О программировании с помощью AI-агентов трубят из-за каждого угла. Последнее время появилось достаточно много инструментов, которые буквально пишут код за разработчика. Наша команда следит за индустрией ИИ в разработке достаточно давно. Помимо внедрения ИИ в сам процесс разработки наших продуктов, мы активно занимаемся интеграцией Amplicode с современными AI-агентами и не только. И у нас есть свои мысли на этот счет :-)
Современные инструменты успешно превращают текстовое описание в наглядные диаграммы, включая профессиональные нотации, например, BPMN.
Такие инструменты, как Miro AI, Whimsical и Eraser.io, превращают текстовое ТЗ в аккуратные и настраиваемые схемы за считанные секунды. ChatGPT выступает в роли универсального аналитика, который может и написать код для диаграммы, и детально её описать. А для задач профессионального моделирования уже существуют специализированные решения вроде Bonita AI BPMN Generator.
В этой статье мы разберем, как ИИ-помощники справляются с генерацией диаграмм, в чем их сильные стороны и как с их помощью за минуты превратить текстовое описание в готовую схему.
Также рассмотрим ИИ, как практический инструмент для структурирования, декомпозиции и визуализации размытых требований.
Дисклеймер: Для кого эта статья? Для руководителей малого и среднего бизнеса, которые не хотят терять деньги из-за сбоев в 1С. Если вы ищете способ застраховать свой бизнес от рисков и выбрать надежного партнера по сопровождению — здесь вы найдете ответы.
Представьте, что 1С — это ваш рабочий автомобиль. Вы же не станете ждать, пока у него на полном ходу откажут тормоза, чтобы поехать в сервис? Вы регулярно проходите техосмотр, потому что это нормально и гарантирует безопасность. С 1С — то же самое. Профессиональное сопровождение — это и есть тот самый «техосмотр», который защищает вас от «аварий»: внезапных сбоев, зависаний и, не дай бог, потери данных.
Продолжая аналогию, сопровождение — это как КАСКО. Вы платите небольшую сумму ежемесячно, чтобы в случае «ДТП» — будь то сбой после обновления, уход ключевого сотрудника или простая ошибка пользователя — не платить из своего кармана сотни тысяч рублей за срочный ремонт и не терять дни и недели работы.
Команда AI for Devs подготовила перевод статьи о том, как устроена внутренняя культура Cursor — самого быстрорастущего SaaS-стартапа в истории. Почему компания с десятками бывших основателей, очным форматом работы и культом взаимного доверия растёт так стремительно — и что из этого может взять для себя любая команда?
При вайб-кодинге, то есть разработке с использованием ИИ, локальная нейросеть предлагает Python-скрипт для решения задачи, но нужна уверенность в его корректности и безопасности. Прямой запуск такого кода на рабочей машине это риск для системы и данных. Значит MCP-сервер должен учитывать это. Посмотрим как устроен такой сервер, какие подводные камни могут встретиться и как интегрировать его с локальной LLM.
Статья является документированным описанием проекта MCP-сервера, инструмента LLM, предоставляющего две функции: проверку синтаксиса и безопасное выполнение кода в изолированной песочнице. Исходники выложены на github.
Французская компания Linagora продвигает облачный сервис Twake Workplace как опенсорсную и безопасную альтернативу Google Workspace и прочим корпоративным платным облакам. В комплект с чатом и почтой входит Twake Drive — защищённое файлохранилище.
В Twake Workplace код открыт, используются защищённые протоколы JMAP и Matrix, шифрование по умолчанию. В публичном облаке бесплатно дают 5 ГБ на файлы. Но самое главное, что Twake Drive можно установить на собственном сервере, с неограниченным дисковым пространством.
Каждый продавец знает: одна неудачная фраза - и клиент уходит к конкурентам. Но как отработать навыки общения, не рискуя реальными сделками?
Недавно столкнулся с интересной и очевидной задачей: как организовать обучение продавцов или администраторов общению с клиентами таким образом, чтобы не терять реальные сделки? Тренировки на реальных клиентах - рискованно, ролевые игры с коллегами - не всегда реалистично. Идея пришла сама собой. А что, если дать возможность отрабатывать навыки на виртуальных клиентах, которые ведут себя как настоящие - с капризами, сомнениями, возражениями?
