Как я переписал свой старый эмулятор с нуля: теперь это не игрушка с рандомными опкодами, а полноценная машина времени с ассемблером, линкером, BASIC, виртуальными дискетами, монитором и Тетрисом, который ломается ровно так, как ломался бы на реальном железе 1971 года.
Представьте: открываете холодильник — морковь, йогурт, яблоко. На полке арахисовое масло. Продукты есть, но что из этого приготовить? Можно искать рецепты и проверять, хватает ли ингредиентов. А можно сфотографировать продукты и попросить приложение предложить варианты.
Такой сценарий мы выбрали для командного проекта AI Sous-chef. Пользователь фотографирует продукты или вводит их списком, а сервис предлагает блюда и шаги приготовления. За два с половиной месяца мы выпустили Android-приложение и Telegram-бота.
После запуска получили отзыв: приложение предложило салат из сырой картошки и баклажана. Рецепт появился на экране, но в инструкции не было этапа приготовления этих ингредиентов.
Основной репозиторий AI Sous-chef опубликован под лицензией GNU AGPL v3.0. В нём находятся бэкенд, промпты, конфигурации и материалы проверок. Покажем, как устроены загрузка инструкций и обработка ответов, какие решения могут пригодиться в похожем проекте и что нам ещё предстоит доработать.
Кажется, намечается интересный вечерок. 25 ноября на 114-м Moscow Python Meetup обсудим, как перестать плодить одинаковые сервисы и таскать за собой старые костыли, почему нейронка даже после десятого промпта не врубается, чего от неё хотят, и что лучше для ИИ-разработки.
Будет два доклада с реальными кейсами и цифрами, а под конец — вечный холивар взрослая дискуссия. В общем, приручаем нейронку, отказываемся от копипасты и пытаемся не поссориться из-за Go.
Подробности под катом.
У меня небольшое производство электродвигателей, и задачи у нас терялись между людьми: поставили одну, пришёл человек с другой, про первую забыли. Я не стал внедрять ERP, а за три недели выходных собрал свою систему. Задачу надиктовываешь в цеху на телефон, агент раскладывает её по полям, и она сразу улетает исполнителю. А надзиратель следит за цепочками задач и сам тормошит того, из-за кого стоит работа.
Сейчас в тренде подсчет калорий БЖУ и прочие радости. Скажу честно сам считаю) И так же вайбкодинг. Лично для меня агенты стали чем то как 3D принтер. Если есть фантазия то сделать можно что угодно.
Я захотел, чтобы было так: говорю «3 дня, двое, 5000 ₽, примерно 2000 ккал в день» — и получаю меню с рецептами, где сначала используется то, что уже лежит дома, и собранную корзину в доставке . Оплачиваю сам, одной кнопкой в приложении.
Я не профессиональный разработчик. Пишу на Python для себя и честно называю себя вайбкодером: код за меня пишут ИИ-агенты, а я ставлю задачи, проверяю и говорю «да/нет». Ниже — как это было: что получилось, на каких граблях мы с агентами прыгали и что я вынес про вайбкодинг.
🏴☠️ Плохо лежит
Нужный мне софт для торговли на бирже продается за подписку банковской картой Swift. Так как платежный шлюз карт МИР не был интегрирован изначально, мне ничего не остается кроме как написать аналогичный самостоятельно. В этом мне поможет автономный дистиллирующий ИИ агент
Обычный вечер просмотра вакансий: открытая вкладка hh, десяток вакансий, просмотренных по диагонали, и мысль «завтра откинусь на те пять, что понадёжнее».
Завтра их уже нет. На ходовую вакансию боты ставят отклики каждые четыре секунды. Я замерил однажды: 264 отклика за первые 18 минут.
Твоё место в очереди к HR решает не резюме — решает то, успел ли твой отклик попасть в первую минуту жизни вакансии.
Я энтузиаст, поэтому сделал то, что делают программисты — автоматизировал.
Но не в лоб: за два дня «скрипта, который откликается на всё подряд» HR заносит тебя в личный чёрный список, а письма по шаблону «здравствуйте, очень заинтересовала ваша вакансия» видны за версту.
Получился снайпер. Система каждую минуту проверяет свежие вакансии, дешёвыми правилами отрезает очевидный мусор, оставшихся читает LLM и скорит на соответствие моему резюме — уверенный выстрел уходит сам, сомнительный ложится в парковку и падает мне в Telegram с кнопкой. По уставу.
