наших повседневных задачах: работе с данными в электронном лабораторном журнале и исправлении ошибок в трёх закрытых проектах на Delphi — от программы рентгеновской рефлектометрии X-Ray Calc до нашей системы управления лабораторией.

В обоих тестах локальные модели на моей рабочей станции (одна карта RTX 5080 на 16 ГБ и 62 ГБ оперативной памяти) заметно отставали от облачных лидеров. На вопросах по журналу ранняя сборка Qwen 3.8 IQ2_XS набрала жалкие 33% (8 из 24), а gpt-oss-20b — 40%. На задачах Delphi специализированная Qwen 3.8 Coder IQ1_M взяла 16 задач из 20 (80%). Результат уже вполне рабочий, но до Claude Sonnet 5.5 (19/20) она всё-таки не дотянула.

Конечно, можно было на этом успокоиться и списать отставание на скромные 16 гигабайт видеопамяти. Но мне не давал покоя вопрос: модель действительно упёрлась в свой потолок или мы сами подрезали ей крылья настройками и капризными инструментами? Сели разбираться — и довольно быстро нашли узкие места. Поменяли урезанную сборку весов на полную, поправили конфигурацию сервера, научили инструменты спокойно относиться к мелким огрехам сериализации — и на том же самом железе локальная Qwen 3.8 взяла реванш!

Попросите агента «поставь нам LLM-шлюз», и он уверенно придумает переменные окружения, которых не существует. Поэтому у Keystone есть плагин для Claude Code: восемь скиллов, которые знают настоящие команды, флаги и поля конфига, и MCP-сервер, через который агент видит, что запущено. Ключи при этом в чат не попадают.

Keystone. The Model Switchboard. (KTMS) — self-hosted LLM-шлюз на Go: сервисы ходят в одну точку, а он хранит ключи вендоров, выбирает модель по правилам, переключается при отказах и держит лимиты расходов. Про сам шлюз была релизная статья, здесь — как его поставить за один разговор с агентом.

Если в архиве много мелких файлов, unzip тратит бо́льшую часть времени на печать их имён в терминал: при построчной буферизации записей получается намного больше, чем нужно. Разбираем, как её реализуют glibc и CPython и почему вместо сброса на перевод строки хватит идеи из алгоритма Нейгла: сбрасывать буфер, если он простоял около 100 мс.

Отчёт в PostgreSQL может менять результаты от запуска к запуску, даже если исходные данные остались прежними. Причина может скрываться в порядке сложения чисел с плавающей точкой, сортировке строк с одинаковым временем или разных снимках данных, которые получают запросы дашборда. В статье разбираем три таких сценария на практических экспериментах и выясняем, как сделать результаты запросов предсказуемыми.

Мы разобрали, из чего состоит ИИ-агент, на примере 69 агентов из каталога Agents Place и посмотрели, сколько стоит один их ответ. Разброс — больше чем в 100 раз: от ~0,94 ₽ за сообщение у агента на DeepSeek до ~121,57 ₽ у агента, который генерирует видео. Рассказываем, из чего складывается эта цена и почему модель в ней не главное.

По умолчанию у requests таймаута нет: клиент может висеть часами. Разбираем, чем connect отличается от read, почему одно число в timeout — не «длина всего запроса», как настроить urllib3.Retry без шторма и POST-дублей, и как ограничить всю операцию бюджетом времени. Код прогнан на Python 3.13 и requests 2.34 / urllib3 2.8; цифры — с локального стенда.

Браузеры традиционно относятся к самым крупным потребителям памяти на персональных компьютерах. Иногда кажется, что разработчики просто забили на оптимизацию, но реальность куда прозаичнее: пользователи открывают всё больше вкладок, сайты обрастают медиа и JavaScript, новые веб‑стандарты требуют хранить больше данных, а ради безопасности браузер изолирует сайты в отдельных процессах.

