Когда пайплайн отработал без ошибок, тесты зелёные, а в дашборде внезапно нули, проблема может быть не в инфраструктуре, а в отсутствии договорённостей между командами.
В статье разбираем, как data contracts помогают фиксировать структуру, правила и ответственность за данные — и почему это спасает витрины, отчёты и нервы дата-инженеров.
Прошлая статья была обзорной — что такое redb.Route, зачем нам понадобился свой Apache Camel под .NET, как выглядит боевой маршрут. Если не читали, коротко: это fluent C# DSL для интеграции — 22 коннектора (~30 URI-схем, если считать https/wss/es-варианты), ~30 паттернов EIP нативно через 41 процессор, 8 in-process компонентов, компилируемый expression-движок. Сегодня заходим внутрь. Не список фич, а рабочий разбор.
Серия будет длинной, поэтому сразу скажу, что и в каком порядке:
Сегодня видел план вводного курса, написанный начинающей американской преподавательницей. План иллюстрирует распостраненную ошибку — неправильный порядок подачи материала:
Когда несколько разработчиков хотят одновременно показать свои изменения — локальной разработки уже недостаточно. В статье разбираем, как автоматически поднимать изолированные окружения в Kubernetes по PR с лейблом и так же автоматически удалять их при закрытии.
Реализация построена на FluxCD с использованием директивы postBuild для шаблонизации манифестов через переменные. Каждое окружение получает собственный namespace, базу данных, TLS‑сертификат и уникальный URL — и всё это без ручного вмешательства. Разбираем структуру CI/CD пайплайна, слоёвую организацию GitOps‑репозитория и автообновление образов через ImagePolicy.
Работая с GitLab каждый день, повторяешь кучу одинаковых действий которые хотелось бы делать быстрее чем позволяет UI. Надоело, запилил Chrome-расширение.
В статье рассказываю как устроено внутри: авторизация через session cookies без токенов, цепочки действий в background worker, борьба с постоянно меняющимся DOM GitLab (Vue-миграция между версиями сломала все селекторы несколько раз).
Из фич: кнопки на MR странице (rebase, bump версии, auto-merge, ship), Jira-сайдбар прямо в GitLab, бейджи размера/конфликтов/тредов на списке MR, cherry-pick в несколько веток, command palette.
На днях я заметил, что квота Ollama Cloud Pro тратится быстрее обычного. Значительно быстрее. За семь дней я сжёг 603 миллиона токенов и не понимал, куда они уходили.
Я открыл логи Hermes Agent и нашёл то, о чём не знал: блок auxiliary: с двенадцатью фоновыми задачами. Сжатие контекста, извлечение из веба, vision, поиск по сессиям, подбор навыков — всё это молча запускалось при каждом моём сообщении. Каждая задача стояла на provider: auto. И поскольку у меня не было ключей для цепочки fallback, каждая молча откатывалась на kimi-k2.6, мою основную модель на триллион параметров.
Я понятия не имел, что это происходит. Пока я печатал одно сообщение, агент отправлял одиннадцать других в фоне — через ту же модель, из того же квоты, не показывая мне промпты. Только сжатие контекста срабатывало 10–20 раз за длинную сессию, каждый раз отправляя всю историю.
Домашний удалённый доступ без панели: эксперимент с Xray, Docker Compose и локальным CLI
Самый неприятный момент в маленькой домашней инфраструктуре наступает не тогда, когда она падает. Хуже, когда она начинает работать достаточно хорошо, чтобы ей начали пользоваться другие.
Сначала у меня был один сервер, один конфиг и одно устройство. Потом добавился телефон. Потом ноутбук. Потом кто-то из близких попросил «скинуть настройки ещё раз». Потом старое устройство осталось неизвестно где, а в конфиге уже лежало несколько UUID с названиями, которые я придумал в полночь и больше не понимал.
На этом этапе обычно появляется знакомый выбор: открыть SSH, поправить JSON руками, рестартануть контейнер и пообещать себе «потом нормально оформлю». Через пару месяцев «потом» превращается в маленький прод: пользователи, секреты, квоты, бэкапы, мониторинг, логи, обновления и вопрос, какие изменения на сервере были осознанными, а какие - следами экспериментов.
Я не хотел ставить веб-панель. Не из принципа. Панель решает много бытовых задач, но вместе с ней появляются база, авторизация, обновления, публичная поверхность, роли, миграции и отдельная эксплуатация самой панели. Для одного оператора и нескольких серверов это выглядело тяжелее, чем сама исходная задача.
Но и жить в режиме ssh -> vim -> docker compose restart мне тоже не хотелось.
