1. Про открытые модели и почему мы используем их как пример 2. Из чего складывается цена токена 3. Про Dense и MoE архитектуры 4. Как считается attention и активные параметры 5. Total ≠ active: тренд на MoE архитектуру 6. Почему output-токены дороже input 7. Reasoning-токены как невидимый output, за который тоже приходится платить 8. Context Window и KV-cache — почему длинный контекст дорогой 9. Как посчитать вес одного токена и из чего он складывается 10. В чем разница между KV-cache и prompt caching 11. За счет чего фронтир модели стоят в разы дороже 12. Почему дорогая модель чаще всего реально «умнее» 13. Как всё это итого собирается в 5-часовой лимит
14. И как бонус — сортировка open-weight моделей по active и total
Почему трафик в ЦОДе балансируется не так, как вы ожидали
LAG часто воспринимают как простую и понятную вещь: объединили несколько линков — получили больше пропускной способности и отказоустойчивость. Но в реальности всё упирается не только в наличие агрегированного канала, а в то, как именно по нему раскладываются потоки.
Из-за этого и появляются знакомые инфраструктурные сюжеты: один линк забит, другой почти пустой; после изменения топологии поведение трафика меняется неочевидно; ECMP вроде есть, но равномерности всё равно нет; в VxLAN/EVPN-фабрике проблема становится ещё менее прозрачной.
7 июля в 20:00 на бесплатном уроке вместе с преподавателями-практиками разберём, как на самом деле работает балансировка трафика в сетях ЦОД: от LAG и хеширования до ECMP, vPC/MLAG и VxLAN/EVPN. Фокус — на том, какие решения в дизайне сети помогают избежать перекосов, перегрузок и сценариев уровня «всё упало, всё пропало». Присоединяйтесь.
Больше бесплатных уроков июля по инфраструктуре, сетям, разработке, AI и другим направлениям собрали в дайджесте — там можно посмотреть все темы месяца.
Стало возможно сэкономит до 60% токенов при использовании нейросети Fable 5 — представлен способ доработать ИИ-систему и платить Anthropic в разы меньше.
Инструмент pxpipe берёт полотна промтов и превращает их в картинку. При считывании изображений платить приходится за каждый обработанный пиксель, а не за буквы на нём, благодаря чему метод куда выгоднее. В демо автору удалось выполнить ту же задачу, что и обычным промтом, но в 7 раз дешевле: за $6 против $42. При этом Fable идеально считывает текст на картинках, несмотря на сжатие. В 39 протестированных картинках нейронка Anthropic безошибочно поняла весь промт.
Ранее разработчики обратились к специализированному инструменту Caveman, который заставляет ИИ генерировать максимально краткие ответы с имитацией стиля речи «пещерного человека». Автор инструмента Джулиус Брюсси в своё время обратил внимание на то, что значительная часть бюджета компаний расходуется на «болтовню» языковых моделей. Caveman удаляет из ответов чат-ботов слова-связки, приветствия и вводные конструкции, сохраняя программный код, команды, URL-адреса и технические детали.
Google бесплатно раздаёт миллион токенов для работы с искусственным интеллектом Gemini. Чтобы воспользоваться предложением, достаточно зайти в Google AI Studio, выбрать или создать проект и сгенерировать API-ключ. После этого можно настроить квоты под свои задачи — процесс не требует дополнительных подтверждений или регистрации. Миллион токенов можно использовать с моделями Gemini 2.5 Flash, 2.5 Flash-Lite и 2.5 Pro. Этого объёма хватит на месяцы активной работы: генерацию и анализ текстов, написание кода, дизайн, обработку данных и другие задачи. Подробная инструкция по получению ключа и активации токенов размещена на официальной странице Google AI Studio.
Как записать "круглое" видео в мессенджере "ACCORD".
Я пишу свой облачный мессенджер (мини-соцсеть) под пилотным названием Accord. Недавно я реализовал новую функцию отправки видеосообщений в форме "круглого" видео. Теперь любой пользователь может отправить своему собеседнику модное селфи без каких-либо специальных настроек.
Чтобы отправить такое видео, достаточно открыть чат и выбрать в верхнем выпадающем меню пункт "Селфи видео". Далее откроется небольшое диалоговое окошко, где необходимо нажать и удерживать кнопку "Hold" - после этого начнется процесс записи видео с фронтальной камеры смартфона.
Длительность записи ограничена по времени, чтобы не перегружать смартфон ресурсоемким процессом. После истечения лимита или как только пользователь отпустит кнопку, видео отправится на бэкенд для дальнейшей обработки.
Особенности видеосообщений:
Лимит времени: Максимальная длительность одного ролика составляет 10 секунд.
Формат: Видео автоматически обрезается в форме круга и записывается на фронтальную камеру.
Воспроизведение: В чате такие ролики проигрываются один раз при нажатии "Play".
Способ 1
Бэкенд приводит видео к "квадратному" формату с соотношением сторон 1:1 и возвращает ссылку на него обратно в чат собеседникам.
Ниже пример выполнения преобразования видео в "квадратный" формат с помощью "ffmpeg":
Чтобы отобразить "квадратное" видео в виде круга на Java, я создаю шаблон (ViewOutlineProvider). Он принудительно задает графическому элементу (View) форму идеального круга фиксированного размера:
private static final ViewOutlineProvider CIRCLE_PROVIDER = new ViewOutlineProvider() {
@Override
public void getOutline(View view, Outline outline) {
int sizeInPx = (int) TypedValue.applyDimension(
TypedValue.COMPLEX_UNIT_DIP, 270, view.getResources().getDisplayMetrics()
);
outline.setOval(0, 0, sizeInPx, sizeInPx);
}
};
Затем в холдере применяю описанный выше шаблон к TextureView и ImageView:
В результате выполнения этого кода видео примет "круглый" вид.
Способ 2
Как показала практика, кодирование видео в "квадратный" формат на бэкенде невыгодно, так как оно занимает время и нагружает сервер. Без хорошей видеокарты, которая на бэкенде часто отсутствует, работать с видео накладно. Поэтому я пошел другим путём.
Так как камера смартфона снимает видео не в "квадратном" формате, я воспользовался матрицей преобразования, центрировал кадр и обрезал лишние стороны.
//фиксированный размер видео с камеры смартфона: 480x640
float scaleY = h / (w * 480 / 640);
Matrix matrix = new Matrix();
matrix.setScale(1.0f, scaleY, w / 2f, h / 2f);
CircleVideoViewHolder vch = (CircleVideoViewHolder) holder;
vch.texture.setTransform(matrix);
При таком подходе вся работа выполняется на стороне графического процессора (GPU) самого смартфона с максимальной скоростью. Это полностью избавляет от необходимости обрабатывать видео на бэкенде.