На три последних пункта повлиять сложно. Но что делать с десятками вкладок, которые пользователь открыл, посмотрел и забыл? Не запускать процесс до первого посещения — легко. Гораздо интереснее случай, когда страница уже загрузилась и продолжает занимать память — почти как активная вкладка.

Просто так закрыть её нельзя: страница потеряет состояние, а музыка, видео или фоновая задача могут прерваться. В Chromium уже есть сборка мусора, очистка кешей и другие способы оптимизации — однако память всё равно не всегда возвращается операционной системе надолго.

Чтобы разобраться, почему так происходит, мы в команде Яндекс Браузера собрали собственный профайлер обращений к страницам памяти. Под катом — устройство виртуальной памяти, lock‑free‑структуры внутри обработчика сигнала, профилирование через управляемый SIGSEGV, борьба с kevent64, mach_msg и libdispatch, а также переход от эксперимента на macOS к оптимизации, которая сильнее всего проявила себя на Windows.

True - язык программирования, где программа есть цикл, а код программы - лента кубитов (строк).

Simple - кроссплатформенный интерпретатор на Python 3 + Tkinter. Простой, без зависимостей.

MVP с ИИ-агентом сегодня делает каждый. Сложности начинаются, когда задача меняет код сразу в нескольких модулях или репозиториях: правим в одном месте, ломаем в другом, а спецификация целиком не помещается в контекст одной сессии. Рассказываю, как устроен наш плагин pepper-orchestrator для Claude Code и Codex: цель становится программой и пакетами работ, части идут параллельно у разных агентов, а каждое "готово" проходит независимую проверку. И показываю всё это на реальном кейсе от первой команды до сдачи.

UPDATE, который выполнялся около 10 тысяч раз в секунду, почти исчез. Выборка из истории статусов у самой загруженной группы на зеркале базы ускорилась с 274 мс при прогретом кэше до 0,4 мс. Такие места автор нашёл вместе с кодинг-агентом: подключил его к трейсам продакшена Sentry и короткими вопросами направлял поиск. Вместе правки убрали сотни миллионов запросов в неделю. В статье показано, какие подсказки давал человек, как изменения проверялись через EXPLAIN ANALYZE и какие цифры получились.

13 октября 2026 года Линус Торвальдс ответил в рабочей переписке разработчику, который хотел ограничить ИИ в работе над ядром Linux. Ответ был довольно резким и саркастическим: Торвальдс предложил оппоненту отказаться не только от ИИ, но и от компиляторов.

В Go обнаружили гонку данных, исправили её, а спустя три дня откатили фикс. Оказалось, что HTTP-клиент может продолжать отправлять тело запроса даже после получения ответа от сервера, и это приводит к неожиданным последствиям при повторном использовании буферов. Разбираем два реальных случая из vmagent и vmauth, в которых одна и та же проблема потребовала противоположных решений.

В конце октября я неожиданно остался без рабочего Claude Code. После запроса на подтверждение личности Anthropic приостановила доступ к моей платной организации. Подписку Claude Max 20x впоследствии отменили, а в возврате средств отказали. Апелляцию я отправил, но разработку проектов останавливать на неопределённый срок не хотелось.

Проблема оказалась не столько в выборе другой нейросети.

За время работы с Claude Code накопились десятки проектов и диалогов. В них оставались архитектурные решения, обсуждения функций, результаты экспериментов, исправления ошибок, планы развития и множество мелочей, которые не всегда попадали в документацию.

Исходный код никуда не исчез. Git-репозитории тоже. Но как объяснить новому агенту, почему проект устроен именно так, какие варианты мы уже отвергли и на чём остановились вчера?

Я решил перейти на OpenAI Codex. Сначала задумался о собственном инструменте переноса истории, затем попробовал встроенный импорт Codex, но результат меня не устроил.

В итоге обнаружил Hansard — инструмент, который не только позволяет восстанавливать историю работы в разных ИИ-агентах, но и предлагает дополнительные возможности для хранения, поиска и повторного использования накопленного контекста.