Девятнадцать дней в работе. 13 648 вакансий просеяно, 40 откликов, ни одного на вакансию стоматолога.
Хотя стоматологов система видела десятки. И не спросила у меня ни копейки за их прочтение, об этом ниже.
Как она устроена, где я ловил сам себя и почему письмо, которое уходит HR, не пишет ни одна нейросеть.
[картинка: habr-09-kdpv.jpg]
Мораторий на проверки малого и среднего бизнеса - самое повторяемое слово в осенних пересказах для бизнеса, и почти всегда без единого числа. Мне надоело цитировать чужие пересказы, и я пошёл в первоисточник: единый реестр контрольных (надзорных) мероприятий, который ведёт Генеральная прокуратура, отдаёт свои данные файлами, без регистрации и капчи. Я скачал октябрьскую выгрузку, разобрал два с четвертью гигабайта разметки и посчитал. Плановых проверок за октябрь 2026 года в реестре ноль. Внеплановых - 48 292, и у 37 тысяч из них в записи стоит субъект МСП. Ещё 218 673 записи - профилактические мероприятия, о которых в пересказах моратория не пишут вовсе.
Ниже - метод, нормы и числа со снимка 3 ноября 2026 года. Этот разбор не является юридической консультацией и рекомендацией: решение по своему случаю остаётся за вами.
В прошлой статье я показывал DreamTeam. Это опенсорс‑фреймворк на Python для роя ИИ‑агентов без начальника. Агентам дают цель, общую доску задач, общую git‑папку и право писать себе инструменты и скиллы. Дальше они сами раскладывают работу, разбирают задачи и проверяют друг друга. В той статье рой решал математические задачи и писал инструмент под скрытый бенчмарк.
В комментариях мне предложили проверить исходники DreamTeam силами самого роя — поискать майнеры и прочие закладки. Я попробовал: заложил в копию проекта 3 канарейки ради интереса и дал цель рою изучить их собственный код. Рой нашёл все три... и ещё 13 реальных проблем из 27 находок. Меня это вдохновило, поэтому я направил рой на две области, где обычно работают живые специалисты. Там результат нельзя подогнать под число. Первая — поиск уязвимостей в популярной OSS‑библиотеке с координированным раскрытием. Вторая — автономное прохождение машин HackTheBox. Некоторые результаты меня действительно удивили.
Почти любой взлом компании, о котором потом пишут в новостях, начинается не с хитрой атаки, а с какой-нибудь ерунды. Забыли настроить почту. Не обновляли библиотеку на сайте лет десять. Удалили сервер, а запись в DNS оставили. Ломать ничего не надо: дверь уже открыта, нужно только её найти.
В прошлой статье я проверил 50 сайтов на зависимость от иностранных сервисов. С тех пор утилита научилась проверять почту, 152-ФЗ и безопасность, и я решил посмотреть шире: прогнал через неё 284 сайта крупных российских компаний. Банки, магазины, вузы, клиники, застройщики, медиа, госсайты.
Спойлер: у каждого четвёртого сайта можно отправить письмо от имени компании так, что оно придёт во «Входящие». У каждого четвёртого на страницах висят библиотеки с известными уязвимостями. Половина сайтов отдаёт ваш IP иностранным сервисам, как только вы открыли страницу, хотя в политике у многих написано, что ничего никуда не передаётся. А госсайты, на которые я рассчитывал как на пример строгости, оказались не лучше остальных.
Когда старая Raspberry Pi годами лежит без дела, её надо куда-то пристроить. Я нашел ей применение в корпусе от Pip-Boy из Fallout, который напечатал на 3д-принтере. Теперь у меня на столе стильный предмет интерьера, где можно посмотреть время, курсы валют в fallout-стиле. При сборке были сложности и пришлось использовать немного костылей - но в итоге, все заработало.
Обработчик увеличил баланс, но ответ потерялся. Отправитель повторил вебхук — и баланс вырос ещё раз. Разбираем защиту на Python и SQLite: уникальный ключ, общая транзакция и воспроизводимые тесты повторной и параллельной доставки. Заодно проверим падение посередине обработки и одинаковый ключ с разным содержимым.
Главная жалоба на чат-ботов всегда одна: «он меня не помнит». Своей памяти у LLM нет, и всё, что она якобы помнит, кладём в контекст мы сами.