В результате получилась вот такая красота:
селфи видео в круглом формате
Итог:
Перенос графических вычислений на сторону клиента (в данном случае на GPU смартфона) позволил решить сразу две важные задачи. Во-первых, это полностью разгружает бэкенд-сервер от тяжелых операций перекодирования видео. Во-вторых, обеспечивает пользователя мгновенным откликом интерфейса и быстроту отправки сообщения, так как обработка кадра происходит "на лету" прямо во время записи.
Спасибо за вашу поддержку. Это придает стимул писать дальше.
Один из топовых генераторов фонов для сайтов, приложений и презентаций стал бесплатным — Paper Shaders открыли исходный код. Теперь проект можно свободно использовать в любых веб-задачах, создавать собственные инструменты, плагины и даже коммерческие продукты, объявил СЕО Paper Shaders.
В свое время очень нравился комикс о спасении принцессы на разных языках. Жаль, что он уже не отражает нашу действительность, поэтому захотелось его освежить. Рисовать я не умею от слова совсем, поэтому встречайте: нейрослоп!
Моя реакция на новость "Сочинский филиал РУДН первым в России отменил дипломные работы из-за нейросетей":
Прошло три с половиной года с момента выхода ChatGPT. Похоже страсти устаканиваются и вузы вместе со школами приходят к единственному возможному выходу из ситуации: вообще перестать ставить оценки за все что делается дома. Оценки - только за устные экзамены у доски или письменные в закрытой комнате без доступа к электронным устройствам. Возможно с экранированием от WiFi и мобильного интернета, и даже осмотром ушей на предмет наличия наушника с микрофоном.
И экзаменционные лабы типа “покажи-ка как ты делаешь семиступенчатый синтез органического соединения с бумажным учебником и бумажным же справочником в руках”. Для тех кто такого не делал: это на самом деле очень творческое задание, требует тонкой наработанной упражнениями интуиции о побочных эффектах ~тысячи реакций из учебника Vollhardt & Schore, который используется в американских вузах. И карты местности органических соединений в голове.
При этом домашние задания нужно конечно же раздавать, но оценки за них не ставить. Если студент или школьник хочет их делать, не подглядывая в ИИ - хорошо, молодец, тем самым он себя натренирует, будет хорошо чувствовать на экзамене и в будущей профессии. Не хочет - тоже хорошо, получит кол на экзамене, вылетит из вуза, меньше нагрузки на систему образования. Пусть идет в “ИИ-университет”, где за значительные родительские деньги получает “ИИ-диплом” который будет рассматриваться работодателями как филькина грамота.
При этом разумеется из вузовских программ нужно убрать всякие скопившиеся там ветхости. Например мне в 2015 году декан вуза из Поволжья жаловался что министерство образования требует от них учить студентов микроконтроллерам на основе КР1816ВЕ48, советского аналога Intel 8048, предшественника Intel 8051. Эта фиговина из 1976 года использовалась вроде в клавиатурах ранних IBM PC.
Тут проблема даже не в том, что этот микроконтроллер старый - есть куча полезных для целей образования старых компьютеров, например CDC 6600 из 1964. Проблема в том, что 8048 ничего такого интересного не иллюстрирует, что можно проиллюстрировать на современных актуальных RISC-V микроконтроллерах. А вот в CDC 6600 есть в довольно чистом виде идея out-of-order scoreboard (внеочередного выполнения инструкций), которая актуальна и для современного проектирования, вместе с алгоритмом Томасуло из 1967 года (IBM System/360 Model 91). Томасуло учат во всех серьезных американских вузах, и даже ИИ вставляет их в резюме, которое оно пишет студентам.
Я бы на месте российского министерства образования требовал от вузов быстро повнедрять курсы программирования встроенных систем с российскими RISC-V микроконтроллерами К1921ВГ1Т от НИИЭТ и Baikal-U от Байкал Электроникс. Они уже человеческие по мировому гамбурскому счету (то есть это не ухудшение по сравнению с преподаванием западных STM32 или ESP32), их можно привязать к курсам компьютерной архитектуры на основе RISC-V, и это связка вузов с промышленностью. Учить на них также какую-нибудь российскую RTOS итд.
C-level в кулуарах: о миссии, ошибках и AI — семь топов говорят честно
Что происходит, когда IT-руководители высшего звена собираются не на сцене, а в кулуарах? Правильно — начинается настоящий разговор.
Этот выпуск «Свободного слота» записали прямо на конференции SouthHub в Красной Поляне. Саша Афёнов и Саша Прокшина поговорили с семью топами из крупнейших IT-компаний: Алексеем Молчановым (Cloud.ru), Татьяной Фоминой (HeadHunter), Александром Швецом (Авито), Иваном Самсоновым (MWS), Дмитрием Молочниковым (Альфа-Банк), Сергеем Паращенко (Product Vision) и Кириллом Евсеенко (Звук).
Что обсудили
Зачем CTO и CPO вообще ездят на конференции, если они и так всё знают. Кто такой настоящий C-level — и почему «уникальная снежинка» на высокой должности это проблема. Как превратить личную мечту в рабочую миссию и не спутать её с синдромом отложенной жизни. Как бизнесу не сливать бюджеты на LLM — и почему разговор об AI всё равно случился, хотя никто не планировал.
Эгегей! Я продолжаю заморачиваться версиями и вот еще одна отличная новость, kui увеличился до версии 1.0000000000000000000000000000000000000000001! Довольно длинный получился. Номер версии. А вы что подумали? По случаю добавил полезную функцию debase64 для работы с сертификатами (secrets). Сертификаты в формате kubernetes.io/tls кодируются base64. Debase64 декодирует информацию из секретов, теперь можно без труда сравнивать сертификаты из секретов кубера с сертификатами где-то, где вы их храните.
Приготовили новую загадку уровня Hard для суровых хабравчан.
«Найт Стрит» продолжает интеллектуальную игру с пользователями Хабра и дарит мерч победителю. Можете потренироваться на предыдущих загадках здесь, здесь, здесь и здесь.
Представимся для тех, кто играет с нами впервые. Мы агентство мероприятий и игровых решений «Найт Стрит». Мы знаем всё об играх и геймификации любых процессов. А ещё у нас есть игровая платформа PLAYFORMA, которую мы сами придумали и разработали, хотя ничего не понимали в IT. Про неё очень интересно и подробно рассказываем здесь и здесь.
А теперь — к загадке!
Сначала — технические условия:
У каждого пользователя есть только одна попытка дать правильный ответ. Если до понедельника загадку не разгадают, условие снимается, и каждый пользователь сможет предлагать неограниченное количество вариантов ответа.
Победители предыдущих розыгрышей не могут претендовать на приз. Ребята, дайте шанс другим!
А вот и условия загадки:
Лето, жара, время отпусков. Огурчик Пиклз зовёт вас в путешествие и приготовил множество интересных локаций, в которых спрятал ответ на загадку.
Внимательно исследуйте мир с помощью сервиса «Яндекс Карты», и тогда вы сможете дать правильный ответ на вопрос: «Какое растение выполняет ту же функцию?»
