Все потоки

За каждым цифровым продуктом или сервисом стоит команда специалистов, которые думают о пользователе: как он двигается по экрану, что замечает первым, где теряется и когда уходит. Это UX/UI-дизайн — одна из специализаций в IT, где не нужно кодить, зато надо думать о людях и их удобстве.

Например, когда пользователь нажимает кнопку «Оплатить», но ничего не происходит. Дизайнеру важно заранее подумать, что человек увидит во время загрузки, что произойдёт при ошибке и поймёт ли он, прошёл ли платёж.

В статье разберём, кто такие UX/UI-дизайнеры, чем они занимаются, сколько зарабатывают и куда пойти учиться, чтобы стать одним из них.

Новый QA‑инженер может обладать нужными навыками, но всё равно долго разбираться в продукте, процессах и командных правилах. Без понятного плана первые месяцы превращаются в постоянный поиск ответов и перегруз для наставника.

Разберём, как построить онбординг по модели 30–60–90 дней: какие задачи давать новичку, какие материалы подготовить и по каким критериям оценивать готовность к самостоятельной работе.

Исследователи из Грацского технического университета в Австрии опубликовали научную работу, в которой предложили крайне нетривиальный способ получения доступа к приватной информации — с помощью встроенных в любую операционную систему механизмов отслеживания изменений в файлах. Это соответственно подсистемы inotify в Linux, FileObserver в Android, ReadDirectoryChangesW в Windows и FSEvents в macOS.

Все подсистемы так или иначе сообщают о том, когда определенный файл был открыт, изменен или удален. Получить доступ к содержимому файлов через данный механизм невозможно, зато доступ к базовой информации об изменениях можно получить, не имея особых привилегий в системе. А это, в свою очередь, открывает сторонний канал передачи приватной информации. Например, в Linux можно на основе этой безобидной фичи построить кейлоггер.

Привычные инструменты интернет-маркетинга уже не охватывают весь путь пациента. Теперь часть этого пути человек может пройти с помощью нейросети, которая собирает информацию из разных источников, сравнивает предложения и формирует ответ на его запрос. Как это выглядит на практике? Например, так: пациент открывает Chat GPT и пишет: «Посоветуй хорошую стоматологию для имплантации зубов. Сравни клиники по стоимости, квалификации врачей и отзывам пациентов». Через несколько секунд он получает готовую подборку с названиями клиник, описанием их преимуществ и ссылками на источники. Ему остаётся изучить несколько вариантов и выбрать, куда записаться на консультацию. Попадёт ли ваша клиника в эту подборку? Так возникает новая задача для медицинского маркетинга: сделать так, чтобы нейросети находили достоверную информацию о вашей клинике и могли использовать её при формировании рекомендаций. Меня зовут Вячеслав Радецкий, я медицинский маркетолог. В этой статье разберу, как нейросети формируют рекомендации, какие факторы влияют на присутствие клиники в AI-ответах и что необходимо сделать с сайтом, репутацией и внешними площадками, чтобы увеличить свои шансы на попадание в такие подборки.

Все мы изучаем что‑то, чтобы применять полученные знания на практике — от школьников до студентов и далее до профильных специалистов. Передо мной однажды встала задача изучения матчасти судна. Любому понятно, что сопоставление изображений и текста в книгах — та ещё задача, а видеоматериал нагляден, но не интерактивен (нельзя изучать в собственных последовательностях, темпах и ракурсах). Год назад была моя публикация по скрипту на портале 3D печати ( скрипт автоматически открывает соответствующий текстовый блок, при выборе объекта или коллекции в аутлайнере или объекта на сцене), а недавно я показал её попутчику, с которым мы разговорились в поезде и он спросил — «Можно это использовать для изучения астрономии или биологии?», «Да» — ответил я, и вот он и предложил сделать более массовую публикацию на другом портале.

В 0.11 мы сорок раундов гоняли ИИ-ревьюеров по коду и нашли много багов. Но у каждого ревьюера было своё представление о том, что значит «правильно». В 0.12 мы начали с другого конца: записали шестнадцать инвариантов, которые обещает наша MCP-память, а затем две модели из разных лабораторий десять дней искали контрпримеры. Засчитывалась только находка с воспроизведением. Рассказываю, что они сломали (Windows посчитала NUL терминалом), во что это обошлось и что мы сознательно оставили в Known issues.