Поиск по open source проектам — не дал результата. Многое из того, что я пытался ставить, либо не запускалось, либо было написано на bash, где было много хардкода, который приходилось переписывать под мои VDS. Потратив несколько вечеров - я понял, что есть запрос на простое решение по оркестрации self-hosted VPN серверов с локальным хранилищем и удобным масштабированием.
Как измерить скорость печати? Для этого существуют различные программы, онлайн и оффлайн. Я сделал свой вариант в виде файла Excel, расскажу о его особенностях.
Это статья про небольшой хобби-проект, или как написать очень легковесный клиент для любого приложения с нуля.
Идея зародилась, когда весь этот цирк только начинался. Прогревали новый ГОСТ-мессенджер, поливали его чем только можно. В какой-то момент проскочила новость: В Max нет сквозного шифрования...
И тут зародилась глупая идея: почему бы самому не прикрутить к нему разные функции анонимности и шифрования? Уровень конечно совсем не тот, что у Telegram и Signal, но сама возможность скрыть содержание переписки завораживает, разве нет?!
Спойлер: APK весит 11 МБ против 120 МБ у официального, не греет телефон и показывает каждый запрос к серверам ok[.]ru и vk[.]ru
Автономное устройство контроля влажности почвы с дисплеем и оповещением, построенное на базе ESP32‑C3 и ESPHome. Устройство отслеживает влажность, отображает данные на OLED‑экране, может подавать звуковые сигналы и работать в режиме глубокого сна для экономии энергии.
Как-то я прочитала морально-этический кодекс самураев и где-то к середине поняла, что речь в нём идёт про мою работу — управление проектами и продуктами в IT.
Привет! Меня зовут Карина Хабибуллина, я продакт-менеджер в диджитал-агентстве Атвинта. Веду два проекта в экосистеме крупного промышленного холдинга — фабрику идей и корпоративный таск-трекер.
Я давно искала рамку, в которую укладывался бы мой опыт в управлении: что-то, на что можно опереться. Как оказалось, такая методология уже есть, но я дошла до неё сама.
Сижу, читаю отчёт GPTZero по своему же тексту. Текст писал я. Руками. Без всяких подсказок от ИИ. Детектор уверенно говорит: 78% вероятность, что это ИИ. Открываю соседний материал, который накидал через Webwize с парой моих правок, прогоняю — 2%, «скорее всего, человек». И вот тут начинается самое интересное, потому что это не баг конкретного сервиса. Это дыра во всей логике, по которой сейчас поисковики и детекторы пытаются отделить машинный текст от человеческого.
Все обсуждают ИИ‑тексты с одной стороны: мол, контент стал массовым, выдача замусоривается, Google и Яндекс должны как‑то с этим бороться. Окей, согласен. Но мало кто говорит вслух о другой части уравнения — а по каким именно признакам они собираются ловить машину. И когда начинаешь смотреть на эти признаки внимательно, понимаешь: ловят они не ИИ. Ловят хороший текст.
Если разобрать, что считается маркером «машинности» в популярных детекторах вроде GPTZero и в логике алгоритмов поисковиков, картина получается забавная. Маркер первый — точный и технический подбор слов. Маркер второй — единообразный стиль на протяжении всего материала. Третий — точность и последовательность изложения. Четвёртый — отсутствие творческих отступлений, лирики, ухода в сторону. Пятый — чёткая структура с заголовками, подзаголовками, списками и логичными переходами. Я осознано опускаю истории про длинное тире, «в современном мире» и «это не, а...» и прочие самые очевидные ИИ маркеры. Так как уж бороться с ними умеет любой мало мальски уважающий себя ИИ генератор текста.
Искусственный интеллект давно перестал быть темой только для исследовательских лабораторий. Он уже пишет код, редактирует изображения, помогает бизнесу, спорит с нами в чатах и постепенно превращается в новый слой интерфейса между человеком и цифровым миром. Но за громкими словами «нейросеть», «сильный ИИ» и «агент» часто теряется главное: что именно мы автоматизируем, где заканчивается маркетинг и почему искусственный интеллект может оказаться не угрозой, а способом не погибнуть от собственных технологий.
Я, Александр, автор телеграм-канала «Shulepov Code», поговорил с Сергеем Марковым — директором по развитию технологий искусственного интеллекта Сбера, автором сайта «markoff.science» — о том, как устроена профессия ИИ-разработчика: от первых шахматных программ до мультимодальных моделей, почему за генеративными нейросетями будущее и как не потерять человеческое лицо в гонке алгоритмов.