Как попадать в цитирование LLM: разбор факторов ранжирования Claude Fable 5, GPT-5.5 и Perplexity — с экспериментом
Как попадать в цитирование LLM: разбор факторов ранжирования Claude Fable 5, GPT-5.5 и Perplexity — с экспериментом
По данным Datos & SparkToro (State of Search Q2 2025), доля LLM как источника ответов в Европе выросла на 200% за год — с 0,26% до 0,78%. Абсолютные цифры: ChatGPT — 1 млрд MAU (Sensor Tower, июнь 2026). В России нейросетями пользуются 62–82 млн человек ежемесячно (импульс.гуру, 2026).
50,9% пользователей не перепроверяют ответы LLM — output модели становится финальным решением. По прогнозу Gartner к концу 2026 объём традиционных поисковых запросов сократится на 25%. Forrester: -50% органического трафика к 2027 у компаний без адаптации контента.
Ниже — механика ранжирования в цитировании LLM.
Разница между SEO и GEO на уровне механики
SEO работает по цепочке query → index → SERP → click → landing. GEO — иначе: query → retrieval → synthesis → answer. Ключевое отличие: SEO ранжирует URL, GEO ранжирует утверждения и источники внутри retrieval-augmented generation. Позиция в SERP не критична — Perplexity часто подтягивает источники со страниц 3-5 Google.
Условие попадания в GEO: сайт в топ-20 Яндекса или в Bing-индексе для ChatGPT. Дальше решает не позиция, а структура контента.
Актуальный frontier-lineup июля 2026
У Anthropic — Claude Fable 5 (Mythos-class, 9 июня), Sonnet 5 (30 июня), Opus 4.8 (28 мая). У OpenAI — GPT-5.5. У DeepSeek — R2.
Anthropic ввёл tier «Mythos-class» выше Opus. Cross-model optimization обязательна: работа только под ChatGPT = игнорировать 43% рынка (Gemini + Claude, март 2026, Similarweb).
Пять факторов цитирования LLM
Density of verifiable facts — прирост AI-ранжирования до +40%. Оригинальные данные цитируются в 2,3 раза чаще заимствованных.
Answer capsule — 72% цитируемых страниц содержат прямой ответ в первых 150 словах. Модели работают в режиме мгновенного парсинга.
Content freshness — страницы обновлённые за 90 дней получают в 2,3 раза больше цитат.
Brand consistency — единое описание бренда повышает cite-rate в 3,9 раза. У лидеров — 94% консистентности.
E-E-A-T signals — реальный автор с датой, credentials, cross-platform footprint. Anonymous copywriting фильтруется.
Площадки-доноры для LLM
Wikipedia даёт 12,1% всех цитат AI. YouTube — 16% (транскрипты активно парсятся). Reddit — в 10 раз чаще среднего форума. Хабр — эталон для DeepSeek R2 в technical queries. VC.ru — приоритет в B2B-нишах. Sostav.ru — приоритет YandexGPT и Алисы.
Бренды из user discussions цитируются в 3,9 раза чаще брендов только из branded content.
Специфика русскоязычного сегмента
Алиса AI генерирует в 5 раз больше трафика чем ChatGPT в РФ. Яндекс — 73,34% доли рынка (+2,6 п.п. за год). Для Алисы приоритет — русскоязычный UGC (Яндекс.Услуги, Дзен, Кью). Для ChatGPT критично — Bing indexation и Schema.org разметка.
Мини-эксперимент на маркетинговом агентстве
Стартовая точка — 3/20 попаданий в ответах ChatGPT, Алисы и Perplexity. За 90 дней: answer capsules на 7 landing pages, Schema.org на коммерческих страницах, Bing indexation, 6 публикаций на профильных площадках, синхронизация bio на 12 источниках, content refresh. Финал — 11/20 попаданий. Прирост cite-rate ×3.67.
Полное присутствие требует 6-12 месяцев continuous optimization.
Три ошибки при внедрении
Считать GEO новым SEO — разные механизмы ранжирования, keyword density мертва. Purchased mentions и spam content — modern LLMs фильтруют low-quality signals лучше search engines. Ждать быстрых результатов — first changes через 3-4 недели, stable presence — 2-4 месяца.
Кто уже тестировал GEO — какой cite-rate получаете и на каких площадках наибольший leverage? Особенно интересны кейсы с Claude Sonnet 5 (30 июня релиз) — как быстро новая модель начала подтягивать бренды в ответы?
В июне открыли новый регион Москва-3 и запустили там GPU-инстансы на базе NVIDIA Blackwell. А также поделились исследованием о тратах на GPU-серверы. Ниже — главное.
Открыли регион Москва-3
Новая зона размещения работает в дата-центре Datahouse «Магистральный-1» уровня Tier III. У региона отдельный control plane и собственные вычислительные ресурсы, поэтому инфраструктуру можно масштабировать без риска перегрузить текущие мощности.
Запустили GPU-инстансы на базе NVIDIA Blackwell
В регионе Москва-3 ввели в эксплуатацию GPU-инстансы на архитектуре NVIDIA Blackwell. В основе — ускорители NVIDIA RTX 6000 Pro Blackwell Server Edition с 96 ГБ видеопамяти GDDR7. Доступны конфигурации до 30 vCPU, до 190 ГБ оперативной памяти и до 1,7 ТБ NVMe на инстанс, ресурсы тарифицируются по модели почасового потребления. По сравнению с A100 стоимость задач снижается до трех раз.
Исследование: траты на GPU-серверы выросли в четыре раза
За полтора года крупный и средний бизнес увеличил расходына GPU-конфигурации вчетверо, при этом общее число серверов почти не изменилось. Компании переходят с бюджетных решений на более производительные — H200, H100, A6000.
Несколько цифр из исследования: доля премиальных GPU-конфигураций выросла с 51% до 78%. На конфигурации с видеопамятью до 24 ГБ приходится 46% спроса, на решения от 80 ГБ — 27%. Основные сценарии — ИИ и машинное обучение (33%), рендеринг (30%), тестирование и разработка (25%).
Желаем всем продуктивного месяца и спасибо, что следите за обновлениями Рег.облака!
DDoS-атака не всегда очевидна. Резкий рост нагрузки может оказаться как настоящей атакой, так и вполне легитимным всплеском трафика после рекламной кампании или важного инфоповода. В совместном материале с ITSumma разбираем, как быстро отличить одно от другого, на какие метрики смотреть в первую очередь и какие действия предпринимать в первые минуты после обнаружения проблемы.
Если вы отвечаете за стабильную работу сайта, интернет-магазина или корпоративного сервиса, эта статья поможет лучше понять логику реагирования на DDoS-инциденты и выбрать подходящую стратегию защиты.
Отдельное внимание уделяем двум основным моделям защиты — Always-On и On-Demand. Рассматриваем, чем они отличаются, в каких случаях каждая из них эффективнее, а также какие компромиссы приходится учитывать при выборе между постоянной фильтрацией трафика и подключением защиты только во время атаки.
