Все потоки

К хостинг-провайдеру, где я работаю, обратился клиент. Он просил перенести документы компании из Google Drive на облачный диск с развёрнутым и настроенным Nextcloud.

Почему мы выбрали не самый простой способ и как исправили две внезапные проблемы, которые не давали начать копирование файлов. Но в итоге всё перенесли. И вот как это было…  

Substrait — это промежуточный формат (IR) для обмена планами запросов между системами. Он снимает боль диалектов SQL, позволяет делать pushdown в разные бэкенды и избавляет от повторного парсинга/оптимизации федеративных системах и позволяет относительно безболезненно заменять один бэкенд другим. Ниже - зачем он нужен, как устроен и кто поддерживает.

Наша команда работает над системой геовизуализации, позволяющей отображать статистику на интерактивной карте. Одной из задач была отрисовка полигонов (в нашем случае — прямоугольников, рис.1) по центральной точке из массива данных, предоставленного заказчиком. Достаточно быстро мы столкнулись с ситуацией искажения размеров этих полигонов в зависимости от широты: чем ближе к северу находилась точка, тем меньше становились полигоны, а на юге они и вовсе начали перекрываться друг другом. Для тех, кто спешит, сразу перейду к объяснению решения задачи. Для остальных, кто настроен на более неспешное чтение, во второй части статьи приведена справочная информация о проекции Меркатора и её особенностях.

MCP Protocol — это новый стандарт. Как HTTP для интернета, только для искусственного интеллекта.

Что это даёт:
Экономия времени: 70-95% на рутинных задачах
Экономия денег: Окупается за 2-4 месяца
Быстрое внедрение: 1-2 недели вместо месяцев
Гибкость: Работает с любым AI
Безопасность: Ваши данные остаются у вас

Кому подойдёт:
У вас есть CRM с повторяющимися задачами
Менеджеры тонут в рутине
Хотите масштабироваться без найма
Нужна быстрая обработка лидов
Аналитика занимает слишком много времени

На данный момент я прохожу 5-дневный интенсив по AI-агентам от Google и параллельно веду собственный конспект. Эта статья представляет собой перевод оригинального материала, выполненный с помощью Gemini и мной. В некоторых местах я немного упростила формулировки или обобщила идеи.
Оригинал материала можно найти тут Introduction to Agents.

Стал замечать, что в современной продуктовой разработке царствует методологический хаос и даже фреймворкоблудие. Продакты и команды мечутся между удовлетворением «потребностей пользователей», решением «задач» через Jobs to be Done и внедрением «геймификационных механик», не особо вникая, как эти концепции связаны между собой.

Результат довольно предсказуем: продукты, которые прекрасны на бумаге, не находят отклика у аудитории.

Сегодня хочу поделиться своим видением системного подхода, который объединяет разрозненные методологии в единый практический инструмент.

Большие языковые модели (LLM) стали основой современных ИИ-продуктов, обеспечивая работу всего - от чат-ботов и виртуальных ассистентов до исследовательских инструментов и корпоративных решений. Но LLM различаются по сильным сторонам, ограничениям и стоимости: одни лучше в рассуждениях, другие - в креативе, коде или работе со структурированными запросами. Здесь и нужен маршрутизатор LLM.

Маршрутизатор LLM работает как «умный диспетчер трафика»: он автоматически направляет промпты в наиболее подходящую модель под конкретную задачу. Вместо одной универсальной модели бизнес и разработчики повышают точность, скорость и снижают затраты, маршрутизируя запросы в реальном времени. По мере роста применения ИИ маршрутизация LLM становится обязательным слоем для масштабируемых, надёжных и эффективных систем.

Сейчас всё больше внимания уделяется робототехническим решениям, антропоморфным (гуманоидным) роботам и физическому искусственному интеллекту, в этой сфере появляется всё больше и больше новых участников и стартапов. У них зачастую есть отличные идеи, которые могут изменить отрасль, но что нужно сделать, чтобы превратить хорошую идею в успешный бизнес? Известно, что большинство новых компаний терпят неудачи, однако есть те, кому удалось добиться успеха. Попробуем разобраться как они этого добились?
Хочется высказать большую благодарность компаниям за то, что они готовы откровенно рассказывать о своих неудачах и успехах.

Эта статья основана на основе материалов презентации Дороты Шортелл на конференции RoboBusiness 2025, общении с представителями российских и зарубежных компаний, разработчиков робототехники, и собственного опыта в робототехнической компании. В статье есть ссылки на те компании, которые публиковали публично информацию о своём пути к успеху

Хочется высказать большую благодарность компаниям за то, что они готовы откровенно рассказывать о своих успехах и неудачах.

Изучая опыт компаний, успешно развивающих робототехнику, и компаний, которые потерпели неудачу или были вынуждены сменить направление, позволяет новым компаниям в сфере робототехники понять, какие действия им следует предпринять, чтобы максимально увеличить свои шансы на создание устойчивого бизнеса.