Статья о рабочем прототипе симулятора диалогов с различными типами посетителей.
Что такое код-гольф? Это соревнование, в котором надо решить задачу по программированию (как правило, несложную), используя наименьшее количество символов. Соревнование довольно известное. Можно поиграть, например, на одноимённом сайте, есть целая секция на CodinGame, иногда такие соревнования публикует kaggle, была такая секция на HackerRank (сейчас её я не нашёл).
В чём особенность таких задач? Низкий порог входа: решение можно написать с мобильника и оно будет занимать 10 строк. Но при этом есть большая сложность: чтобы избавиться от какого-то символа, в этом соревновании приходится идти на такие ухищрения, что мама не горюй. Некоторые конструкции очень неочевидные.
Временами мы развлекаемся таким форматом. В какой-то момент на внутренних ивентах подняли свою платформу для соревнований, а потом она протекла и на внешние конференции.
Эта статья — смесь разбора задач и истории появления соревнования по код-гольфу на конференциях Яндекса.
Что это за чудо-инструмент такой?
Ansible - это инструмент каждого YAML-чемпиона, с помощью него можно развертывать приложения, настраивать конфиги и автоматизации задач через ssh
Возможно, вы слышали про него вместе с фразой - Инфраструктура как код (IaC), потому что с помощью него в большинстве своем настраивают инфраструктуру
В этой статье я поделюсь опытом сборки еще не вышедшей на момент написания ROCm 7 под свои GPU, даже если их нет в списке официально поддерживаемых архитектур. Затем покажу, как с собранным ROCm 7 собрать PyTorch и запустить ComfyUI.
Вчера, 19 ноября в Москве стартовала юбилейная конференция AI Journey, и первый день оказался настолько насыщенным прорывными анонсами, что потребуется не одна статья для их осмысления. От президентских поручений до танцующего робота - разбираемся, что произошло и почему это важно.
Это перевод классической статьи 1995 года одного из титанов теории разработки программного обеспечения - профессора Никлауса Вирта (если найдется некто, кто не знает его, то можно ознакомится, не выходя с habr, со статьями о нем здесь и здесь а небольшая ретроспектива итогов предсказаний Вирта из этой статьи доступна здесь). Текст имеет больше историческое значение, но написан ясным и доступным языком, и, возможно, побудит кого-нибудь пересмотреть подходы к созданию программного обеспечения.
⚡️ DIY: Интеграция ESP8266 с Алисой через Yandex Cloud Functions
Пошаговая инструкция: от создания платежного аккаунта до прошивки контроллера.
✅ Автодеплой через GitHub Actions
✅ Безопасное хранение секретов в Lockbox
✅ MQTT с TLS для связи с устройством
✅ Контроль над инфраструктурой
27₽/мес вместо дорогих готовых решений. Код на Python и C++ прилагается.
Схема подключения, конфиг CI/CD и все секреты настройки внутри 👇
Тенденция создавать максимально компактные электронные устройства актуализирует использование переходных отверстий печатной платы в целях миниатюризации. Плотность расположения компонентов на плате настолько большая, что диаметр отверстий в печатной плате достигает минимально-возможных значений, 0.3, 0.2 мм.
Это предъявляет высокие требования к производству печатных плат и особенно к процессу сверления.
Подробнее об этом в нашей статье.
Свёрла для печатных плат – это высокоточный инструмент, который сильно отличается от обычных свёрл по металлу или дереву. Их особенности обусловлены материалами печатной платы (стеклотекстолит – абразивный материал, состоящий из эпоксидной смолы и стекловолокна) и требованиями к качеству отверстий.
Вот ключевые особенности свёрл для печатных плат:
1. Маленький диаметр.
Это самая очевидная особенность. Диаметры свёрл для печатных плат обычно находятся в диапазоне от 0.2 мм до 5.0 мм. Наиболее распространены свёрла диаметром 0.8 мм, 1.0 мм, 1.2 мм для сквозных отверстий под компоненты. Для микросхем в корпусах BGA и переходных отверстий (vias) используются свёрла диаметром 0.2-0.3 мм.
В «ЭЛЕКТРОконнект» используется ряд свёрл от 0.2 до 1.0 с шагом 0.05 мм и от 1.0 до 5.0 с шагом 0.1 мм.