Как на собственных серверах настроить систему сбора и хранения данных с датчиков и снизить нагрузку на команду эксплуатации
Собрать данные с датчиков — это полбеды. Главная боль — заставить Kafka, PostgreSQL и ClickHouse стабильно работать в приватном облаке без выгорания команды на Day-2-операциях и ручном масштабировании stateful-сервисов.
На вебинаре покажем, как на Deckhouse Kubernetes Platform (DKP) и managed-сервисах упаковать IoT-сценарии и аналитический контур в единую платформу, чтобы снизить стоимость эксплуатации и уйти от DIY-подхода к data-инфраструктуре.
Разберём схему event-driven-платформы и разделение операционного и аналитического контуров.
Покажем live-demo: ingest событий с датчиков, потоковая обработка и вывод в дашборды.
Проверим, как паттерны из умного дома масштабируются до промышленного IoT на DKP.
Разберём жизненный цикл data-сервисов (backup, scaling, observability) и то, сколько времени занимает их обслуживание.
Бонусы: промокод на все курсы Deckhouse Академии.
Будет полезно DevOps и SRE-инженерам, инфраструктурным и платформенным командам, enterprise-архитекторам и всем, кто строит IoT- и data-платформы в private cloud или on-prem.
Спикер — Дмитрий Гайворонский, менеджер по развитию направления Deckhouse Data Orchestration.
Партнерский митап МФТИ & RЕU Data Science Club: развитие технологий семантического поиска
9 июля проведем открытый эфир с Data Science Club РЭУ им. Г. В. Плеханова. Поговорим о семантическом поиске — технологии, которая помогает находить информацию по смыслу запроса, — а также о задачах, связанных с RAG, энкодерами и защищенным поиском.
Митап объединит студентов, выпускников и экспертов МФТИ и РЭУ — будет два доклада на стыке ML и информационной безопасности.
На встрече выступят:
🔹 Пелагея Пашинская — middle MLE в MWS, MLE стартапа VedAI, экс-руководитель REU Data Science Club, студентка программы НИУ ВШЭ «Прикладные модели в ИИ», обучалась в «Школе 21», спикер курса ML School Pro.
Тема доклада: «Кастомизация энкодера для RAG через дообучение».
🔹 Сергей Михайлович Куриленко — ведущий разработчик средств автоматизации в компании-вендоре в области ИБ.
Тема доклада: «Разработка и оценка эффективности нового метода защищенного семантического поиска с использованием гомоморфного шифрования».
Справочник и учебник, это разные жанры. Документация FineBI хорошо отвечает на вопрос «как настроить конкретную функцию», но только когда вы уже знаете, что искать. Последовательности тем, практики и заданий в ней нет. В итоге новичок тратит больше времени на поиск материалов, чем на сам продукт.
Александр Ларин, руководитель центра обучения и технической поддержки GlowByte, собрал карту источников в одной статье: документация и Learning Center от FanRuan, бесплатные видеокурсы, русскоязычные Telegram-сообщества, где вопросы закрываются быстрее, чем через поддержку, и бесплатные образовательные ретриты с кейсами Tele2, Уралсиба и Циан.
Внутри готовый маршрут для новичка: с чего начать, куда идти за ответом на конкретный вопрос и как не мониторить десяток площадок вручную.
Копирайтеры и ИИ: я два года нанимал людей, потом полгода пробовал заменить их нейросетями. Рассказываю что вышло.
В моей работе постоянно нужен текст. Описания продуктов, письма пользователям, онбординг, посты в канал, брифы и тому подобное. Раньше держал двух копирайтеров на постоянной основе плюс пару фрилансеров под всплески.
Когда нейросети стали относительно нормально писать по-русски, у многих очевидная мысль была одна: зачем платить людям. Я же изначально думал что без редакции тексты ИИ не более чем пустышка. Нужно было понять так ли это.
Я попробовал. Выбрав одно из направлений активно использовал ИИ вместо фрилансеров. И вывод у меня такой.
Что ИИ делает хорошо
Типовые тексты с четкой структурой. Описание чего-либо по подробному шаблону, по типу инструкций и постов про обновления. Даешь структуру и контекст, получаешь читаемый черновик. Это реально работает и реально экономит время.
Объем. Если нужно написать 20 вариантов заголовка или 5 версий одного письма для A/B теста, ИИ справляется быстро. Копирайтер на такое потратит в разы больше времени.
Скорость правок. Написал, не понравилось, переформулировал задачу, получил новый вариант. Без ожиданий, без объяснений, без «я переделаю к пятнице».
Где всё сломалось
Уникальность, или голос бренда. В каждом тексте конкретного человека есть узнаваемый стиль. Он придает изюминку блогу, порой именно он держит читателя. У нейронок этого нет. Можно задать стиль промптом, но через какое-то время модель начинает сползать обратно к своему обычному сухому тону. Приходится напоминать в каждом новом запросе, и это уже не автоматизация, это ручная работа другого формата.
Тексты про живой опыт. Кейсы, истории пользователей, объяснения через аналогии. ИИ пишет правдоподобно но пусто. Читаешь и понимаешь что за текстом никого нет.
К чему пришел
Фрилансеров на типовые задачи больше не нанимаю. Нейросети их закрывают нормально. Но скилы штатных копирайтеров становятся шире. Теперь им приходится работать с ИИ и в случае новых тем быстро адаптироваться, выходя за рамки привычных направлений. Тут то в первую очередь и помогают нейросети: быстро разобраться в чем-то новом, скомпоновать информацию и выдать скелет. Но перепроверять эту информацию и переписывать в чистовик всё же приходится людям.
Копирайтинг как профессия никуда не денется, по крайней мере в этом году точно. Как и всегда, выживут те кто будет постоянно шагать в ногу с прогрессом и множить свои скилы. А как считаете вы, ИИ смогут обогнать нас или это всё же просто инструмент?
Два часа потерял из-за того, что не написал один хендлер
Делал платежи в Telegram-боте. Нативные, через sendInvoice и ЮKassa.
Всё настроил: токен от BotFather получил, инвойс отправляется, кнопка оплаты появляется. Пользователь нажимает - и платёж падает с ошибкой. Молча. Без подробностей.
Payment failed
И всё. Telegram не говорит что именно не так.
Полез гуглить. Первая мысль - provider_token неверный. Проверил три раза, скопировал заново. Нет, токен правильный.
Потом решил что проблема в суммах - они передаются в копейках, не в рублях. 500 рублей = 50000. Перепроверил, у меня было правильно.
Потом подумал на webhook - может HTTPS не настроен как надо. Потратил минут сорок на проверку сертификата, перенастройку ngrok. Всё работает, но платежи всё равно падают.
Уже хотел идти спать, случайно наткнулся на строчку в документации:
Your bot must reply to this query in 10 seconds
Это про pre_checkout_query. Когда пользователь нажимает «Оплатить» - Telegram сначала отправляет боту запрос на подтверждение. Бот должен ответить в течение 10 секунд. Если не ответил - платёж автоматически отклоняется.