Выводы основаны больше на опыте нескольких десятков американских компаний и стартапов, но этот опыт вполне адекватен и для российского робототехнического сообщества. Получившиеся выводы можно разделить на 5 основных категорий:

Как‑то на одном проекте понадобилось красиво равномерно разместить небольшие блоки‑виджеты в контейнере на странице. Сложность в том, что эти блоки различаются, как по высоте, так и по ширине. При чём нужно учесть адаптивность вёрстки и динамическое изменение содержимого, как контейнера, так и самих элементов — виджетов. Собственно мои изыскания по этой теме и вылились в разработку собственного решения и эту статью, которые, я надеюсь, будут полезны читателям.

«Геймификация в тренде? Давайте сделаем маскота, модный стиль и что-нибудь весёлое для сотрудников. Говорят, это повышает продуктивность!»

Знакомо? Так часто начинается история, где HR получает новые KPI, а сотрудники — головную боль. Компании заваливают людей контентом и задачами, но забывают об ограниченности внимания. Люди идут за смыслом и отдачей, а не ради «молодёжного вайба».

Геймификация не про превращение всего в игру, а инженерия поведения и система правил, помогающая людям двигаться к нужным действиям: учиться, завершать процессы, не бросать начатое.

Всем привет! Меня зовут Григорий Волчков, я EdTech-продакт, преподаватель НИУ ВШЭ и автор Telegram-канала «Netflix в сфере образования». 

Совместно с SENSE мы уже записывали подкаст про геймификацию на практике (часть 1 и часть 2). Теперь я собрал серию статей о том, как устроена геймификация с технической стороны: какие у неё метрики, из чего состоит система и почему за «веселыми играми» стоит работа «аналитиков-душнил».

В первой статье — основы: ключевые модели, драйверы вовлечённости и кейсы, которые показывают, почему деньги лишь одна из частей более сложной мотивационной системы.

Сеть Интернет, исходно созданная в качестве эксперимента, задумывалась как средство для связи между командами академических исследователей. Но постепенно Интернет вырос до масштабов глобальной инфраструктуры, полностью преобразившей общество. Интернету около 60 лет и, по нашим расчётам, за это время он прошёл в своём развитии три основных этапа. Сначала Интернет соединял компьютеры, затем мобильные устройства, а в настоящее время — уже и любые устройства. Но это только начало. Ведь мы близки к преодолению новых рубежей и появлению смешанных команд людей и ИИ-агентов (connected intelligence), а затем — к интернету восприятия (perception). Наконец, полагаем, нас ждёт эпоха своеобразной глобальной или повсеместной связи, вплоть до квантового уровня.

На каждом этапе развития Интернета его универсальным объединяющим свойством была соединяемость, но в каждой последующей фазе в Интернете также появляются новые формы связи. В самом начале была связь с применением пакетов с данными, которые следовали по стационарным сетям, проложенным между большими машинами. Затем Интернет приобрёл мобильность, обеспечившую широкие возможности связи между всевозможными устройствами — а не только сотовыми телефонами, ПК и серверами. Мы уже миновали три первые фазы развития Интернета (и только что вошли в четвёртую). Тем временем наблюдается постоянное расширение человеческого потенциала, возникают новые отрасли промышленности. Перестраивается весь ритм жизни и работы у всех тех, кто существует в условиях постоянного подключения к Интернету.   

Недавно я получил статус Major Contributor в проекте PostgreSQL. Это довольно радостное для меня событие и интересное, поэтому коллеги попросили написать статью об этом. А чтобы я не сомневался — заботливо составили список достижений за меня. Получилось замечательно, но публиковать от своего имени статью вида «как я крут» я не хочу. Я совсем не против про это говорить, и из каждого утюга вещаю про разные технологии, сделанные моей командой или вот прям вообще мной. Но только в контексте «как использовать эти технологии», либо в узком кругу или личной беседе. 

Я решил написать другую статью: что у меня не получилось. Писал довольно спешно, поэтому, возможно, местами будет понятно только специалистам. Не расстраивайтесь, если что‑то неясно и пришлось гуглить. А вот если всё понятно — возможно, стоит меньше смотреть в монитор и чаще трогать траву.

Инкрементальное улучшение любой популярной технологии зачастую имеет негативные последствия. И в большинстве случаев предлагаемых в PostgreSQL доработок — вред превышает пользу. Построить что‑то новое, ничего не сломав, бывает трудно и в чистом поле, а ядро PostgreSQL в этом смысле — лабиринт с граблями.

Привет, Хабр! На связи Владимир Туров, разработчик в Selectel. В этом году разработчики Paper решили, что пора стать самостоятельным проектом. Теперь с каждой новой версией Minecraft, вероятно, интерфейсы Spigot и Paper начнут расходиться. Это значит, что пора изучить, как разрабатывать и отлаживать плагины для ядра Paper.