Расскажу, что получилось, что не получилось и как повторить такой переезд.

Всем привет! Эта статья является третьей в серии статей про основы глубокого обучения. В прошлых двух частях я рассказал много интересного и полезного новичкам, так что рекомендую перечитать. 

В этой части мы разберём подробнее задачи связанные с обработкой естественного языка (NLP) и реализуем двухслойную нейронную сеть классификации текста.

Я столкнулся с непониманием того, что тестировщики стали узким горлышком в процессе разработки ПО. Современные программисты, используя кодинг‑агентов по подписке за 20$ в месяц, могут за день своей работы выдать объем кода и функционала, который ранее они делали неделю или даже месяц. Но ведь что толку? Пока тестировщики не проверят то, что выдал программист вместе с LLM, оно не будет выпущено в продакшен или зарелизено и выложено публично для пользователей.

Два потока выполняют counter++ по одному разу. Шаги можно чередовать 20 способами, и в 18 из них обновление теряется, но на простаивающем ноутбуке за 10 000 запусков такого не случилось ни разу, а с барьером на старте случилось 4 раза. Фарид Закария, работавший в AWS над RDS, замеряет на этой гонке, сколько порядков реально выполняет обычная машина, простаивающая и загруженная, и сколько их достаёт детерминированная виртуальная машина Rewind VM: под ней обновление теряется в 1371 запуске из 10 000 без барьера и в 2997 с барьером. Заодно он объясняет, почему тесты не видят баги, зависящие от расписания.

Я сделал себе задачник, из которого агент сам берёт задачи с пометкой «Агенту», делает их на моём компьютере и пишет отчёт прямо в задачу. Рассказываю, как это устроено: MCP-сервер, вход через браузер или по токену, запуск по расписанию и что агенту можно, а что нет.

- пробежаться глазами по неочевидным местам в коде, проверка которых ещё не покрыта автоматикой,

- проверить как отработала автоматика детерминированной проверки правил разработки.

У меня это занимает не больше 5-15 минут на пулл-реквест. "Бутылочное горлышко" я наблюдаю совсем в другом месте.

Сейчас агенты пишут код очень быстро. Это ускоряет разработку.

Так же быстро и в большом количестве агенты пишут тесты. Тесты - это хорошо, это фиксация контрактов, соблюдение правил разработки и подтверждение того, что код делает то, что нам нужно. Мы заставляем агентов тестировать код и они делают это легко и быстро. Мы радуемся: количество кода растёт, система становится больше и не теряет надёжность.

Казалось бы, может ли что-нибудь пойти не так. Может и обязательно пойдёт не так.

Тестов становится слишком много. За пару лет существования моего проекта люди-программисты написали около 3000 тестов. Половина из них была написана мной в течение года. Я делал много рефакторинга (приводил приложение в порядок), обновлял версии библиотек со сломанной обратной совместимостью и нужно было много тестов как гарантия того, что функционал приложения я не поломал.

Вышел Kodacode 1.3 и теперь он умеет работать с приложениями на компьютере. А в Desktop появился свой браузер, чтобы открывать страницы рядом с чатом и сразу передавать агенту нужный фрагмент.

Ещё добавили просмотр правок даже без Git, интерактивные прототипы и потоки автоматизаций с AI-агентами. CLI тоже обновили, теперь его удобнее встраивать в CI и собственные инструменты.

В статье показываем, как всё это работает. Питомца тоже покажем. Да, он теперь есть.

Каждая новая реплика запускает то же приложение, но JIT снова с нуля ищет горячие методы, собирает профиль и компилирует код.

Казалось бы, пусть первая JVM сохранит результат, а остальные его заберут. Но машинный код JIT зависит от состояния конкретного процесса. От иерархии классов, загруженных реализаций и реального трафика.