У меня хендлера для этого не было вообще. Бот просто молчал.
Дважды за неделю столкнулся с задачей "тормозит ЕРП", причиной в обоих случаях оказалась неочевидная проблема - нехватка оперативной памяти (ОЗУ) сервера 1С.
Нехватка ОЗУ умеет прятаться, поэтому её плохо видно. Вот когда не хватает места на диске - всё очевидно. Зашёл и увидел - диск красный, место физически закончилось. А когда не хватает ОЗУ, включается т.н. подкачка (она же - свопинг или пейджинг). Операционная система скидывает часть содержимого ОЗУ на жёсткий диск - вроде выбирает те процессы, которые в данный момент не используются.
Что интересно - процесс скидывается на диск не полностью, а частями. Какими именно - выбирает операционная система. Получается, процесс сервера 1С (rphost) частично висит в ОЗУ, частично - лежит на диске.
И вот процесс 1С решил получить какие-то данные из памяти. Скорость получения из ОЗУ и с диска отличается в 200-500 раз. Если повезло, и все данные остались в ОЗУ - прочитаются быстро, пользователь тормозов не заметит. Если не повезло - всё, туши свет. Падение скорости в 200-500 раз заметно сразу. Например, документ проводится 2-3 минуты вместо 2-3 секунд. Разница не 200-500 раз, т.к. не всё упирается в скорость получения данных из ОЗУ.
Симптомы проблемы - тормозит у всех, или почти у всех, на ровном месте, в самых обычных операциях. Смотришь доработки - вроде ничего особенного. Смотришь тяжёлые операции, вроде закрытия месяца, формирования длинных отчётов, фоновых заданий - ничего критичного. А оно тормозит.
Когда админ в такой момент пойдёт смотреть состояние сервера, то скажет - всё хорошо, памяти хватает. Её и правда хватает - объём памяти ведь "увеличился" за счёт использования подкачки. "Увеличенный" объём памяти - это сумма ОЗУ и выделенного на диске пространства.
Вот когда этого совместного "увеличенного" объёма не хватит - тогда да, тогда проблема вылезет наружу под собственным именем - "Out of Memory". Но до такого доходит не часто.
Так что, если у вас необъяснимо тормозит ЕРП - глядите на использование подкачки.
Сравнение Code Fable и Codex по ходу работы над одним и тем же проектом
Вчера, 1-го июля, программисты и активисты начали бурную трудовую неделю. А именно: вернулась модель Fable 5 и она будет доступна в вольном режиме до (или по) 7 июля. Так что есть 7 дней, чтобы сделать буст своим проектам.
Я тоже не избежал этой участи и вот уже почти целый день делаю polishing своему текущему проекту мобильного приложения.
Что сказать про впечатления? - Ощущение вот того самого вайб кодинга, о котором говорил Карпаты. Говоришь ему что делать и он делает. Технических ошибок просто нет, от слова совсем. Есть ошибки архитектурные, но не существенные, исправляются одной-двумя итерациями.
И кстати, получилось сравнить с Codex'ом, который решил попробовать на старте этого же проекта. Результат сравнения такой: Codex очень сильно подтянулся в работе с кодом, иногда даже кажется, что нет различий.
Но вот вокруг кода хуже: болтливые они оба, но у Codex больше какой-то разболтанности, разбрасывания в стороны. Особенно это видно на написании документации, пишет незначительные детали, теряет главное. И слабее держит инструкции.
Code в этом отношении гораздо чётче действует. Более жёстко держит инструкции, больше памяти, что характерно, помнит предыдущий и даже предыдущие чаты. Меньше разбрасывания на второстепенные детали, чётче фокус. Даже чек-лист у него выглядит проще, чётче и понятнее, чем у Codex.
Единственное, что может я так натаскал Code. С другой стороны, не использую MCP, RAG, даже скилы и хуки. Зашил все в память, их там три: общая пользовательская, описание проекта и правила работы.
И напоследок обнаружил в Code очень полезную функцию оценки загруженности контекстного окна.
Может она уже давно там была, о ней вроде писали, но что-то казалось, что это в CLI. А теперь оказывается её можно использовать и в декстопной версии. Думаю и другим пользователям это тоже пригодится.
Обычно смотришь, если чат начинает тормозить, значит пора. Или спросишь саму модель, но она обычно отвечает, что если на глаз, то загружена на 75%, но лучше начать новый чат. А теперь можно точно увидеть процент загруженности. Более того, можно даже увидеть чем именно загружено контекстное окно.
Для этого в чате Code, в поле ввода достаточно ввести слэш команду - /context
Прикрепляю скриншот как это выглядит вживую
И ещё такое впечатление, что Fable стал жечь меньше токенов за счёт какого-то более делового, но все ещё дружелюбного стиля общения.
Так что, удачи всем с проектами на этой бурной трудовой неделе!))
Как выживают разработчики Госуслуг на защите квартального плана
У каждого, кто работает с госсектором, есть обязательная процедура — защита квартального плана. Что там происходит на самом деле и почему даже сильные команды «сыпятся» под вопросами заказчика?
Разбирались вместе с заместителем технического директора РТЛабс Виктором Редровом на OKR Russia
В докладе о том:
Почему защита — это диалог, а не отчёт (и как к этому подготовиться)
Типичные ошибки, которые превращают встречу в «допрос»
Конкретные приёмы для сохранения контроля в любой ситуации
Вы пробовали ChatGPT и Cursor. Но система из нескольких AI-агентов — это другой уровень: агенты конфликтуют, теряют контекст, зацикливаются, а отладка напоминает расследование без улик.
🎻 Один AI = музыкант. Несколько AI = оркестр. А кто дирижёр?
19 июля, 10:00-14:00 МСК — лабораторная работа с Андреем Чуяном, создателем ROLES-экосистемы (3 экосистемы, 15+ ролей). За 4 часа: проектирование AI-ролей с YAML-контрактами, 5 хаос-сценариев, MCP-сервер на личной VM, самодиагностика экосистемы.
📐 Проверенная методология FPF + TDD в основе каждого блока.
Неделю назад КиберËж проводил CyberWeekend (где там правда викенд они нашли в начале недели, я не знаю 😂) и, в том числе, пригласили меня побеседовать про Программно-аппаратный хакинг как одно из самых сложных и интересных направлений в кибербезопасности, объединяющее знания из программирования, электроники, сетей, встроенных систем и реверс-инжиниринга.
В рамках диалога мы с Павлом осветили такие темы, как: * Почему специалистов в этой области так мало и чем они занимаются на практике. * Почему искусственный интеллект пока не способен заменить экспертов по аппаратному хакингу: работа с реальными устройствами требует опыта, интуиции и нестандартного мышления. * Как после 2022 года изменились основные направления атак и почему всё больше внимания уделяется IoT-устройствам и объектам физической инфраструктуры. * Какие навыки стоит развивать уже сегодня тем, кто интересуется IT, электроникой и информационной безопасностью.
