Все потоки

Думаю, многим, кто хоть раз проводил интервью, знакома эта боль, когда эффективно и классно побеседовал, а потом тратишь часы на то, чтобы собрать инсайты, переслушивая аудио и перелопачивая наспех записанные заметки.

При этом человеческий мозг ленив и хитер — он в первую очередь обращает внимание на то, что подтверждает наши собственные идеи, а важные выводы могут просто потеряться. И чтобы не обманывать себя, нужен сырой текст, а потом — ИИ-ассистент, который поможет его проанализировать.

Привет! Меня зовут Анастасия, работаю продуктовым дизайнером в Ticketland. Я подготовила гайд о том, как собрать такой процесс на локальном компьютере с помощью Cursor, который включает семь шагов.

ИИ-агент может за минуты подготовить изменение, на которое у разработчика прежде уходил час. Но ускорение написания кода создаёт другую проблему: растёт нагрузка на проверку. Нужно изучить diff, понять предположения агента, проверить затронутые компоненты и убедиться, что решение соответствует задаче, а не просто проходит формальные проверки.

Почему агент выбрал этот модуль? Какие связанные части системы изучил? Какие варианты отбросил? На какие требования и результаты проверок опирался? Если этот контекст остаётся в закрытой сессии, следующему участнику процесса приходится собирать его заново.

В 2026 году эту проблему сформулировал Томас Домке, бывший CEO GitHub и основатель Entire. Она звучит так: «Узкое место при выпуске кода — это ревью кода, созданного агентами». Мы в «Первой Форме» к похожему выводу пришли через собственную практику. У нас ИИ-агенты работают внутри управляемого конвейера: задача получает проверяемые критерии, агенты действуют по ролям, результаты фиксируются в артефактах, а человек сохраняет за собой продуктовые решения, финальное ревью и мёрж. Расскажем подробнее.

В прошлой статье мы разбирали, как передать копию базы 1С подрядчику без реальных персональных данных.

Но есть более локальный сценарий: базу передавать не нужно, а вот отдельную выгрузку хочется отдать нейросети на анализ.

Например, попросить:

Документация, регламенты, решения по архитектуре и инструкции для сотрудников часто годами живут в Confluence. Разбираемся, почему откладывать переход рискованно и как перенести корпоративную базу знаний без ручной пересборки и простоя команд.

В прошлой части статьи мы с удивлением прочитали, как каких-то сорок лет назад отношение к информационной безопасности даже близко не было таким, как сегодня. В этой части придет расплата и осознание за те годы. Сейчас мы посмотрим, как потихоньку рождались первые уже не исследовательские вирусы. Впрочем нет, сначала это все же были исследования.

17 июня 2025 года компания Honda провела успешный тестовый запуск и посадку прототипа многоразовой ракеты. В 2029 году японская компания планирует присоединиться к Blue Origin, SpaceX, Rocket Lab и другим производителям многоразовых ракет.

Постепенно такой формат ракетостроения становится мейнстримом. Массовый вывод грузов на орбиту по очень низкой цене перестаёт быть монополией SpaceX.

Мы уже рассказывали историю первого успешного паромобиля Гёрни, который ушел в серию и даже возил пассажиров. В России паровой транспорт, не нуждавшийся в рельсовой дороге внезапно тоже был. И он даже помогал побеждать на войне.

← Предыдущая глава

Ну а теперь рассмотрим, как нам применить обученный трансформер. И применение уже обученной модели сильно отличается от тренировки, потому что теперь приходится учитывать еще один фактор — задержку. Так что давайте разбираться, как устроен инференс LLM и как его правильно масштабировать.

В 2009 году американский фармацевтический гигант Pfizer не смог отсудить у китайской компании Pharmaceutical Viamen (также известная как Welman/Viaman) права на популярное в КНР название препарата «Виагра». Разбирательство продолжалось несколько лет, и поражение Pfizer означало, что корпорация из США окончательно потеряла возможность получить от продаж препарата в Китае значимую прибыль. Рассказываем, какие ошибки допустила Pfizer при регистрации товарных знаков в КНР и как боролась за свои права на «Виагру» в стране.