Всем привет! Это Михаил Поливаха, технический руководитель проекта Axelix (Open Source-продукта, который помогает как дебажить, так и находить распространённые проблемы и неэффективные решения в приложениях Spring Boot).

Я хочу рассказать о части Spring Framework, с которой многие никогда не работали напрямую, хотя почти все сталкивались с проблемой, которую она решает. Начну со сценария, который, как мне кажется, многим покажется знакомым:

Представим следующую ситуацию. Вы сопровождаете общую библиотеку, внутренний стартер company-commons, от которого зависит каждый сервис. И вы хотите, чтобы он задавал несколько разумных значений по умолчанию для всех приложений, подключающих этот стартер Spring Boot.

М.Видео проанализировала продажи восстановленных смартфонов в преддверии нового учебного года. На последней полной неделе августа, с 24 по 30 августа 2026 года, спрос на восстановленные Android-смартфоны вырос на 13% по сравнению с предыдущей неделей, 17–23 августа. В целом в августе их продажи увеличились на 15% относительно июля, а средняя стоимость такого устройства составила около 23,4 тыс. рублей.

С ИИ-ассистентом работа джуна выглядит так же аккуратно, как работа сеньора, и по внешнему виду ошибку уже не найти. Если автор не может объяснить, как получил результат, ревьюер восстанавливает путь сам и по сути делает задачу второй раз. Разбираю, где сгорает время старшего, на примере nginx-фикса, и какие требования к сдаче работы это лечат.

С запуском Астры я тянула. Не потому, что не было времени. Просто знала, что стоит запустить и она утянет меня в бездну. Задаешь один вопрос, спрашиваешь, а это можно? И модель выдает такое, что уже не остановиться и часы на экране показывают полночь, а утром на работу. Поэтому я ждала. Еще хотела, чтобы в голове загорелась идея и любопытство, которые уже ничем не сдержать. Так что, когда в пятницу после обеда я почувствовала это, решила, пора. Ровно в пять захлопнула рабочий ноутбук, повернулась к домашнему Маку, справа поставила айпад с чатом GPT, слева - большой стакан воды. Дело предстояло не шуточное. Даже скажем так, сумасшедшее – решили программным путем достучаться до данных Евклида (Euclid) – нового телескопа, висящего в полутора миллионах километров от Земли в районе точки Лагранжа L2, пропустить его данные через новую модель GPT 6 – Astra Extra High и…

Вот это «и» было главным вопросом.

Полгода назад я начал делать сервис для себя, без команды. Код пишут агенты в Claude Code, я ставлю задачи и принимаю результат. За это время эксперимент превратился в рабочую схему: двенадцать ролей, обязательный порядок этапов, максимальная автономия агентов от постановки задачи до выпуска релиза. Расскажу, кто чем занимается, как задача проходит путь от строки в бэклоге до релиза и с чего начать, если хочется так же у себя.

Что бы вы ни думали о программировании с привлечением ИИ, сейчас подходы к созданию ПО меняются. Все задумываются: «Что останется важным»? Сколько людей — столько мнений, но выскажу моё: большинство идей из области предметно‑ориентированного проектирования (DDD) сейчас важны как никогда, поскольку парадигма DDD никогда не ограничивалась кодом как таковым. Чем активнее развивается агентное программирование, тем лучше требуется понимать предметную область, хорошо её моделировать и осваивать командную работу. Давайте поговорим о том, чему такому нас по‑прежнему может научить DDD, чего не в состоянии заменить ИИ.

Обычный дисклеймер: я пишу о сложных проектах, поддерживаемых месяцами и годами, о том, в чём команды испытывают затруднения, и в каких отношениях блещет DDD. Нет никакой нужды использовать такие продвинутые паттерны в пет‑проектах или CRUD.

