Все потоки

Ну как сказать опередил, честно говоря, нет, не опередил, скорее опоздал. Но об этом позже, начну с цифры, которая в этой истории главная. «Сетунь» стоила 27 500 рублей — со всей периферией, с телетайпом, с барабаном, с фотовводом. PDP-8, которую в Штатах считали рекордно дешёвой машиной, стоила 20 000 долларов за один процессорный блок. Без ничего. Это сравнение приводит сам Брусенцов в интервью.

Плюс к этому «Сетунь» была троичной. Единственной серийной троичной машиной в истории человечества, и её закрыли.

Обычно после этого идёт текст про Госплан, который задушил гения, опередившего время на тридцать лет. Я такой текст читала раз пять в разных изложениях, и каждый раз спотыкалась об одно и то же место: вот тут, где объясняют, почему тройка экономичнее двойки, всегда написано «примерно в семь раз». А через абзац — что оптимум системы счисления достигается при основании e. Это два утверждения из разных вселенных, и между ними никто никогда не показывал переход.

Ну я и полезла считать сама.

Хабр, приветствую! На связи Андрей Иволга, менеджер по продукту компонента SDN в облачной платформе Astra Cloud. Сегодня моя очередь рассказывать про новые компоненты ее релиза 2.1. Напомню, что ранее наш архитектор Алексей Боровиков рассказывал, как мы с нуля написали IAM. Сегодня речь пойдет про сети. 

Коллеги, добрый день!

Я Станислав Калабин, инженер-архитектор компании Axel PRO. Современные NAC-системы выходят за рамки простой аутентификации, проверяя реальное состояние устройства (posture check) перед выдачей доступа в сеть. Классический агентский подход здесь работает отлично, но на практике часто упирается в жесткие ограничения: невозможность установки ПО на гостевые и личные устройства (BYOD), конфликты с корпоративными EDR/DLP-системами или использование нестандартных ОС и промышленного оборудования.

Возникает закономерный вопрос: как безопасно оценить риски и изолировать уязвимые узлы без установки лишнего софта? В этой статье я разберу механику безагентского сканирования с инженерной точки зрения, сравню его с классическим подходом и поделюсь практическими кейсами внедрения таких решений в сложных инфраструктурах из нашего опыта.

В небольшой инфраструктуре автоматизация обычно не требует отдельного контроля. Есть несколько playbook’ов для типовых операций: развернуть сервис, изменить конфигурацию, обновить пакеты, добавить пользователя. 
Инженеры знают, кто запускает сценарии, где искать результат и что делать, если задача завершилась ошибкой.

Когда автоматизация становится частью регулярной эксплуатации, в платформе появляются сотни шаблонов заданий и workflow, несколько execution environment, интеграции с внешними системами и событийные сценарии. 
Разные команды используют одни и те же ресурсы, а число запусков измеряется тысячами в месяц.

Логи отдельных заданий не дают общей картины, поэтому сложно понять, какие сценарии действительно используют, где растет число ошибок, какие операции выполняются слишком долго и сколько ручной работы удалось сократить.

Для таких задач в Astra Automation 2.1 появился Automation Dashboard.

Динамическое ценообразование - влажная фантазия каждого ритейла. Оно обещает сразу и рост маржинальности, и решение проблемы с нехваткой предложения, и с избытком спроса. Просто вжух - и все проблемы решены. Сегодня охвачу тему динамического ценообразования Ozon и WB: как это видит пользователь, какие негативные последствия могут понести компании, и почему они этого могут не замечать.

Привет! Меня зовут Маша, я Senior Product Manager и разбираю только те продукты, над которыми сама хотела бы поработать, так как ими пользуюсь, люблю и вижу, где есть потенциал роста. Мне драйвово искать для них решения, которые выводят продукт на новый уровень не только по деньгам, но и по UX и любви пользователей. Мои другие разборы: Цифровая медицина: разбор UX-барьеров и точки роста и Тест-драйв 2GIS: как завалить навигатор рекламой и потерять базовый UX 

Почему сканер видит Ubiquiti, на точке написано Cisco, а веб-морда от TP-Link? Разбираем проблему "четвёртого MAC-адреса", хаос драйверов и криптографический тупик, из-за которого WDS так и не стал нормальным стандартом - и при чём тут Mesh-системы.

