Искусственный интеллект

Восемнадцатый выпуск еженедельных IT-новостей от OpenIDE.

Главная история недели: Claude Fable 5 продержался в публичном доступе три дня, после чего Anthropic получили директиву от Министерства торговли США и отключили модель для всех. На следующий день Zhipu AI выпустили open-source GLM-5.2 с прямым намёком на этот случай. Параллельно SpaceX провели крупнейшее IPO в истории и через несколько дней купили Cursor за $60 млрд.

Спойлер: архитектура AIналитика полностью переписана, теперь Платформу можно запускать практически под любым харнесом (OpenCode, Kodik, Codex, Claude Code), а также подключать любые LLM, включая локальные. Добавлено/в разработке много новых фич: многоагентная система, доска навигации и дашборд для тимлидов.

Пару месяцев назад я опубликовал на Хабре статью «Как я научил Claude Code работать бизнес-аналитиком по руководству BABOK. Вот что получилось». Коротко: я разработал AI Платформу AIналитик - ai-ассистента, который работает рядом с бизнес-аналитиком, как опытный коллега. Он знает методологию BABOK v3 и ведёт BA по проекту, может: спланировать, подготовить интервью, собрать требования, провести трассировку, приоритизировать, оценить риски и изменения. Покрыты все задачи пяти областей знаний, главы с 3 по 7, за исключением 8-ой.

Исходный код AIналитика v1 на Github. Канал с новостями проекта AI Платформа AIналитик.

Идея первой версии AIналитика умещалась в одно слово: рельсы. Бизнес-аналитик перемещается по проекту, как трамвай по рельсам. Платформа не даёт свернуть в сторону и начать творить отсебятину, пропустить шаг или забыть про дедлайны. Бизнес аналитик с Платфорой выполняет задачи так, как это рекомендует методология BABOK. Пользователь общается с Платфрмой человеческими словами, никаких специальных команд знать не надо. Платформа подсказывает следующий ход и берет на себя всю рутину.

Подготовка модели Yolo для запуска на базе Hailo чипа для Raspberry Pi 5 AI HAT+.

Если есть интерес к легким аппаратным решениям в области ИИ, то добро пожаловать. В статье я затрагиваю вопрос подготовки модели детекции к работе на компактной малинке.

Эпоха, когда лучшие в мире ИИ-инструменты были «общественным благом для свободного пользования», стремительно заканчивается. Им на смену приходит жесткое регулирование, сбор персональных данных и обязательная верификация личности.

На днях разработчик ИИ под ником «Kai» опубликовал в X (Twitter) скриншот нового всплывающего окна ChatGPT. Система потребовала от него не просто подтвердить номер телефона, а загрузить удостоверение личности и пройти 3D-оценку витальности (liveness detection) через веб-камеру — покрутить головой и поморгать. Всего за несколько дней до этого о грядущей аутентификации пользователей объявила и Anthropic для своего Claude.

Я хотел просто пожарить кесадилью. В холодильнике лежали зеленые оливки (солено-кислые), сулугуни и фарш, а на полке консервированная кукуруза. И вот стою я над сковородкой и думаю: а оливки с кукурузой вообще сочетаются? А сулугуни не пересолит блюдо вместе с оливками? Сколько чего вообще класть?

В любой другой ситуации я бы загуглил рецепт. Но не тут-то было, я же великий комбинатор оптимизатор, и у меня в голове сразу всплыло: «это же задача оптимизации». Тем же вечером у меня был ноутбук с обученной нейросетью вместо ужина. Рассказываю, как дошел до жизни такой, и как из этого, внезапно, получился реально вкусный рецепт.

Рассказываем, как переделали структуру базы знаний бота и генерируем ее автоматически с помощью AI. Внутри подробно описываем:

1. Почему решили прокачать базу знаний: бот закрывал только 18% обращений, ему не хватало «эрудиции».

2. Как изменилась структура: вместо сырых диалогов поддержки стали наполнять базу статьями и FAQ, которые создает нейросеть;

3. С какими проблемами столкнулись и как следим за качеством базы знаний.

4. Чего добились в итоге: бот закрывает 45% обращений и работает на второй линии поддержки, а база знаний служит источником информации о продукте для сотрудников компании.