Могу с уверенностью сказать, что доклад будет полезен начинающим специалистам, студентам технических направлений и всем, кто хочет понять, как устроена одна из самых редких и востребованных профессий в сфере кибербезопасности.
Ну и конечно же, интервью можно легко посмотреть в 📺 ВКвидео.
🧠 Обязательно поделись с теми, кому это может быть полезно 💬 Телеграм | 💬 Max | 📝 Хабр | 💙 ВКонтакте
Теперь есть официальный integration guide, где показано, как ты можешь подключить MCP-сервер к AI-assistant’у и использовать его для нормального HITL workflow вокруг CV-аугментаций: подобрать pipeline, провалидировать его, отрендерить локальные previews, сравнить baseline и candidate, дать feedback вроде too_noisy:high и экспортировать финальный pipeline.
Приятно видеть, что проект стал частью экосистемной документации Albumentations. 🙂
AlbumentationsX MCP это конечно же не замена Python API, а assistant-facing review layer для тех случаев, когда ты хочешь быстрее и безопаснее работать с augmentation pipelines.
SimpleOne подтвердила совместимость своей платформы с РЕД ОС. Для заказчиков это значит, что запуск проектов в импортонезависимой ИТ-среде становится проще и предсказуемее.
Подтвержденная совместимость помогает:
сократить барьеры на этапе архитектурных согласований
упростить прохождение аудитов безопасности
быстрее запускать проекты по переходу на российское ПО
РЕД ОС широко используют в корпоративной и государственной инфраструктуре. По данным разработчика, систему уже применяют 12 000 компаний и государственных организаций, а общее количество инсталляций превысило 2 млн.
Economist вышел с обложкой на статью про возрастающее требование избирателей затормозить/запретить ИИ. Это волна только разгоняется, по сути луддиты 21 века, но так как политики часто используют подобные недовольства масс населения, то тему точно будут раскачивать.
Конкретно это выражается уже в начале запретов строить дата‑центры; справедливости ради надо сказать, что отдельные дата‑центры действительно уже портят жизнь конкретным городам Америки.
Уже обсуждаются прочие законы: прозрачность и маркировка ИИ‑контента, запреты и ограничения deepfakes, защита рабочих мест и «разделение выгод» и т. д.
Я думаю, все, кто хочет разделения выгод, получат себя в human in the loop 😀
Как все так ловко ИИ пользуются... Обзоры кода делают...
Не знаю, то ли я туповат, то ли невезучий, то ли кругом сказочники. Пытаюсь исследовать, какие новые интересные виды ошибок может находить ИИ в С++ коде, о которых не знает PVS-Studio. Claude Opus то нормально мне про интересные баги рассказывает, то на ровном месте с ума сходит.
Даю файл на вход, а он тревожно:
В присланном файле есть места, где содержимое обрезано/повреждено вставкой </context>, поэтому их я не рассматриваю как «баги кода» — это артефакты форматирования. Разберу реальные логические ошибки.
Шо? Какой context? Там максимум — это #include "context.hxx". Ну ладно, давай ошибки посмотрим.
Так, парочка сообщений по делу. Например, найден лишний аргумент при использовании функции форматирования.
addErrorMessage(&sciErr, API_ERROR_CREATE_ZDOUBLE_IN_NAMED_LIST,
_("%s: Unable to create list item #%d in Scilab memory"),
"createComplexZMatrixOfDoubleInNamedList", _iItemPos + 1, _pstName);
В строке форматирования два спецификатора %s и %d, а передаются три аргумента: funcName, _iItemPos+1, _pstName. Да, это баг. Про подобные паттерны PVS-Studio уже знает, хотя, возможно, нужно подсказать, что addErrorMessage — это printf-подобная функция. В целом, тут неинтересно, идём дальше.
// check a valid item
if (_iItemPos > iItem)
{
addErrorMessage(...);
return sciErr;
}
Здесь проверка «позиция валидна» использует >, хотя позиции 1-based, а iItem — количество элементов. Это выглядит как граничный дефект, но по сути _iItemPos == iItem допустимо, _iItemPos > iItem — ошибка. Это в порядке — правильная граница. Не баг. (Указываю, чтобы было понятно, что я это проверил.)
Так баг или не баг? Я три раза прочитал текст и посмотрел функцию с кодом. В итоге я не только не понимаю, есть ли здесь ошибка, но и не понимаю, что Claude пытается мне сказать.
Дальше ещё хуже шарики за ролики зашли.
Баг 5 (реальный): утечка в readCommonMatrixOfPolyInNamedList и др. — нет, это API отдаёт указатели наружу. Не баг.
Это всё описание пятого бага, больше ничего нет. Комментировать — только портить.
Я не понимаю, как на всём этом можно строить хоть сколько-то надёжные процессы автоматических обзоров кода, про которые в последнее время из разных утюгов вещают.
На сегодня мне ИИ достаточно. Пойду лучше пройдусь по парку, пока погода хорошая.
Представлен открытый проект Ghostprovider — терминальный инструмент для быстрого запуска GitHub‑проектов у себя на localhost.
Принцип работы проекта: предоставляется ссылка на репозиторий, а инструмент сам анализирует проект: ищет Dockerfile, docker‑compose, package.json, requirements.txt, Go/Rust/Python/Node‑признаки, определяет тип приложения и пытается развернуть его в Docker. После запуска показывает локальный URL, контейнеры, логи и дает управлять сервисами прямо из TUI: старт, стоп, рестарт, удаление. По сути это автоматизированная оболочка над git clone, docker build, docker run и docker compose up, только с автоанализом проекта и удобным интерфейсом в терминале.
Важно: инструмент реально запускает код из чужих репозиториев, поэтому случайные проекты лучше гонять в VM/песочнице и внимательно смотреть Dockerfile/docker‑compose перед запуском. Сам Ghostprovider выглядит прозрачным, но риск всегда в том, что именно вы через него запускаете.
С помощью ИИ можно автоматизировать почти что угодно, и именно поэтому многим сложно встроить его в повседневную работу. Непонятно, с чего начинать и какие процессы действительно стоит отдавать ИИ. В итоге идеи часто остаются на уровне «надо бы попробовать», но до реального использования так и не доходят.
Константин, специалист по ИИ в Naumen, рассказал, какие задачи стоит автоматизировать в первую очередь и по каким признакам понять, что процесс действительно подходит для ИИ.
Проверьте процесс по трем критериям
Перед тем как автоматизировать любую задачу, ответьте на три вопроса.
Боль. Насколько процесс раздражает, отнимает время или приводит к ошибкам?
Частота. Как часто вы его выполняете: каждый день, каждую неделю или раз в месяц?
Стоимость автоматизации. Есть ли понятные правила, по которым выполняется задача, или каждый делает ее по-своему?