Я давно хотел, чтобы разговор с нейронкой про кино не заканчивался только лишь названиями в чате или предложением мне самому найти где купить билеты. Это странный финал: человек уже попросил помощника сделать работу за него, а помощник в ответ отдаёт ему, например, предположение о том, где можно купить билеты на этот фильм, а не точный результат.

В своём кино-сервисе я сделал MCP. Его можно подключить к ИИ-агенту как внешний источник данных: MCP даёт нейронке не просто общий интернет-поиск, а нормальные действия внутри базы фильмов конкретного пользователя, а также общей базы фильмов. Например, агент может посмотреть непросмотренные пользователем фильмы (для фильмов для просмотра в будущем есть раздел "Непросмотренные"), использовать прошлые оценки, чтобы найти интересный пользователю фильм, собрать подборку, найти ссылку на покупку билетов на конкретный фильм и многое другое.

Сервис абсолютно бесплатный! В статье хотел бы рассказать о возможных сценариях и о том, какими сценариями сам пользуюсь. Покажу на примере Грока, но можно подключить к любому ИИ-агенту по типу Клода, Кодекса, Курсора и т.д.

Если тут есть любители кино, буду рад получить обратную связь по MCP!

Меня зовут Прохор, я лид команды агента «Исследовать» — это режим глубокого исследования в чате с Алисой AI.

Напомню, про что вообще речь, если никогда не пользовались Deep Research: это специальный режим работы, который строит уникальный план решения задачи пользователя, делает сотни поисков по вашему запросу, умеет ходить на сайты (даже с динамическим JavaScript‑контентом), писать и выполнять Python‑код (для сложных расчётов), работать со скачанными файлами и так далее. Всё это для того, чтобы дать лучший ответ на ваши сложные запросы, например: «Спланируй мне путешествие в Дагестан на две недели на машине с детьми».

За год агент прошёл путь от первого прототипа до продакшена — вместе с ним менялись качество ответов, скорость работы и потребление GPU. За продуктовую часть отвечал Руслан Илиев, продакт менеджер агента: он сформулировал продуктовые цели, определил набор инструментов и валидационный набор запросов, а затем вёл запуск от закрытого вейтлиста до 100% продакшена. Как мы к этому пришли — через выброшенный прототип, десятки слоёв обвязки и пару болезненных уроков, — расскажу по порядку. Добро пожаловать под кат!

Всем привет! Меня зовут Кирилл, я сетевой инженер и автор технических статей. Это моя первая публикация в хабе «Я пиарюсь» и, скорее всего, последняя. Поэтому начну с довольно странного для саморекламы тезиса. Большинству компаний корпоративный блог действительно не нужен.

Хабр остаётся одной из немногих русскоязычных площадок, где инженеры читают других инженеров и напрямую общаются со специалистами компаний. Технические ошибки и рекламные формулировки здесь замечают быстро. Выдать пресс‑релиз за полезный материал тоже не получится.

При этом у компаний есть инженеры, интересные проекты и истории, которыми стоило бы поделиться. Маркетинг хочет рассказать о них, но инженер занят работой и не знает, как собрать статью. Маркетолог умеет писать, однако не всегда понимает технические детали. В результате публикации выходят раз в полгода, застревают на согласовании или превращаются в склад корпоративных новостей.

Я хочу честно разобрать, почему так происходит, когда от блога лучше отказаться и что потребуется компании для разговора с технической аудиторией.

Не открою секрет, если скажу, что обычный поиск по ключевым словам уже не особо помогает. Чтобы нейросети могли отвечать точно, опираясь на ваши корпоративные базы знаний, им нужно «понимать» смысл текста. А это уже сложнее, чем просто искать точные совпадения букв. 

В этой статье мы разберем, как устроены векторные базы данных, почему без них не работает современный RAG, чем они отличаются от привычных реляционных БД и как выбрать подходящий инструмент для своего проекта.

Когда приложение начали тестировать пять сотрудников, обычный сбор обратной связи быстро перестал работать: жалобы были слишком абстрактными и воспроизвести ошибки было сложно.

Я встроил в систему цикл, в котором пользователи и сама модель создают issues, сохраняют исходные документы и передают разработчику весь контекст для доработки.

Уже завтра ожидается выход JDK 27, в которую вошли 9 JEP, связанных с криптографией, диагностическим механизмом JFR, управлением памятью и стандартной библиотекой. В этой статье разберём, что нас ждёт в этом релизе Java.