Стартап Anysphere, созданный 22-летними Майклом Труэллом (Michael Truell), Суалехом Ассифом (Sualeh Asif), Арвидом Луннемарком (Arvid Lunnemark) и Аманом Санджером (Aman Sanger), появился в 2022 году, а к 2025-му — его уже оценивали в 29 млрд долларов. В 2026-м фирму хочет выкупить SpaceX за 60 млрд. Как компании удалось за три года достичь таких успехов— подробнее в нашей статье.

Я долго пользовался разными кодинг‑агентами, и на их фоне Claude Code для меня заметно выделялся: качеством решений, удобством работы и вниманием к деталям. В какой‑то момент мне захотелось не просто пользоваться таким инструментом, а понять, что на самом деле происходит у него под капотом. Так я сел писать собственного агента на Swift, с нуля, без использования готовых решений.

Довольно быстро стало понятно, что сложность не в том, чтобы вызвать модель и попросить ее сгенерировать код. Настоящая сложность начинается там, где система должна стабильно работать: удерживать контекст, пользоваться инструментами, справляться с ошибками и непредсказуемыми ответами модели. На обвязку вокруг модели и уходит почти все время.

Дальше я разберу места, где это проявляется: от устройства главного цикла до управления контекстом. Многие выводы задним числом кажутся очевидными, но на практике они становятся понятны, только тогда когда строишь агента сам и упираешься в каждую проблему руками.

Расскажу, как я писал телефонного бота для обзвона клиентов страховой компании. Как сокращал время ответа и боролся с подвисанием при вызове API.

Новости про очередной этап «развития ИИ» выходят чуть ли не каждый день. И со временем меняются не только ИИ-инструменты, но и отношение к ним у ИТ-специалистов, их представление о назначении таких инструментов. Эта статья — о сдвиге понимания роли искусственного интеллекта в работе архитектора ПО. 

Привет, Хабр! Меня зовут Александр Брейман, я доцент департамента программной инженерии факультета компьютерных наук НИУ ВШЭ и старший преподаватель Учебного центра IBS. 

Недавно я пересматривал вебинар «Генеративные нейронные сети в работе архитектора ПО», который сам же и проводил год назад. Слушать собственные мысли из прошлого — опыт специфический. С одной стороны, идеи кажутся логичными, с другой — сейчас я остро вижу, насколько за этот год изменилось понимание того, как ИИ на самом деле встраивается в инженерные процессы.

ChatGPT не "ранжирует сайты" — он извлекает фрагменты из retrieval-слоя (преимущественно индекс Bing + собственные краулеры), оценивает их на пригодность к извлечению и синтезирует ответ со сносками. Чтобы попасть в этот ответ, нужно три вещи: чтобы краулеры OpenAI физически могли прочитать страницу, чтобы контент был структурно «выкусываемым» (прямой ответ в начале, факты с источниками, чистый HTML), и чтобы бренд имел подтверждение на независимых площадках. Ниже — разбор каждого этапа конвейера с проверкой цифр на актуальность и пометками, где данные подтверждены первоисточником, а где это отраслевая оценка. Можете расходиться хD

В конце прошлого года сразу два конкурирующих ИИ гиганта Perplexity и OpenAI выпустили свои AI‑браузеры. Каждым это, конечно, подавалось как прорыв.

Про Comet сказано уже много. Справедливо было бы показать и Atlas. Он был доступен только для macOS. Хотел дождаться, пока он появится и для других платформ, но не дождался. Так что разберём так.

Сразу скажу: я хотел найти для себя хотя бы одну причину, чтобы перейти на него. Спойлер — не нашёл. Ну давайте объективно посмотрим на плюсы и минусы.

Atlas — это веб‑браузер от OpenAI, выпущенный 21 октября 2025 года. Идея простая: ChatGPT встроен прямо в браузер и работает как ваш персональный ассистент на каждой странице.

Главное обещание — умная боковая панель с ChatGPT для работы с любым сайтом. Есть режим агента, который может сам кликать, заполнять формы и делать покупки. Память браузера запоминает всё, что вы делали в интернете.

Block (Square, Cash App, Tidal) рассказала, как у неё устроена разработка: внутренний Builderbot делает 200 000+ операций в день, мержит ~1500 PR в неделю и отвечает за ~15% всех изменений прод-кода. Фон невесёлый — всё это после сокращения ~4000 человек. Разбираю, что реально под капотом (Builderbot — control plane поверх открытого фреймворка Goose: Slack-тред → ветка → PR → CI-петля), и главное — что из этого может украсть обычная команда без своего фреймворка. Острый угол: на масштабе кодинг-агент — это не про модель, а про обвязку (CI, права, аудит, очереди PR), то есть чистый DevOps. Плюс честно про маркетинг в их цифрах и про 4000 человек за кадром.