Идеальный процесс для автоматизации выглядит так: часто повторяется, на него уходит много времени и это раздражает, выполняется по понятным правилам.
В первую очередь автоматизируйте работу с информацией
Практически любая задача, связанная с обработкой информации, — хороший кандидат для автоматизации.
Например:
Парсинг сайтов конкурентов, изучение технической документации, сбор данных из отчетов — в 90% случаев это можно доверить ИИ. Человек подключается только для валидации результата: проверить, не упущено ли что‑то важное, адекватен ли вывод.
Изучение документации — нет смысла читать 50 страниц документации вручную, когда ассистент справляется за минуту и выдает выжимку.
Любая работа с форматированием данных — привести таблицу к единому виду, объединить информацию из нескольких документов, удалить дубли или преобразовать данные в нужный формат.
Следующий шаг — база знаний команды
Во многих командах нужная информация существует, но хранится сразу в нескольких местах: в чатах, документах, личных заметках, папках или переписках.
Если собрать материалы по конкретным рабочим сценариям в единую базу знаний, можно создать ассистента, который:
отвечает на вопросы;
находит нужные фрагменты;
помогает новым сотрудникам быстрее разобраться в теме;
снижает количество однотипных вопросов внутри команды.
Важно, чтобы в базе была только полезная и актуальная информация. Чем больше шума и лишних документов, тем выше вероятность ошибок и неточных ответов.
Например, вместо поиска по нескольким чатам можно просто спросить ассистента: «Как у нас проходит релиз продукта?» или «Какие требования сейчас действуют для этой интеграции?».
А еще ИИ помогает командам лучше понимать друг друга. У каждой команды постепенно появляется свой язык: внутренние термины, сокращения, привычные формулировки. То, что разработчики считают очевидным, может быть непонятно продажам или менеджерам. Ассистент помогает быстрее переводить этот контекст между командами и снижает количество недопониманий в коммуникации.
Например, менеджер по продажам может попросить: «Объясни простыми словами, как работает эта функция, чтобы я мог рассказать о ней заказчику без технических терминов».
Создать такого ассистента сегодня можно несколькими способами
Для команды
Мы, например, создали платформу на базе Open WebUI. Любой сотрудник может создать ассистента, загрузить в него документы и открыть доступ коллегам. Ассистент помогает быстро находить информацию по вебинарам и рабочим материалам.
Для общей базы знаний
Можно подключить Claude Code к внешним репозиториям и использовать их как общую базу знаний команды. В таком сценарии ассистент получает доступ к рабочим материалам, заметкам и документам, которыми пользуются сразу несколько сотрудников.
Для личной работы
Можно собрать локальную базу знаний для себя: все рабочие материалы хранятся прямо на компьютере и никуда не передаются.
Главное — не пытаться автоматизировать все сразу. Найдите процесс, который часто повторяется, действительно мешает работать и выполняется по понятным правилам. Именно он обычно дает самый заметный результат.
Fable 5 вернули в Claude Code. Как не сгенерировать себе техдолг
Fable 5 снова доступен в Claude, и это хороший повод вернуться к более практичному вопросу: что именно делать разработчику с Claude Code, кроме генерации отдельных кусков кода.
В реальных задачах сложность обычно не в том, чтобы получить от модели отдельную функцию или заготовку сервиса. Гораздо важнее — превратить это в рабочий продукт: удерживать контекст, заранее задавать ограничения, проверять результат и не собрать после первого демо проект, который страшно поддерживать.
21 июля в 20:00 на бесплатном уроке разберём, как использовать Claude Code в разработке ИИ-приложений: от Telegram-ботов и агентов до внутренних сервисов, API и автоматизаций. Отдельно поговорим о работе с большими задачами — как дробить их на этапы, вести разработку итерациями, дорабатывать код и находить ошибки. Присоединяйтесь.
Все июльские разборы по ИИ, разработке, архитектуре и инфраструктуре собрали в дайджесте мероприятий.
Прилетело и в очередной раз и резануло по живому...
Системность - это ... (продолжите фразу)
Системность - это модное словечко из лексикона "эффективных менеджеров", которое скорее вводит в заблуждение, чем отражает суть.
Под системностью на бытовом уровне люди понимают наличие порядка, основанного на определенной логике.
Реже - наличие системного подхода, где любая ситуация воспринимается, как комплекс взаимосвязанных элементов и чтобы добиться желаемого результата следует рассмотреть все составляющие системы и надсистемы с прогнозом их поведения в зависимости от разных вариантов воздействия.
Вот только системный подход - это системный подход, а системность - это признак системы. И как признак системы это ...
НЕ ПРО ПОРЯДОК!
Системы вообще никакого отношения к порядку не имеют - любая система стремится к хаосу (тут умное слово - энтропия).
И только лишь работа с системой предполагает упорядочивание элементов и связей - чтобы во всём этом разобраться.
некоторый полет мысли имени очень искусственного как бы интеллекта
Как разграничить задачи ИИ и человека в маркетинговой стратегии: кейс перестройки процесса в digital-агентстве
Как разграничить задачи ИИ и человека в маркетинговой стратегии: кейс перестройки процесса в digital-агентстве
По Stanford AI Index Report 2026, точность frontier-моделей на тестах устойчивости расходится от 14% до 90% в зависимости от задачи. Одна модель на близких запросах даёт противоположные результаты.
McKinsey State of AI 2025: 88% организаций используют ИИ, но только 6% получают более 5% EBIT. Разрыв не в доступе к моделям — в перестройке процессов вокруг них.
Ниже — кейс маркетингового агентства: что автоматизировали зря, что оставили за человеком, как измеримо изменились показатели.
Первая попытка: автоматизация всего подряд
Гипотеза: если LLM умеет анализировать данные и генерировать варианты — отдать всё, стратег подключается на финальной проверке.
Через три месяца:
Стратегия для салона в Праге и в Минске
отличались ТОЛЬКО названием города.
Модель не учла:
- Прага: выбор через локальные форумы
- Минск: выбор через Google Maps rating
Клиент: «Это не про мой город. Это про
абстрактный салон в абстрактном городе».
Проблема структурная. LLM генерирует на паттернах из обучающей выборки. Локальные микропаттерны конкретного рынка представлены недостаточно. Fine-tuning смягчает — не решает.
Аудит: 70/30
70% времени стратега = сбор данных
- парсинг отзывов конкурентов
- обработка расшифровок кастдевов
- сегментация UGC
→ LLM делает быстрее и без
потери качества к концу дня
30% времени = принятие решений
- выбор позиционирования
- культурная адаптация
- защита стратегии перед клиентом
→ требует опыта, которого
у модели нет
Автоматизировать можно сбор данных. Делегировать модели стратегическое решение — нельзя.
B2B-производитель стройматериалов, выход на новый рынок, 43 конкурента.
Ручной анализ: неделя работы стратега
С ИИ: один вечер обработки
Собрали: цены, отзывы, объявления,
упоминания на форумах.