Всем привет! Это Егор Ершов, руководитель группы «Цветовая вычислительная фотография» в AIRI и заведующий сектором репродукции и синтеза цвета ИППИ РАН, и мы продолжаем разговаривать про конвейеры формирования изображений. Такие конвейеры запускаются каждый раз, когда вы нажимаете на кнопку спуска вашей камеры.

В первых двух статьях этого цикла мы в подробностях разобрали подготовку сырого RAW‑изображения: почитать про соответствующие шаги можно здесь и здесь. Их продуктом является картинка, приведённая к пространству стандартного наблюдателя. Это отправная точка для последующей обработки уже на программном уровне. Сегодня мы разберёмся, что происходит с ним дальше вплоть до сохранения изображения в памяти устройства в рамках того или иного стандарта сжатия — в качестве примера мы рассмотрим JPEG.

Приятного чтения!

Я работаю над bffi‑rs, экспериментальным фреймворком для нативных биндингов Bun, написанным на Rust.

Проект появился из довольно практичной задачи. Я хотел сделать небольшое desktop‑приложение с нативным WebView, но при этом оставить Bun основным рантаймом.

В экосистеме уже есть решения для подобных приложений. Например, некоторые интеграции WebView для Bun используют Rust и napi-rs. В варианте Electrobun, который я рассматривал, для WebView используется Wry, а связка между Rust и JavaScript строится через napi-rs. Эти проекты решают реальные задачи, но у меня появился другой вопрос: что будет, если строить нативную часть приложения вокруг Bun, а не вокруг совместимости с Node.js?

Каждому пользователю моего конструктора нужен свой Telegram‑бот. Рассказываю, как держать сотни ботов в одном процессе Node.js: общий webhook, очередь в PostgreSQL на SKIP LOCKED и Mini App на 5 КБ. С замерами нагрузки и честным разбором, где у схемы потолок.

Участвовала в CTF Кубок Федерации 2026. Здесь хотелось бы написать свое решение задания «Аудит» из категории Reverse. Разработчики уже выложили решение всех заданий, но мое решение отличается от решения создателей, так что хочу поделится свои решением, рассказать о методах, ошибках, способах и внести обучающую часть для тех, кто только входит в реверс‑инженеринг в CTF.

Всем привет! Меня зовут Анна Васильева, я технический менеджер в K2 Cloud и люблю запускать утилиты с максимально возможным уровнем verbose.

Есть фраза, после которой расследование сбоя обычно становится интереснее: «Я ничего не менял». Через несколько часов выясняется, что изменения всё-таки были. Инженер распаковал архив, добавил сетевой интерфейс, обновил библиотеку или перенёс виртуальную машину на другой хост. Действие казалось безобидным, а его последствия проявились в неожиданном месте.

На митапе «Инженеры перебрали / кейсы по Linux» мы взяли семь реальных случаев и разобрали их вместе с экспертами:

С AI в клиентской разработке стало выгодно делать то, что раньше технически было несложно, но экономически бессмысленно. Какой‑нибудь специфический фильтр, дополнительный экран в админке, сценарий обработки данных... Раньше смотришь на задачу и понимаешь, что руками это несколько часов работы. Клиенту функция не настолько нужна, сколько она стоит в хорошей реализации, поэтому либо от неё отказываемся, либо ищем готовый плагин, который умеет нужное и подгружает ещё семьдесят свистелок.

Сейчас значительную часть такой работы можно сделать намного дешевле. AI снимает вагон рутинной работы, и маленькие кастомные решения перестали быть чем‑то вроде «ну нет, это полдня печатать код и ещё день на отладку». Там, где раньше приходилось подгонять задачу под готовый инструмент, теперь чаще можно подогнать инструмент под задачу.

В статье описывается несколько опытов, проведенных с виртуальным помощником Алиса, предоставляемым Яндексом. Эти опыты могут быть повторены любым пользователям интернета и позволяют открыть неожиданные свойства виртуальных помощников.

Библиотека называется cronsense. Она переводит расписание, записанное обычными словами на русском или английском, в cron‑выражение и обратно. Рассказываю, как устроен разбор, о какие ловушки cron легко споткнуться и как тесты проверяют, что описание разбирается обратно в то же расписание.