Чтобы перенести один метод, нужно быстро проверить тысячи предположений. Причём даже полностью корректный код может оказаться медленным для другой реплики.

В статье разбираемся, почему поделиться результатами JIT гораздо сложнее, чем просто положить их в кеш.

27 лет писать код, а потом полностью доверить разработку ИИ? Ускорить формирование отчета в 14 раз? Подключить ИИ-агента к 1С, преобразить привычный Конфигуратор и найти новую работу с помощью нейросети?

В новой подборке Инфостарт - реальные кейсы, неожиданные эксперименты и практические решения от участников сообщества. Разбираемся, какие инструменты уже меняют работу специалистов 1С, как они помогают экономить время и какие возможности открывают для разработчиков.

AI‑агент исправил упавший CI, сборка стала зелёной — можно мержить? В эксперименте с двумя AI‑ассистентами выяснилось, что при конфликте тестов со спецификацией агенты могут менять сами тесты, подгоняя результат под ожидаемый. В статье разбираем шесть ошибок в организации работы с AI‑агентами и способы защитить тестирование от незаметной подмены требований.

Новый поиск и индекс для нашего ИИ-ассистента мы написали за три дня вместе с Claude Code. А чтобы кто-то в команде смог за этот код отвечать, понадобилось ещё три недели. Разбираемся, куда ушло это время, чем ревью отличается от принятия кода на сопровождение и как теперь принимаем большие агентные задачи по частям.

переписал свою dnd-либу для Vue с нуля

Я уже про Vue DnD Kit писал. С тех пор вышла 3.0, и от прошлой версии там мало что осталось: переписал все с нуля. Новое API, анимации из коробки, канбан и деревья без танцев с бубном. Ну и граблей по дороге собрал прилично, про них тоже расскажу.

Сделал полный редизайн документации, добавил skills для агентов, добавил то что много времени просили лично в телеграмме и в issues.

Расширил количество примеров, и сделал действительно премиальные примеры. По типу готовой канбан доски, редактора форм, редактора HTML, календарь и не только.
Уверен многим примеры понравятся, и возможно кто нибудь сделает на их основе свои пакеты.

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

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

Если вы разрабатывали программную систему, то, вероятно, искали в интернете разные справочники вроде государств, языков, единиц измерения, форматов данных и т.д. Если да, то у меня с вами есть что-то общее. Я тоже искал и находил. Потом снова, но уже другие. Все это старался как-то впихнуть в проект. Но многие категории - многие печали. В общем, я сделал один большой реестр общеизвестных данных, назвал UED и жизнь стала чуть лучше.

На этой неделе в топ Хабра попала история о том, как Telegram Desktop при запуске рекурсивно чистил чужую папку C:\custom и унёс около 800 ГБ проектов и программ. Комментарии предсказуемо разделились на «как такое вообще можно выпустить» и «у нас в проекте есть такой же скрипт, просто ему пока везло».

Я отношусь ко второй группе. Почти в любом проекте есть код, который что-то удаляет рекурсивно: очистка кеша, временных файлов, артефактов сборки, старых бэкапов. Пишется он за пять минут, ревьюится по диагонали, и годами работает правильно — до первой пустой переменной или неожиданного симлинка.

Ниже — разбор типичных способов выстрелить себе в ногу и рабочий код на Bash и Python, который эти способы закрывает. Весь код я прогнал на Python 3.13 и GNU coreutils 9.7.

Привет, Хабр! Мы — Настя и Эвелина — бэкенд-разработчики Т-Банка, пишем код на Scala и горим желанием его популяризировать. Мы собираем и агрегируем новости из разных источников, включая Scala Times, блог Petr Zapletal, добавляем дополнительные материалы и собственные комментарии. Мотивацию черпаем из желания развиваться и делиться полученными знаниями.