Рассказываю, как устроена память ассистента в проде на 16 тысячах раундов: файлы, PostgreSQL с pgvector, судья на дешёвой модели, выжимки, политика доступа между агентами. И что из задуманного так и осталось лежать в библиотеке.
Сервис перестал принимать клиентов. В журнале - Too many open files. Больших логов нет, каталоги с данными выглядят нормально, а ulimit -n в вашей консоли показывает огромный запас. Откуда взялись «слишком многие файлы»?
У этой ошибки есть языковая ловушка: слово files заставляет искать обычные файлы на диске. Но сокет тоже занимает файловый дескриптор. Сервис может упереться в лимит, создавая только сокеты - даже без подключения к удалённому серверу. Ниже я воспроизведу именно это, затем подниму лимит и получу ту же ошибку повторно.
Всем привет. Представлюсь: Шевченко Максим Юрьевич. Работал мануальным тестировщиком (в том числе); считаю себя исследователем, в основном, в области математики.
В этой публикации я хочу поделиться личным опытом и результатами использования LLM Gemini в связке с Python для проведения численных экспериментов и оформления статей в рамках своих математических исследований. Они носят поисковый характер. Здесь нет жесткого плана, и методология взаимодействия больше похожа на Agile, чем на Waterfall. В процессе сотрудничества с ИИ я столкнулся как с его достоинствами, так и с недостатками, о которых и хотел бы поделиться.
В начале ноября 2026 года состоялся выпуск открытого мультиплатформенного проекта Calibre 9.18. Это программное решение для чтения, создания и хранения в электронной библиотеке электронных книг разного формата. Исходный код проекта написан на Python и C и опубликован на GitHub под лицензией GNU General Public License v3.0. Версия Calibre 7.0 вышла в ноябре 2023 года. Сборка Calibre 8.0 вышла в марте 2025 года. Выпуск Calibre 9.0 случился в конце января 2026 года. Проект находится в разработке более 11 лет.
Чуть больше года назад у меня вышла статья про биржу Kwork (ссылка на статью). Она набрала 30 000 просмотров. Результат неплохой, но в топе того же хабра лежат публикации по 150 000 и 350 000 просмотров. Мне стало интересно, почему одни статьи собирают пару тысяч просмотров, а другие читают сотнями тысяч.
Я решил проверить это с помощью Python и машинного обучения. План был простой: собрать статистику по статьям из моего хаба, оценить качество текстов через языковую модель, загрузить все метрики в Random Forest и посмотреть, какие параметры сильнее всего влияют на просмотры.
В процессе я уперся в лимиты облачного API, локальная нейросеть в LM Studio схитрила на промпте, а сам алгоритм машинного обучения сначала выдал аномальный прогноз из-за утечки данных. Ниже расскажу, как я это исправлял и какие цифры получил в итоге.
Нейросеть получает статью на редактуру и возвращает гладкий текст, в котором автора уже не узнать. В препринте 2026 года исследователи из Berkeley, Google DeepMind и других организаций показали, что ИИ-модели меняют смысл текста, даже когда их просят исправить только грамматику. Kimi AI, Qwen, DeepSeek и Grok всё чаще пробуют для текстов вместо ChatGPT, и выбирать среди них редактора на глаз рискованно.
По умолчанию нейросеть, которой дали текст на редактуру, переписывает его, хотя просили только править. Ограничить её можно только жёстким промптом и сравнением версий. Модели для редактуры надо сравнивать по тому, какую долю текста они изменили и сохранился ли смысл, а не по впечатлению, что стало лучше.
В первой статье «Как я адаптировал nfqws2 для ASUS и добавил поддержку OpenWrt» я рассказал, как установить проект и настроить общую стратегию. Теперь покажу, как назначать разные стратегии устройствам, проверять результат и переносить удачные настройки. Всё ниже доступно в Build 99.
Под ответом нейросети стоит ссылка, она не открывается, и первая мысль — адрес выдуман. Я проверил около шестисот адресов из ответов пяти нейросетей с поиском примерно через месяц после того, как их собрал. Открылись примерно девять из десяти. Мёртвых, с кодами 404 и 410, единицы. Это адреса обычных материалов на живых площадках, а не случайный набор символов, поэтому скорее всего это удалённые статьи, а не выдумка. Когда именно их удалили, неизвестно. Поэтому риск для сайта другой: ссылка на удалённую страницу может остаться в источниках и вести в пустоту.