Ключевые идеи, благодаря которым сегодня мы с помощью ИИ рисуем картинки, распознаем образы, пишем тексты и обеспечиваем безопасность на предприятиях, были заложены до появления терминов «искусственный интеллект», «нейросеть» и домашних компьютеров.

Описанная Норбертом Винером кибернетика в 1950‑е годы сперва была воспринята в СССР как лженаука, целью которой якобы была дегуманизация человека и замена трудящихся на машины. Но вскоре советские математики исправили это досадное недоразумение и нашли способ применять теорию управления и передачи информации на благо общества. «Обеление» молодой науки привело к всплеску междисциплинарных исследований: совместно работали математики, физики, врачи‑психиатры, биологи.

В статье рассмотрим на примере ряда выдающихся ученых и изобретателей создание фундамента, на котором стоят машинное обучение, вычислительная лингвистика и управление сложными системами. А биографии покажут, что из этих людей можно было бы делать гвозди — и не было бы их прочнее.

Пообщалась с Марией Великовой, юристом Runetlex, о том, на что компаниям стоит обращать внимание при подготовке статей, чтобы потраченные на них силы, время и деньги не обернулись штрафами, претензиями, судебными исками и даже уголовной ответственостью. Обсудили вопросы от злободневных: «Правда ли, что генеративный контент можно скопировать, и за это ничего не будет?» (спойлер: да, но есть нюансы) до «классики» — почему важно правильно оформлять права на контент и кому может быть выгодно «подловить» компанию на незнании законов об авторском и исключительном праве.

На классе задач «в работе всплыла проблема — каким изменением её уже чинили» GigaChat 2 Max с памятью на связях отвечает верно в 57% случаев, YandexGPT Pro 5.1 — в 61%, а Claude Opus 5 с обычным поиском — в 41%.

Модели никто не трогал: разница целиком в том, доехал ли до модели нужный факт в контексте. В статье приведены замеры, рассуждения, направления применения и выводы со ссылками на проверочные и связанные материалы.

Дискуссии об использовании искусственного интеллекта злоумышленниками часто ограничиваются темами автоматизации фишинга или написанием базового кода. Однако реальный технологический сдвиг заключается в том, что нейросети превращаются из внешней утилиты во внутренний архитектурный компонент вредоносного ПО. Встраивание ИИ-моделей непосредственно в логику бинарников на разных этапах Kill Chain дает вредоносному софту автономность, которая трансформирует векторы атак и значительно меняет правила игры.

Вместо жестких, статичных алгоритмов, которые современные средства защиты научились эффективно детектировать, вредоносный софт начинает использовать динамические движки принятия решений. Это позволяет угрозам адаптироваться к окружению прямо на целевом узле: на ходу менять тактику закрепления в системе, маскировать каналы управления и самостоятельно определять ценность данных для кражи.

Чтобы детально разобраться в масштабах и изменениях этой эволюции, практику интеграции ИИ в малвари нагляднее всего рассматривать через этапы классического киллчейна. Ниже разберем, как именно нейросети пересобирают логику атаки на каждой стадии жизненного цикла угрозы и почему традиционные подходы к безопасности здесь начинают работать уже не так хорошо, как раньше.

Приложение слушает разговоры продавца с клиентами и превращает их в текст. Человек на той стороне трубки не подписывался на то, чтобы его голос уехал на чей-то сервер, и это решило архитектуру раньше, чем я написал первую строчку: наружу не уходит ничего.

Дальше идёт счёт, который за это пришёл, и он вполне конкретный: шесть с половиной минут работы на десятиминутный разговор и половина возможностей, которые в приложении с сервером есть по умолчанию.

У каждого, кто работает с Kubernetes, рано или поздно возникает потребность «посмотреть на кластер глазами»: кто с кем связан, почему под в CrashLoopBackOff, что изменилось за ночь, какие сертификаты истекают. Вариантов обычно два — Kubernetes Dashboard (слишком бедный) или Lens / Headlamp (десктопное приложение или тяжёлый стек с зависимостями). А kubectl-специалисты откапывают причины инцидентов в простынях YAML, где сигнал тонет в managedFields и status.conditions.