Приветствуем любую обратную связь! (づ ◕‿◕ )づ

Можно ли в 2026 году жить в России, работать на зарубежную компанию, получать валюту и претендовать на контракты от $10 000 в месяц? Что сегодня важнее на международном рынке – технические навыки или умение продать собственный опыт? Почему первое собеседование на английском почти всегда оказывается стрессовым, какие технологии сейчас продаются дороже остальных и что происходит с разработчиком, когда одной работы становится мало и он берёт семь параллельных проектов?

Я, Александр, автор телеграм-канала «Shulepov Code», поговорил с Евгением – разработчиком с более чем двадцатилетним опытом в IT, автором YouTube-канала «IT Красавчик» и человеком, который начал работать на зарубежные компании ещё в середине нулевых. За это время он прошёл путь от техподдержки и Perl до Go, B2B-контрактов, ставок в сотни евро в день, нескольких параллельных проектов и собственного сообщества разработчиков, которые ищут валютную удалёнку. 

В разговоре мы обсудили состояние российского и зарубежного IT-рынка, роль LinkedIn и английского, возраст разработчика, background check, выплаты из-за рубежа, B2B против обычного трудоустройства, AI, актуальные стеки, Upwork, «накрутку» опыта и цену семи удалёнок одновременно. А в середине интервью Евгению буквально позвонили по поводу background check – так что часть теории удалось проверить в прямом эфире.

Всем привет! Очень большой получился дайжест: было очень много событий. Но тем будет интереснее!

17 октября прошла наша большая открытая встреча сообщества в Нижнем Новгороде, доклады с которой уже выложены в посте ниже.

Еще поговорим про Python 3.15 и его фичи, ведь он как раз был релизнут в октябре 2026. Посмотрим, что нам уже готовит Python 3.16.

Поговорим про проекты сообщества. Очень много крутых (и очень красивых!) штук подобралось.

С меня как всегда статья без нейрослопа и ИИ, с вас как всегда интересные комментарии и лайки! А вот тут ссылка на прошлый дайджест за сентябрь.

Погнали смотреть, что у нас в питоне происходило!

Порассуждаем о том, на чём мы будем писать код в ближайшие годы. Появятся ли ещё новые языки, если нейронка умеет хорошо писать только на тех, что видела при обучении? Кто платит за Rust, Python и Zig? Переживут ли PHP и 1С эпоху агентов? И чем будут заниматься те, кто продолжит программировать?

Есть вещи посильнее “Фауста” Гёте. Есть вещи побыстрее Rust – новый ЯП Goose. Он же и помедленнее. Зависит от контекста.

В типичных публикациях феномен подаётся так: “ИИ написал язык Goose – быстрее C++ и Rust”. Под катом – магия в деталях с частичным последующим разоблачением.

К концу 2026 года Claude Code перестал быть экзотикой: CLI-агент от Anthropic генерирует всё на свете — видео, сайты, приложения, скрипты, статьи — и закрывает заметную часть инженерной рутины. Одни называют его лучшим, что случилось с разработкой за последние годы; другие указывают на лимиты, которые заканчиваются быстрее, чем ожидалось, жалуются на решения, которые агент принимает без спроса, и на очередную волну блокировок аккаунтов.

Статья для тех, кто не сразу нырнул в ИИ-сферу и до сих пор копирует код из браузера в IDE, а теперь хочет понять, что за зверь такой Claude Code.

В этой статье я расскажу как им пользоваться, почему пара часов вместо пары дней — на самом деле реальный сценарий, но только для небольшой фичи или сервиса, оговорю это сразу. Разберём, что настроить до первого запуска, как описать проект, чтобы агент не угадывал команды, и в какой момент пора остановиться и проверить всё руками. А также разберем конкретные инструменты и нововведения Claude Code - скиллы, агенты и MCP. Они распространяются и на другие альтернативы, будь то Codex или OpenCode, но Claude Code остается эталоном, на его примере и разберем.

Всем привет! В предыдущей статье мы с вами разобрали обычную проблему C++: десять потоков увеличивают общий счётчик, но из-за гонки данных программа может работать неправильно.