2. Высокая точность и класс допуска.
Из-за маленьких диаметров к свёрлам предъявляются жёсткие требования по точности:
· Биение (runout) должно быть минимальным (обычно в пределах 2-5 микрон). Большое биение приводит к поломке сверла и браку.
· Калибровка диаметра очень строгая. Сверло диаметром 1,0 мм должно быть именно 1,0 мм, а не 0,98 или 1,02.
Ученый из Физического института им. П.Н. Лебедева РАН и Московского физико-технического института Сергей Панюков разработал принципиально новый теоретический подход к описанию процесса формирования фибриновой сети — основы кровяного сгустка. Вместо сложных кинетических моделей, требующих множества подгоночных параметров, предложена теория, которая рассматривает полимеризацию фибрина как динамический фазовый переход. Этот подход позволил вывести аналитические формулы, точно предсказывающие, как начальные концентрации ключевых белков крови определяют конечную структуру и свойства тромба.
Когда-то я просто хотел писать мобильные приложения. Никаких планов «стать техлидом», «управлять командами» или «строить архитектуру» у меня не было. Я просто любил разбираться в технологиях и доводить фичи до ума.
Но как это обычно бывает, если долго и упорно копать в одном направлении — горизонт начинает расширяться.
Расскажу коротко, как это произошло у меня.
Я наблюдал, как мой опытный коллега-финансист целый час колупался в Excel. Он гуру экселя, работает с ним 20 лет. Но увидев, как он печатает формулы, я не выдержал и показал пару простых трюков, от которых он пришёл в восторг.
Это была проблема незнания — незнания о функциях, которые лежат в Excel годами, экономят часы работы, но о которых просто никто не рассказывает.
Потому пишу статью, чтобы собрать лучшие лайфхаки и спасти драгоценные секунды вашей жизни.
Вечером я смотрел на черновик аудита банковской системы. Семьдесят страниц текста — аккуратных, умных… и беспомощных. В них было всё, кроме главного: куда ткнуть пальцем, чтобы увидеть причину и связанный с ней риск.
Я открыл диаграмму и сделал то, чего раньше не делал с текстами: расщепил его на смысловые атомы. Первая глава превратилась в объект. Раздел — тоже объект. Абзац с фразой «есть прямой доступ к БД» — отдельный узел с ссылкой на страницу. Рядом появился «Факт». От него пошли ребра к «Риску» и «Рекомендации».
И тут случилось простое озарение: документ перестал быть рассказом, он стал моделью.
На второй главе я заметил повтор: тот же паттерн всплывает в другом отчёте. Раньше я бы копировал текст. В графе я просто переиспользовал раздел как объект. Тот самый «Интеграционный ландшафт» стал шаблоном — и без лишних объяснений собрал вокруг себя факты, метрики, контроли.
Когда всё склеилось, вопросы заказчика сменились: не «где это написано?», а «какие риски подтверждены фактами?» и «что закроем первым?». Мы щёлкнули по узлу — и увидели цепочку от цитаты первоисточника до предлагаемого изменения архитектуры. Трассировка появилась сама собой, просто потому что текст больше не был плоским.
Иногда в разработке случается баг, который не просто не даёт спать, а заставляет пересмотреть свои жизненные ценности.
У меня это произошло со скромным всплывающим окном внутри WebView.
Задача была максимально скучной: на экране с WebView пользователь нажимает кнопку “Exit”, а веб-страница показывает попап подтверждения. На старом коде — всё идеально. На браузере — идеально. На новом инфраструктурном слое WebView — попап появляется на миг и тут же закрывается сам, как будто кто-то тайно играет в “крестики” за пользователя.
Никаких ошибок. Никаких исключений.
Просто “блип”… и пустота.
То самое чувство, когда ты нажимаешь кнопку, а мир делает вид, что “ничего не было”.
И это — пролог к истории о том, как два дня моей жизни сгорели на алтаре WebView.
Продолжаю погружаться в Reinforcement Learning. Здесь продолжение статьи Intro Reinforcement Learning.
Если предыдущая часть помогла вам понять, что такое среда, агент, награды и функции ценности, то здесь мы сделаем шаг дальше: мы переходим к model-free алгоритмам и Deep Reinforcement Learning, где агент учится оптимальной стратегии, не имея прямого доступа к модели среды.