В этой статье — про бесконтактное измерение температуры расплавленного металла, основанное на приеме теплового излучения в мм‑диапазоне. Центр компетенции по мм‑волновой технике «ДОК» провел очередной этап промышленных испытаний СВЧ‑радиометра МРИТ-76 — прибора для непрерывного бесконтактного контроля температуры расплавленного металла по его собственному тепловому излучению.

Уведомления о результатах прогонов — важный элемент удобства при работе с тестами. Вместо того чтобы каждые пять минут проверять, закончился прогон или нет, вы просто получаете сообщение в Slack. Меньше отвлекающих факторов, больше времени в состоянии потока.

В Allure Report такие уведомления были реализованы в версии 3.0 с помощью плагина для уведомлений в Slack. В этом руководстве я покажу, как настроить канал в Slack так, чтобы каждый запуск Allure Report отправлял туда сводку по результатам.

Собрал 6 сервисов с бесплатным или стартовым доступом к LLM API и проверил их. Какие модели реально работают, что дают после регистрации, сколько уходит баланса и какие лимиты встречаются — всё на реальных запросах.

Когда вы в последний раз проверяли свои репозитории на забытые токены? Пока вы скроллите ленту, боты парсят GitHub и подхватывают утекшие ключи за 2–3 минуты. Мы собрали главные дыры — от .env и CI-логов до ИИ-конфигов. В конце чек-лист, чтобы проверить себя за пару минут.

В моей идее «Система из небольших специализированных моделей» было предположение, которое казалось очевидным: если поставить на разных этапах разные архитектуры, они будут ошибаться по‑разному. Значит, ошибок в конечном решении станет меньше.

Вроде убедительно. Пока не нарисуешь, как именно соединены эти модели.

В первой статье я рассказывал, как использую генеративные модели для критического разбора инженерных решений. Во второй — «Активировать мало — недостаточно: почему AI‑роутеру могут понадобиться альтернативные стратегии» — перешёл к вопросу о маршрутизации и сохранении нескольких вариантов действия.

Теперь пора применить тот же критический подход к собственной гипотезе.

Начну с маленького примера, для которого не нужны видеокарта, API или обучение. Здесь есть точный расчёт и короткий код. Эксперимента с обученными моделями в этой статье пока нет: я хочу сначала понять, что именно он должен проверить.

Кассир‑стажёр на первой самостоятельной смене теряется у кассы: покупатель спрашивает, как применить промокод из рассылки, а в инструкции такого нет. Наставник в подсобке сверяет остатки — подсказать некому. А покупатель всё громче выражает недовольство.

Всем привет! Меня зовут Денис, я senior frontend‑разработчик в компании «Исходный код».

Недавно на работе мне предложили попробовать себя в роли технического интервьюера. Я подумал, что этот опыт стоит описать как для собственного осмысления, так и для коллег‑разработчиков, которые только начинают проводить собеседования. Здесь не будет жестких инструкций или менторских советов. Это скорее честный, субъективный взгляд изнутри, который, надеюсь, поможет вам сделать собственные полезные выводы.

Вкратце расскажу предысторию. Наша компания открыла две вакансии в команду веб‑разработки. Мы искали middle и senior.

Я и мой коллега Тимофей вели технические собеседования, но ни у кого из нас не было большого опыта проведения технических интервью. поэтому со многим пришлось разбираться по ходу. Мы обсуждали резюме, спорили о кандидатах, пытались понять, что вообще стоит спрашивать и как оценивать ответы.

Многие СУБД сегодня поддерживают поиск ближайших соседей, нужный для рекомендательных систем и антифрода. Но на практике системы даже с одинаковым алгоритмом «под капотом» могут решать эту задачу с разной эффективностью: пропускная способность (QPS) и задержки могут сильно различаться из-за накладных расходов движка хранения и модели блокировок. И для бизнеса эта разница может обернуться лишними затратами на инфраструктуру или деградацией UX в пиковые часы. Поэтому к этим параметрам нередко предъявляются особые требования. 

Привет, Хабр. Меня зовут Георгий Белянин. В статье я разберу архитектуру векторного поиска в Tarantool и приведу результаты сравнения скорости вставки и запросов с Qdrant и pgvector.