В статье расскажу, как разрабатывать собственные плагины для Minecraft, — на примере задачи синхронизации погоды в игре с погодой в Санкт-Петербурге.

Хабр, привет!

Мы проанализировали широкий спектр уязвимостей за октябрь 2025 и собрали в дайджест те уязвимости, которые представляют наибольшую опасность — по уровню риска, подтверждённой эксплуатации и практическому интересу для специалистов информационной безопасности.

На собеседованиях часто можно услышать вопрос: «Назовите принципы хорошего кода». Даже начинающие, но уже имеющие практический опыт программисты интуитивно понимают: хороший код — это читаемый, переиспользуемый, легко расширяемый и поддерживаемый. Но что обеспечивает эти качества? Ответ кроется в объектно-ориентированном программировании (ООП).

Введение: Кризис смысла в эпоху больших данных

Начну немножко издалека. Мы живем в парадоксальное время. Искусственный интеллект окружает нас повсюду: он пишет тексты, рисует картины, решает сложные задачи. Но за этим фасадом цифрового всемогущества скрывается фундаментальная, почти метафизическая проблема: наши самые продвинутые модели не понимают ровным счетом ничего. Те, кто сколько-либо погружен в сферу ML, это прекрасно знают. Представьте библиотеку, где каждый книга идеально описана, проиндексирована и взаимосвязана, но нет ни одного читателя, способного понять смысл написанного. Это - точная метафора современного ИИ. GPT-4, Gemini, Claude - это блестящие имитаторы, статистические попугаи, оперирующие символами без малейшего представления об их значении. Они могут рассуждать о физических явлениях, но не понимать их, анализировать метафоры, но не схватывают их суть, генерировать тексты о боли и радости, оставаясь абсолютно пустыми внутри.

Этот разрыв между формой и содержанием, между синтаксисом и семантикой, является последним крупным барьером на пути к настоящему искусственному интеллекту. Но, возможно, есть решение как это обойти. Что если вместо того, чтобы заставлять машины имитировать мышление, создать для них среду, где мышление возникает естественно - как возникают волны в океане или мысли в человеческом мозге?

SemantML: От статистики к семантической нейродинамике

Хочу вас познакомить с проектом под названием SemantML - радикально новый подход к созданию ИИ, который отказывается от парадигмы "обучения на текстах" в пользу "мышления в смыслах". Гипотеза проста и одновременно нова: сознание - это не алгоритм, а динамический процесс в семантическом пространстве, и чтобы создать искусственный разум, нужно сначала создать для него "дом" - среду, где могут рождаться и взаимодействовать смыслы.

Что, если я скажу вам, что можно за 72 часа(личный вызов/ограничение) в одиночку спроектировать, собрать и отладить RAG-систему, архитектура которой основана на пяти state-of-the-art научных статьях, опубликованных буквально в последние месяцы? В рамках хакатона AI for Finance Hack 2025 от Changellenge » я решил проверить это на практике. Спойлер: было больно, интересно, а результат превзошел все ожидания.

Задача хакатона была классической, но с подвохом: создать финансового AI-ассистента, который дает точные ответы на вопросы пользователей, основываясь на предоставленной базе знаний. "С подвохом" — потому что среди простых вопросов вроде "что такое ОСАГО" скрывались и сложные, многоэтапные ("multi-hop") кейсы: "сравни условия по продукту А и продукту Б", "какой был лимит по вычету в прошлом году и как он изменился сейчас?".

Стандартный RAG-подход "найди похожие документы -> передай в LLM" на таких задачах быстро ломается. Он либо не находит все части информации, разбросанные по разным документам, либо находит слишком много "шума", в котором "тонет" языковая модель.

Поэтому, вместо того чтобы строить очередной простой RAG, мы решили пойти по пути "тяжелой артиллерии" — спроектировать полноценного агентского помощника, который умеет планировать, анализировать и итеративно уточнять поиск.

Эта статья — история нашего штурма: от амбициозного плана, собранного из передовых исследований, через жестокую реальность отладки API и библиотек, до финальной, оптимизированной и высокопроизводительной архитектуры. Я покажу, какие именно идеи из научных статей мы взяли, как адаптировали их под жесткие рамки хакатона и, самое главное, как решали проблемы, которые возникали на каждом шагу.

Пока политики спорят о безработице, компании переходят на новую валюту – роботоплотность. Именно она сегодня определяет, кто будет производить, а кто  покупать. О том как стремительно перестраивается экономика труда.

API.

Это слово звучит в каждой IT-статье, в каждой вакансии, в каждом разговоре разрабов. Но когда гуглишь, что это, вываливается тонна заумных определений про «программные интерфейсы приложений», от которых мозг плавится.

Так что сегодня объясню, что такое API, так, что ты точно поймешь: на простых примерах, интересно, да еще и с крутой графикой. Уже через несколько минут ты будешь великолепно знать, что такое API и как создать свой собственный.