Разработка

Prompt caching часто обсуждают как «бонусную опцию» в API-прайсе: мол, попал в кэш — дешевле и быстрее. В статье разбираем, что за этим стоит на самом деле: почему кэш — это не «память диалога», а переиспользование KV-тензоров на уровне одинаковых префиксов, как из этого вырастает PagedAttention/vLLM с блоками и хэш-цепочками, и какие мелкие, но фатальные детали (динамический системный промпт, недетерминированный JSON, перестановка tool defs) мгновенно превращают кэш в тыкву.

Парадокс, что 80% руководителей из раза в раз выполняют рутинную работу, но не находят времени, чтобы просто остановиться и подумать:  какой механизм приносит деньги и где этот механизм ломается.

Поэтому - один лист, который можно заполнить за 20–30 минут и сразу увидеть слабое место и реальные перспективы.

Команда Python for Devs подготовила перевод статьи о том, как DuckDB ломает привычные представления о масштабах аналитических данных. Автор на реальных бенчмарках показывает, что 1 ТБ данных можно агрегировать за считанные секунды — без Spark, без распределённых кластеров и без сложной инфраструктуры.

У React-разработчика две беды:

1. Целевые данные изменились, а ререндера нет.

2. Целевые данные не изменились, а ререндер есть.

Есть много вариантов подружить данные с интерфейсом, в рамках данной статьи я пройдусь по самым популярным из них. Выясним, как они устроены и для чего каждый из них подойдет лучше, обсудим конкретные реализации разных паттернов.

Ограниченные строгими регуляциями и перегруженные высокими объемами транзакций, требующих быстрой обработки, банки должны обеспечивать надежность и безопасность финансовых операций, какие бы проблемы ни возникали на их пути. Хотя в сложных банковских процессах многое может пойти не так, распределенная архитектура систем современных финансовых институтов добавляет сложности в обработку сбоев. Мы собираемся объяснить, как банки могут эффективно автоматизировать откат транзакций через несколько микросервисов и предоставить реальный пример работы компенсационных событий Camunda в банке.

Тестировщикам часто приходится работать в условиях, когда бэкенд ещё не готов, API нестабильно или внешние сервисы недоступны. В таких ситуациях тестирование либо откладывается, либо превращается в угадывание «на словах».

В этой статье я показываю, как тестировщик может самостоятельно поднять управляемый mock API без написания серверного кода и сделать его доступным из интернета.

Мы разберём связку Mockoon + ngrok:
— как создавать mock endpoints;
— как эмулировать 200 / 404 / 500 и другие ответы;
— как тестировать фронт и интеграции без реального бэкенда.

Статья ориентирована на QA-инженеров и подойдёт даже тем, кто никогда не писал backend.

Когда мы говорим о сборщике мусора, то сразу думаем о куче. Зачем он нужен в стеке? Переменная попала на стек, функция завершила исполнение — стек вжух! — и очистился. 

А что, если я вам скажу, что на стеке Go тоже свой сборщик мусора? Звучит неожиданно? Давайте разберемся по порядку.

Логи — это летопись жизни любой системы, ведь они фиксируют ключевые события, помогая найти корень проблемы. Но без хороших инструментов для управления журналами работа с ними превращается в хаос. К счастью, для сисадминов уже есть классные решения для сбора, хранения и анализа логов — о некоторых из них мы расскажем под катом. 

Когда мне нужен оригинальный подход к какой-либо проблеме, я прибегаю к помощи нетиповых экспертов. Точнее, использую нейросети с назначенными ролями. Это довольно распространённая и хорошо работающая техника, не только в ИИ-моделировании, но и в дизайне мышления в целом. Но есть один нюанс. Когда мы говорим нейросети «Как бы это сделал Илон Маск или Стив Джобс?», мы подталкиваем ее к использованию клише. Нейросеть слишком хорошо знает эти персонажи и выдает ожидаемую банальность. А нам нужны неожиданные перспективы.

Ранее публиковал теоретическую часть по рекурсивным импортам, желательно ознакомиться перед тем как продолжить, чтобы было общее преставление.

Рекурсивные импорты рассмотрим на примере React/Redux приложении.

Исходный код приложения опубликован тут, можете склонировать и попробовать самостоятельно исправить ошибки. Так сказать закрепить теорию на практике.

Всё больше БПЛА используют машинное зрение для навигации и распознавания объектов. Обычно предполагается, что это система с ограниченными вычислительными возможностями, которой управляет оператор удалённо, а движок ИИ работает из облачного сервиса с подключением через интернет.

Но что, если на БПЛА поставить локальную модель и мощный GPU-ускоритель, чтобы ИИ работал локально и самостоятельно принимал решения? Несколько лет назад такое казалось фантастикой. Но сейчас прогресс в области БПЛА настолько бурный, что ситуация меняется каждые несколько месяцев.

Посмотрим, какие ИИ-ускорители устанавливают в современные дроны.