Привет! Я Лена, продакт-менеджер в ЮMoney. Финансовые технологии — одна из отраслей, где инновации появляются и внедряются особенно быстро. Нужно постоянно следить за рынком: изучать конкурентов, мониторить тренды и технологические новинки.
Отдельно мне интересны кейсы, когда AI начинает выполнять задачи, которые раньше делали люди. Но подходящего формата для системного мониторинга таких новостей найти не удалось: где-то много «воды», а где-то не хватает конкретики.
Хотелось максимально лаконичный формат: кто внедрил AI, для какой задачи, какие процессы / роли это затронуло, результаты.
А что, если собрать собственную ленту новостей?
В 1992 году первый GSM-звонок прошёл по цифровому каналу с BER около 10⁻³ — и всё равно был разборчивым. Сейчас 5G держит BER ниже 10⁻⁵ при вдвое меньшей энергии. За 30 лет не изменились ни физика канала, ни формула Шеннона — изменились коды.
Каждое поколение сотовой связи — это смена схемы помехоустойчивого кодирования:
1G (1981): аналог, никакого канального кодирования 2G GSM (1992): свёрточный код R=1/2, K=5 + декодер Витерби 2G IS-95 / CDMA (1995): свёрточный R=1/2, K=9, полиномы [753 561] 3G UMTS (2001): турбо-коды (PCCC, R=1/3) — прыжок BER на 3–4 дБ 4G LTE (2009): турбо + хвостово-скусанные свёрточные для управляющих каналов 5G NR (2019): LDPC для данных (eMBB), полярные коды для управления
Статья идёт по этой цепочке. К каждому коду — числовой пример, рабочий MATLAB-скрипт и BER-кривая, а в финале — всё на одном графике.
Каждый Java-объект в HotSpot начинается со служебного заголовка размером 12 байт. В JDK 27 по умолчанию он сжимается до 8 — это JEP 534, финальный шаг внедрения Compact Object Headers. Для типовых бэкендов это 5–15% экономии heap, для приложений с миллионами мелких объектов (особенно на Scala, Clojure и иммутабельных коллекциях) — до 30%, без изменений в прикладном коде.
Не так давно у меня на руках появилась плата RK-ZYNQ7020-F REV 1.1.
В данной статье я хочу поделиться своим опытом, связанным с подготовкой buildroot для данной платы. Здесь мы разберем этапы от формирования xsa файла до запуска платы и первых логов, с объяснением что происходит в железе на каждом этапе.
Также в рамках этой статьи я не буду использовать FSBL, мы попробуем обойтись U-Boot SPL.
Итак, приступим к рассмотрению!
Описание отладочной платы
Базовый набор периферии на данной плате, заявленный в документации:
Интро
В этой статье я максимально просто постараюсь поделиться способом сфокусироваться и работать долго, не теряя перформанс. Я работаю в сфере, где нужно полное погружение в тему и навык удержания фокуса на долгом промежутке времени, и за это время я перепробовал немало способов. Провёл несколько собственных исследований, посмотрел кучу видео, поспрашивал у людей, которые умеют долго держать фокус, и протестировал эти практики на себе.
Сразу оговорюсь: всё, что я расскажу — это то, что сработало у меня. У вас может сработать иначе. Поэтому воспринимайте как меню. Берёте то, что зашло.
Отдельно скажу про базу. В процессе я провёл собственное мини‑исследование по нейробиологии — и часть советов в статье опирается именно на неё, а не только на личный опыт. Поэтому местами будут отсылки к конкретным работам: как мозг консолидирует память, что происходит с префронтальной корой без сна, как дофамин ломает фокус. Все ссылки и литература — в конце статьи, если захотите копнуть глубже.
Три раза я увольнялся так, что потом жалел, и один раз — вовремя. Показываю на своих кейсах через расстановочную тройку Social IQ, как смотреть не только на «надоело», а на роли, интересы и цели всех участников, чтобы уходить не вслепую, а осознанно.
Студенты, школьники, преподаватели и специалисты всё чаще используют искусственный интеллект для учёбы и работы. Если ещё несколько лет назад нейросети могли только отвечать на вопросы или помогать писать тексты, то сегодня они умеют создавать полноценные презентации, отчёты, рефераты, доклады и даже помогать с подготовкой к экзаменам.
Одним из самых популярных сервисов в образовательной сфере стал Kampus AI (Кампус ИИ). Это платформа, которая объединяет несколько AI-инструментов для учёбы и позволяет значительно сократить время на подготовку материалов.
В этой статье подробно разберём, что такое Kampus AI, как работает нейросеть для генерации презентаций и отчётов, какие функции доступны пользователям и стоит ли использовать сервис в 2026 году.