Все потоки

Привет, Хабр! Меня зовут Светлана Долгополова. Я менеджер бизнес‑приложений в Ингосстрахе и уже несколько лет отвечаю за сопровождение систем и сервисов, используемых в нашей компании. Моя зона ответственности — стабильность работы сервисов на проде.

В 2025 году наша команда техподдержки столкнулась с ростом нагрузки в связи с увеличением количества поддерживаемых сервисов, а следовательно, и с ростом заявок.

Ниже — мой опыт участия во внедрении методов улучшения наших внутренних процессов работы с заявками и сокращения воронки обращений от пользователей.

Статья полезна для тем, кто отвечает за метрики поддержки и хотел бы их улучшить.

Почему в компаниях с вежливыми и адекватными людьми бывает невыносимо работать — и как это распознать до того, как стало поздно.

«Давай на 1-on-1 обсудим задачи, блокеры и что планируешь делать дальше».

Даже не звучит как нормальная рабочая встреча. А на практике часто получается полчаса нуднейшего созвона, где сотрудник молчит, руководитель говорит 80% времени, а после у обоих остаётся ощущение, что прогуляться вместо этой встречи было бы полезнее.

Про прогулку — это, кстати, справедливо для подавляющего большинства встреч. Но 1-on-1 всё‑таки можно сделать чуть лучше.

Для руководителей IT‑команд, которые сами проводят 1-on-1 и хотят сделать их полезнее для себя и сотрудников.

Всем привет, на фоне обновлений в LLM-стеке за последний год, решил собрать практический список RAG-подходов, которые реально используются в продакшене на основе моего опыта и того что я изучал в других кейсах.

Разговор про большие языковые модели до сих пор слишком часто ведётся по одной из двух схем. Либо восторг: «смотрите, нейросеть уже пишет код и тексты», либо скепсис: «она всё равно галлюцинирует». Ни то, ни другое уже не отражает масштаб происходящего.

Всем привет! Меня зовут Дмитрий Фырнин, я управляющий партнёр и технический директор в SENSE, и собрал серию материалов-рассуждений о том, как LLM меняют нашу жизнь — а где-то уже изменили — на уровне среды, в которой мы работаем и принимаем решения.

В первой части разберём, как массовый спрос меняет природу LLM: почему они выходят из категории сервиса и начинают вести себя как инфраструктура или коммунальная услуга — со своей экономикой, токенами как единицей доступа и давлением рынка на стоимость «машинного мышления».

А во второй части посмотрим на последствия: что происходит, когда между людьми появляется новая прослойка мышления, и как это начинает менять поведение, конфликты и сам способ принимать решения.

Привет, Хабр.

В сервисном бизнесе есть простой, но обременительный процесс — рассылать уведомления о записях на услуги, готовых заказах и предстоящих визитах. Уведомления нужны салону красоты, автосервису, фитнес-студии, клинике и кому только не. 

Пока записей мало, рассылать можно вручную. Когда больше — информация теряется или дублируется, не видно, отправлено ли сообщение и что клиент ответил.

Я Леонид Тараскин, руководитель портфеля продуктов в МТС Exolve. В этом гайде на Python расскажу, как собрать из связки МТС Exolve и MWS Tables легкую CRM с исходящими и входящими СМС-уведомлениями.

Привет! Меня зовут Ильсаф, я инженер данных в MAGNIT OMNI — бизнес-группе ритейлера «Магнит», которая отвечает за развитие омниканального опыта для клиентов. В этой статье я собрал свои практические наблюдения по работе Kafka Connect и Debezium с PostgreSQL: от настройки репликации до мониторинга и бэкфиллинга.

Я часто замечаю, насколько некоторые разработчики халатно относятся к вопросам безопасности своих приложений. И начинают задумываться о методах защиты только тогда, когда уже приходится переписывать большую часть приложения. Сегодня мы пройдемся по классическим и не только методам атаки, посмотрим, где компилятор бессилен, и построим современную защиту, опираясь на лучшие практики и конкретные примеры кода.

Вы попросили нейросеть сделать красивый баннер с надписью. Получили потрясающую картинку — и размытые закорючки там, где должен был быть текст.

Или того хуже: буквы есть, но они перепутаны местами, слеплены друг с другом, наполовину превратились в иероглифы. Иногда похоже на арабский. Иногда на выдуманный алфавит несуществующей цивилизации.

Это не баг и не случайность. У этого явления есть конкретная техническая причина. И есть нейросеть, которая эту проблему решила.

Ситуация до боли знакома каждому, кто регулярно арендует выделенные серверы: вы оплачиваете счет, заходите по SSH и видите, что ОС установлена на /dev/sda, а второй диск просто болтается пустым. Никакого RAID, никакой отказоустойчивости. Умрет первый диск — ваши данные исчезнут. Мы в SoftStore идем по пути полного контроля над процессом. В этой статье разбираем пошаговый протокол: как собрать программный RAID 1 и LVM прямо на живой, работающей операционной системе без использования Rescue-режима и переустановки. В качестве бонуса — практика по управлению квотами, снапшотами и замене дисков в Production.

Привет, Хабр! Меня зовут Даниил Подольский, я программист и архитектор, разрабатываю программное обеспечение и спецификации для создания ПО в YADRO. Вот уже девять месяцев я использую методологию Spec-Driven Development (SDD) в работе и управляю AI-агентами, которые пишут код. При этом я не считаю себя вайбкодером, потому что мой подход к работе более комплексный, чем просто «общение с AI».  

Это первая статья из цикла об оборудовании рабочего места SDD-кодера. Я расскажу о базовой настройке AI-агента Claude Code: что делать, если вы хотите оперативно и без перезагрузки переключать используемые модели и делать это для каждого проекта отдельно.