Борис Цирлин

Речь идет об одном методе реализации полумодулярных схем, описанном еще в монографии "Автоматное управление асинхронными процессами в ЭВМ и дискретных системах" под редакцией В. И. Варшавского.

Проблема реализации заключается в том, что логические функции системы уравнений задающей такие схемы могут быть и немонотонными, т. е. содержать некоторый переменные zi как в прямом, так и в инверсном виде. Между тем собственные функции элементов, из которых строится схема, как это известно схемотехникам, обычно антитонные, например И-ИЛИ-НЕ. В силу этого на одном элементе не может быть реализована ни изотонная, ни немонотонная функция описывающая элемент в исходной схеме, т. е. в реализации должны быть элементы с выходами и zi (прямым), и ~zi (инверсным).

Рассматривается совершенная реализация (далее СР) - метод, который не смотря на амбициозное название, достаточно прост и заключается в том, что для получения прямого zi и инверсного ~zi значений используются RS-триггеры. Показываются ограничения универсальности этого метода и предлагается способ преодоления этих ограничений.

Когда у тебя несколько клиентов (web + расширение + десктоп), API быстро развивается, а данных много и они сложные — «контракт» между бэком и фронтом начинает дрейфовать.
Я решил это так:

Термин «фрактал» появился в 1975 году. Его ввёл математик Бенуа Мандельброт, работавший в IBM и преподававший в Йельском университете. Фракталы — это математические объекты или природные формы, обладающие свойством самоподобия: их части повторяют общую структуру при любом масштабе. Мандельброт предложил формальный язык для описания таких форм — фрактальную геометрию. Она позволила анализировать изломанные линии, ветвящиеся структуры и объекты с дробной размерностью, которые не укладывались в рамки классической геометрии. Вместо того чтобы считать их исключением, он показал, что у этих форм есть строгие закономерности и способы измерения.

В этом материале поговорим о том, какие именно подходы изменили фракталы.

Ты пишешь код быстрее, чем когда-либо. IDE угадывает твои мысли, тикеты закрываются. Кажется, что ты хакнул систему и поймал тот самый «вайб». Но есть нюанс: если завтра отключат интернет и помощников, сможешь ли ты написать сложную логику с чистого листа?

В этой статье я хотел поделиться опытом тестирования своего контроллера динамической памяти на ПЛИС.

В первой части я рассказываю про отладочную плату, которую использовал, и с какими ограничениями при этом столкнулся. Показываю подход к построению схемы тестирования и принципы контроля и обнаружения ошибок. Привожу интересные на мой взгляд фрагменты кода на VHDL с пояснениями к ним. Вторую часть статьи я посвятил оценке реальной производительности контроллера при работе с памятью. В ней я привел результаты измерений быстродействия для потоковой записи и чтения при различных настройках и режимах работы контроллера.

И в самом конце – примеры взаимодействия контроллера с памятью, снятые в отладчике во время работы. А также описание механизма адресации памяти.

Как поднять мультимодальный AI-сервис (OCR, ASR, LLM, TTS) на одной GPU 16GB без облачных API?

Разбираем пошагово:

• Подготовка VPS (Ubuntu + CUDA + драйверы)

• FastAPI-архитектура с PyTorch/Transformers

• Управление памятью (без OOM-ошибок)

• Продакшен: systemd + Nginx + HTTPS + домен

• Тестирование в Swagger

Итог: локальный сервис "под ключ" с предсказуемыми расходами, полной приватностью данных и возможностью масштабирования.

Для кого: DevOps, Python-разработчики, AI-интеграторы, стартапы.

Исходники в репозитории, демо-видео, лайфхаки по разработке прямо на сервере!

Привет Хабр!

В очередной раз, столкнувшись со "странностями" в поведении коллег, я решил написать этот краткий, но, по всей видимости, необходимый гайд. Когда мы рассуждаем о важности развития софт-скиллов, мы, чаще всего, говорим как о чем-то совершенно абстрактном, чему трудно придать форму простого алгоритма. На собеседованиях мы очень субъективно оцениваем умение кандидатов общаться.

Однако, вполне возможно выделить набор простых (и даже примитивных) правил, следование которым, существенно повысит твой софт-скиловый грейд, даже если ты воробушек-социофобушек (как я сам).

Из новостей: Акира Ямаока написал трек для Pathologic 3, Larian (почти) отказались от gen-AI, Steam даст возможность моддерам пилить моды под разные версии игры, Hooded Horse не берут в издательство игры с gen-AI.

Из интересностей: разрушаемость в Unity, парадигмы Кранка, 15 лет инди-разработки в 4 советах, разработка движка на базе SDF.

Команда AI for Devs подготовила перевод подробного практического гайда по Claude Agent SDK. В статье разбирается, как устроены современные AI-агенты на практике: управление контекстом, инструменты, сабагенты, разрешения, структурированный вывод и продакшен-паттерны.