Прошел очередной Летний аналитический фестиваль. В этом году он проходил в Иваново: в связи с тяжелой ситуацией на рынке ЛАФ вернулся из Подмосковья на ту площадку, на которой начинался в далеком 2010 году. И к тому же формату: суббота – в офисе Консультанта, вечером – переезд за город, на турбазу, там шашлыки и движуха, а в воскресенье – продолжение мастер-классов уже на турбазе. И громадная благодарность организаторам, что провели фестиваль! Было много нетворкинга и интересные доклады, два трека выступлений и два – мастер-классов. А относительно камерный формат, в котором было всего 120 человек, многие из которых были на фестивале многократно, создал прекрасную атмосферу. Обсуждения многих насущных тем продолжались практически всю ночь до утра. А началось это на препати, который был еще в пятницу вечером.

Кэш режет цену входных токенов в десять раз и держит юнит-экономику агентов, но ломается без единой ошибки в логах. Что на самом деле кэшируется, чем отличаются OpenAI, Anthropic и Google и как собрать промпт, который не убивает собственный кэш.

В общем, стукнул личностный кризис и я взялся делать мобильную игру про лабораторию, бактерий и вирусы в чашке Петри. Игрок здесь не спасает королевство и не собирает мечи, а выращивает странные живые культуры, проводит опыты и пытается понять, что из всего этого получилось. Да, звучит немного подозрительно. Поэтому, надеюсь, и будет интересно.

Сегодня прошло мероприятие VK Cloud Conf 2026, чего было интересного...

Одной из интересных концепций, которую удалось подметить и на которую мы раньше обращали мало внимания: возможность мониторить ошибки на толстом клиенте. Однако если специалист по продукту рассказывал, что это просто интересный инструмент, к которому они подключили ClickHouse, то мы с ним дошли до обсуждения, что ИИ-агенты могут работать явно больше 3,5…15 часов, если получают подробный и отфильтрованный и прошедший отдельную оценку разбор ошибок на клиенте и сервере. 

Вы вставляете в код небольшой JS-скрипт, как при подключении Яндекс-метрики, но он мониторит не только трафика на Ваш сайт, но и то, что у пользователя запустилось, с какого устройства появилась проблема в работе боевого сервера (IPhone / Android / Windows / …). Когда Вы пытаетесь проанализировать ошибки без специальных инструментов, нужно писать кучу разрешений о выводе ошибок, строчить явно не 10 строчек кода, которые на клиенте проанализируют проблему. А здесь вы просто доверяетесь инструменту, где все это сделано за вас. Но прелесть в том, что ваш агент, анализируя и пересматривая результат своей генерации кода, может анализировать именно сообщения и ошибки, «подготовленные на блюдечке» этой тулзой, что повышает результативность работы ИИ-агентов.

Агент не ломает архитектуру. Он заливается в те щели, которые ты ему оставил. Как я перестроил проект на 200К строк, чтобы границы держал линтер и CI, а не слова в CLAUDE.md. С кодом и цифрами до и после.

Через квартал-другой в переговорку зайдёт финансовый директор и задаст инженерному руководителю простой вопрос: «Мы потратили на AI вот столько — что получили?» И руководитель откроет дашборд: adoption 87%, 100 ежедневных пользователей ассистента, тысячи промптов. А финдир посмотрит и скажет: «Это сколько вы потратили. Я спросил, что получили». Я работаю приглашённым CTO и этот разговор наблюдал уже не раз. Расскажу, почему дашборд адопшна его не переживает и что мерить вместо него. Без «AI — это хайп» и без «AI всё изменит» — про цифры.

AI-агент самостоятельно создавал приложение и по ходу работы покрывал его тестами, а качество кода оценивали автоматические проверки. На первый взгляд всё выглядело надёжно: покрытие росло, тесты проходили. Однако мутационное тестирование показало, что часть тестов лишь выполняет код, почти не защищая его от реальных поломок.

В статье разберём, какие сенсоры действительно помогают находить регрессии, а какие создают ложное чувство уверенности.