Пятница, 23:40, прод лежит. Дежурный поднимает сервис за сорок минут: перезапустил контейнер, всё заработало. Инцидент закрыт, MTTR красивый, все спать.

Через десять дней то же самое: тот же сервис, та же ошибка в логах. Снова подняли и снова закрыли.

Если подать один и тот же текст в Opus 4.7 и Opus 4.6, в новой модели он может оказаться представлен гораздо большим числом токенов. А тогда он и обходится дороже, и занимает больше места в контекстном окне. Получается «скрытая инфляция»: цены и лимиты указаны прежние, но на практике расходы могут возрасти.

Как именно всё изменилось и почему? В каких случаях число токенов вырастет максимально, а в каких останется прежним? Это хочется понимать не только из-за Opus: подобное ведь может произойти и с другой моделью. Но полных официальных ответов нет.

Поэтому мы и собрали доступную информацию, и самостоятельно проверили через API, что происходит с разными типами текстов. Мы делаем редактор кода с поддержкой разных ИИ-моделей, так что нам важно, как эта разница может сказаться на наших пользователях. Ну, и конечно, нам самим любопытно разобраться, что происходит в индустрии.

Несколько лет у меня повторялся один и тот же сценарий: с 9 до 13 я был собранным и быстрым, а после 16 начинал читать один и тот же абзац по три раза, тянулся за кофе и к вечеру уже с трудом выдерживал обычный созвон. Если вы работаете головой и к концу дня чувствуете не просто усталость, а именно развал внимания, возможно, вы тоже упираетесь не в нехватку мотивации, а в кривую схему распределения энергии.

Пишу SCADA-ядро на C++ для инженерных систем: опрос ПЛК, кэширование значений, правила автоматики и управление исполнительными механизмами. На текущем этапе упёрся в практический вопрос многопоточности: как правильно разделять потоки чтения и записи, как сериализовать доступ к одному каналу связи, и насколько оправдано использование std::condition_variable. В статье показываю текущую реализацию потока опроса ПЛК и хочу услышать мнение коллег, которые разрабатывали промышленные SCADA-системы.

Чтобы подготовить КП по сложному инженерному проекту, одного менеджера недостаточно. Нужно собрать расчёты от нескольких специалистов, а после согласования решения проверить наличие сотен позиций на складе и докупить недостающее. Когда это ведут в разных системах, растёт доля ручных операций и риск ошибок. Рассказываем, как собрали единый цифровой контур для управления сложными продажами и закупками в on-prem BPMS на Linux и PostgreSQL.

Привет, Хабр! На связи команда Just AI.

Когда NLU-сценарий вырастает до нескольких сотен веток, а процент автоматизации все равно не двигается — это не проблема настройки, это потолок технологии. Рассказываем, как мы помогли крупному банку его пробить: перевели поддержку по кешбэку на LLM-агентов, добавили агента-судью против галлюцинаций и улучшили понимание семантики и контекста пользовательских запросов.

jsonb легко полюбить. Он даёт гибкую схему, позволяет не плодить десятки мелких колонок, хорошо подходит для полуструктурированных данных и обычно очень удобен на старте проекта. Пока документы маленькие и меняются редко, кажется, что всё отлично.

Проблемы начинаются позже. Данные растут, в документ добавляются новые поля, часть из них начинает часто обновляться, а потом внезапно выясняется, что вроде бы безобидный UPDATE одного ключа внутри jsonb стоит заметно дороже, чем ожидалось.

В этой статье мы не собираемся доказывать, что jsonb плохой тип данных. Наоборот: jsonb – один из самых полезных инструментов PostgreSQL. Хотелось бы разобраться в более узком вопросе:

что именно происходит, когда мы обновляем один ключ внутри большого JSONB-документа, и чем это отличается от обновления обычной колонки рядом с таким же большим документом?

Claude — это семейство языковых моделей Anthropic, рассчитанное на задачи, где нужны работа с текстом, анализ, рассуждение и помощь в программировании. В пользовательском продукте Claude используется как диалоговый инструмент для подготовки материалов, разбора документов, генерации кода и обработки сложных запросов.

Даже базовый доступ включает работу в браузере, на мобильных устройствах и в настольном приложении, анализ текста и изображений, поиск в интернете, память между диалогами, создание файлов и выполнение кода. Это делает нейросеть Claude не только чат-интерфейсом, но и рабочей средой для задач, где нужен длинный контекст и последовательная обработка информации.

Для разработчиков Claude интересен за счет инструментов Claude Code и поддержки сложных сценариев разработки, для аналитиков — из-за обработки объемных материалов и длинного контекста, для авторов — из-за генерации структурированных черновиков, инструкций и документации. В линейке моделей Anthropic есть варианты с окном контекста до 1 млн токенов, что полезно при работе с большими документами и многошаговыми задачами

Gemini — это семейство мультимодальных моделей Google и пользовательский интерфейс для работы с ними. Система умеет обрабатывать не только текст, но и изображения, видео, аудио и код, поэтому её используют не как обычный чат, а как универсальный инструмент для разных рабочих сценариев.

На практике нейросеть Gemini закрывает сразу несколько классов задач. В одном окне можно генерировать черновики текстов, разбирать загруженные файлы, работать со сложными запросами, получать помощь по коду и собирать материалы для исследований.

Именно поэтому модель применяют в разработке, аналитике, подготовке контента и автоматизации рутинных процессов. Для части сценариев достаточно бесплатного режима, но при регулярной работе быстро становятся важны лимиты, доступ к более сильным версиям модели и расширенные инструменты обработки данных.