В Rust мы с вами постараемся решить ту же самую задачу.

Главное отличие заключается не в том, что Rust умеет создавать потоки каким-то лучшим способом, а дело в модели владения и системе типов: компилятор не позволяет безопасному коду произвольно разделять изменяемые данные между потоками.

Но это кстати и не значит, что Rust автоматически исправляет любую ошибку в многопоточности. Логические ошибки, взаимные блокировки и неправильная синхронизация по-прежнему возможны.

Будем разбираться с вами на практических примерах.

В моём пет-проекте open-daimon давно есть роутинг между локальными моделями и облаком.

Сразу оговорюсь: публично open-daimon не обновляется, потому что разработку я веду локально, так быстрее. А на его основе у меня уже есть отдельный закрытый проект, который расширяет его возможности, — студия управления агентами. В ней я всё это и тестировал.

Всерьёз захотелось по простой причине: в облаке правила чужие, и меняются они без спроса.

В октябре снова всплыло, что в потребительских условиях Anthropic для жителей ЕЭЗ и Швейцарии прямо написано: не использовать сервисы «в коммерческих или деловых целях». Под эти условия попадают Claude.ai и подписки Pro и Max. То есть разработчик в Европе, который пишет рабочий код в Claude Code по подписке Max, формально их нарушает. Для работы нужен API, Team или Enterprise, а это уже совсем другие деньги.

Вторая история про то, что тебе разрешат делать со своим же железом. Автор Decrypt попросил Claude Opus 5.5 помочь заново получить root на собственном телевизоре LG. Защита модели оборвала запрос и предложила переключиться на Opus 4.8. А исследователь, известный находкой с постоянно включённым микрофоном в телевизорах Samsung, пишет, что OpenAI заблокировала его аккаунт за «Cyber Abuse» после анализа прошивки через ChatGPT. Вместе с аккаунтом пропали примерно $500 на балансе API. OpenAI это не комментировала, так что пока это только его слова.

Направление понятное: ковырять чужое ПО будут запрещать всё чаще, а что считать злоупотреблением, решает производитель.

Всем привет! Эта статья является второй в серии статей про основы глубокого обучения. В прошлой части я рассказал много интересного и полезного новичкам, так что рекомендую перечитать тот пост.

В этой части мы разберём подробнее свёрточные нейронные сети.

AI-менеджер маркетплейсов получил весь API Wildberries, но маржу, сроки поставки и аудит карточек ему приходилось считать заново в каждом разговоре. Нужны были готовые инструменты. Оставалось решить, кто их напишет.

Разрешить писать код самому менеджеру мы не решились: он постоянно читает чужие тексты, а код выполнялся бы рядом с ключами кабинетов. Поэтому инструменты написал Claude Opus в отдельной изолированной службе, а менеджер может только вызывать готовое. Рассказываем, как устроено это разделение и как мы лишили модель возможности выполнить правку без «да» владельца.

ghbdtn и привет — это одни и те же клавиши. Понять, что имел в виду человек, нельзя в принципе. Поэтому фиксер не угадывает, а гарантирует: откат стоит ровно одно нажатие.

Сейчас мы попробуем быстро написать сканер ntfs alternate data streams потоков, на не совсем тривиальном стеке и архитектуре. Сделал я это в первую очередь для тестирования возможностей моделей семейства qwen.

Краткое пояснение для тех, кто не работал в это сфере. NTFS (аббревиатура от англ. new technology file system — «файловая система новой технологии») — стандартная файловая система для семейства операционных систем Windows NT. Одним из ее малоизвестных свойств является наличие альтернативных потоков данных (англ. Alternate Data Streams, ADS), который представляют собой метаданные, связанные с объектом файловой системы NTFS. Таким образом к файлу можно прикрепить еще несколько потоков данных которые будут не видны стандартными средствами ОС.