Radar — open-source UI для Kubernetes от Skyhook (YC W23). Один бинарник на Go, без регистрации и аккаунта, бесплатный навсегда. Топология кластера, браузер ресурсов, timeline событий, менеджер Helm-релизов, GitOps для FluxCD, карта трафика, аудит безопасности, анализ impact'а перед апгрейдом K8s и даже встроенный MCP-сервер, чтобы ИИ-агенты могли смотреть кластер глазами Radar вместо сырого kubectl.

В этой статье мы развернём Radar в Yandex Managed Kubernetes через Helm — с ingress-nginx и доменом из публичного IP — и разберём все основные экраны. Разворачиваемый инстанс — общий для команды разработчиков, поэтому конфигурация строго read-only: все write-права выключены, ИИ-агенты подключаются к read-only MCP.

Привет, Хабр! (И тебе, IT-шник, который хочет разобраться, что в 2026 вообще здесь происходит? Сейчас разберёмся, но легче тебе от этого не станет).

Сегодня продолжим препарировать весь IT рынок России на более чем 100 тысяч вакансий со всевозможных площадок. По-настоящему, полная и честная аналитика. С графиками, цифрами и верой в светлое будущее...

Здесь будет всё, зарплаты, актуальная ситуация по компаниям и географии, и то что уже никому не нужно, прогнозы, тренды, и многое другое, будет интересно...

Российский рынок аналитических решений в последние годы проходит через ряд глобальных изменений - уходили привычные решения, появлялись новые технологии, менялась экономика. В итоге к 2026 году рынок пришел к запросу на доступные решения, близкие к пользователю и отрасли применения, с четко-прослеживаемыми бизнес-эффектами, подходящим форматом поставки и небольшим горизонтом возвратности инвестиций.

Ниже разберем, как эти потребности существующие предложения пытаются закрыть на практике: через семантический слой, ансамбль моделей, RAG по внутренним регламентам, интеграционный слой и ролевые сценарии.

И посмотрим, что из этого выходит.

Учителей физики в России стало вдвое меньше за двадцать лет: 61 тысяча в 2002 году против 31 тысячи сейчас, и треть из них пенсионного возраста. ЕГЭ по физике сдают 91 тысяча человек — это 37% от плана приёма в технические вузы. Некому учить, некому сдавать, некем заполнять инженерные специальности. Круг закручивается сам на себя.

Пытаюсь лучше понять работу Kotlin Coroutines. Беру небольшую тему про Kotlin Coroutines и пытаюсь разобраться и написать шпаргалку (максимально кратко и лаконично). Сегодня поговорим про Каналы (Channel) и паттерн Actor.

В предыдущих частях мы выяснили, что обычные suspend-функции возвращают результат только один раз. Но что делать, если у нас есть непрерывный поток данных, который асинхронно генерируется в одной корутине, а обрабатываться должен в другой (или даже в нескольких)? Нам нужна потокобезопасная «труба». В мире корутин этой трубой является Channel.

Представьте обычный feed на LazyColumn: новости, карточки, между ними рекламный баннер. Баннер загрузился, пользователь пролистал его вниз, затем вернулся обратно, и мерцание реклама грузится заново.

Ещё раз вниз. Ещё раз вверх. Ещё одно мерцание и загрузка.

На первый взгляд причина кажется очевидной: item покидает экран, rememberBannerAdState теряет состояние, Compose создаёт всё заново. Значит, достаточно сохранить BannerAdState за пределами item и проблема исчезнет.

Я тоже так подумал.

Не исчезла.
Мерцания остались.

С этого момента простой баг (?) интеграции Yandex Ads превратился для меня в небольшое расследование: пришлось разобраться, что на самом деле происходит с item внутри LazyColumn, как SubcomposeLayout переиспользует composition, почему это ещё не означает переиспользование AndroidView и какой lifecycle поверх всего этого построил Compose API Yandex Ads.

В итоге вопрос «почему баннер моргает?» оказался гораздо интереснее самого workaround.