Результат: таблица 43 × 12 параметров.
Утром стратег нашёл закономерность: в негативных отзывах 8 из 43 конкурентов повторялась жалоба на скорость расчёта стоимости доставки.
Позиционирование: «Стоимость доставки в вашем городе — за 15 минут».
За 3 месяца: 227 B2B-лидов, CPL снижен с $50 до $20.
Модель не сгенерировала это решение. Она структурировала данные так, чтобы паттерн стал видимым. Интерпретация «жалоба на скорость расчёта = незакрытая ниша» — работа человека.
Три вывода
1. Frontier-модели (GPT-5.5, Claude Opus 4, DeepSeek R2) обновляются каждые 2–4 месяца. Ценность — в цепочке промптов и обученных проектах под конкретный домен.
2. Верификация — часть процесса, не опция. При разбросе точности 14–90% каждый output проверяется вручную.
3. ИИ усиливает доменную экспертизу, не заменяет. LLM работает как инструмент в руках эксперта.
По McKinsey, компании с полностью перестроенными процессами получают в 2,5 раза более высокий рост выручки. Ключевое — «полностью перестроенные», а не «купили подписку».
Какая пропорция автоматизации сложилась в вашей команде и в каких задачах модели показали устойчивые ошибки после дообучения?
Тамагочи, но вместо котика – команда разработчиков. И она выгорает, пока вы читаете этот пост
Помните тамагочи? Пищащий брелок, который тихо умирал, если про него забыть на выходных.
Мы сделали такой же. Только вместо котика у вас разработчик и команда. Вместо «покормить» – 1-on-1, код-ревью, менторство и релизы. Забьете на пару дней – вернетесь к просевшему доверию и зреющему конфликту.
И живет это все прямо в терминале на сайте. Без установки, без регистрации, без «оставьте почту».
Тамагочи в терминале
Что это
team – симулятор тимлида в консольном режиме нашего сообщества. Не модалка с кнопками: вы открываете фейковый (но честно рабочий) терминал и печатаете команды.
team new – и у вас есть напарник-стажер и живая команда.
Дальше вы его растите от стажера до CTO.
Цель проста на словах: дорастить человека до уровня «тимлид» и выкатить пять релизов, не развалив команду по дороге.
Почему это тамагочи, а не просто игра
Вот тут начинается интересное. Состояние живет в localStorage и распадается в реальном времени.
Пропали на день – доверие просело, конфликт подрос, напарник задремал. Пропали надолго – рискуете вернуться к game over: команда либо выгорела, либо развалилась от конфликтов.
Это питомец, который ждет. И портится без вас.
Дилеммы из реальных споров
Периодически прилетает инцидент. Звезда принесла оффер +40% и мнется. Прод упал в пятницу в 18:00. Двое неделю спорят: монолит против микросервисов. Выбираете вариант – получаете последствия в метриках и в журнале команды.
И часть инцидентов подтягивается из живого бэклога вопросов нашего сообщества. То есть в игру попадают дилеммы, которые реально обсуждали практикующие тимлиды, а не выдуманные кейсы из учебника.
Как сыграть
Никакой установки. Открываете терминал и печатаете team:
А вам знакомо ощущение, когда тревога стала постоянным спутником жизни, когда привык к ней и просто перестаешь замечать?
У меня так было, причем очень долго. Последние лет пять тревожность была моей личной проблемой, с которой я пыталась как-то жить. Держала всё в голове, героически молчала, ночью раскручивала сценарии катастроф, гуглила симптомы, пережёвывала рабочие ситуации и делала вид, что всё нормально. Классика жанра: прод горит, но мы уверенно называем это «просто период такой».
В новой статье я попробовала посмотреть на тревожность через инженерную оптику: как на систему, где есть алерты, инциденты, мониторинг, ранбуки, команда поддержки, план отката и право не держать стопроцентный аптайм каждый день.
Но эта статья больше про мой личный опыт. И мне очень интересно, а как вы справляетесь с тревожностью? Что вам реально помогает, а что оказалось бесполезным советом?
Буду рада, если придёте в комментарии к статье и поделитесь своим опытом. Возможно, для кого-то чужой рабочий способ станет тем самым маленьким действием, которое сегодня не ухудшит ситуацию.
С помощью приглашённого эксперта Екатерины Рудиной, аналитиком департамента перспективных технологий "Лаборатории Касперского", мы разобрались, в чём сходство и различие таких систем с безопасным ПО, как соотносятся создание систем с КИБ и разработка безопасного ПО, чем полезен в работе специалистов по ИБ новый ГОСТ Р 72118—2025 "Защита информации. Системы с конструктивной информационной безопасностью. Методология разработки".
Общее количество вебинаров — 30. Каждому из 25 процессов ГОСТа посвящён отдельный вебинар и ещё 5 записано дополнительно на смежные темы. Запись всех вебинаров и подборка дополнительной информации доступна по ссылке: ГОСТ56939.РФ.
Методика ВУ и НДВ в ПО приведена в соответствие с ГОСТ Р 56939—2024
Материалы будут полезны всем, кто знакомится с темой РБПО и заинтересован во внедрении зрелых подходов в работу по созданию и сопровождению качественных программных продуктов. Материал по ГОСТ Р 56939—2024 весьма актуален, так как 12 мая 2026 утверждена обновлённая "Методика ВУ и НДВ в ПО". См. заметку "Методика выявления уязвимостей и недекларированных возможностей — 2026".
НЕкурс про РБПО
Суммарное время предлагаемых к изучению вебинаров составляет около 50 часов. Это достаточно большая задача, поэтому мы решили помочь и разбили материалы на отдельные уроки по РБПО. Возможно, так вам будет проще усваивать материал, а интерфейс позволяет отмечать, с чем вы уже ознакомились.
Сравнение Claude Code Fable и Codex Open AI по ходу работы над одним и тем же проектом
Вчера, 1-го июля, программисты и активисты начали бурную трудовую неделю. А именно: вернулась модель Claude Fable 5 и она будет доступна в вольном режиме до (или по) 7 июля. Так что есть 7 дней, чтобы сделать буст своим проектам.
Я тоже не избежал этой участи и вот уже почти целый день делаю polishing своему текущему проекту мобильного приложения.
Что сказать про впечатления? - Ощущение вот того самого вайб кодинга, о котором говорил Карпаты. Говоришь модели что делать и она делает. Технических ошибок просто нет, от слова совсем. Есть ошибки архитектурные, но не существенные, исправляются одной-двумя итерациями.
И кстати, получилось сравнить с Codex'ом от Open AI, который решил попробовать на старте этого же проекта. Результат сравнения такой: Codex очень сильно подтянулся в работе с кодом, иногда даже кажется, что нет различий.
Но вот вокруг кода хуже: болтливые они оба, но у Codex больше какой-то разболтанности, разбрасывания в стороны. Особенно это видно на написании документации, пишет незначительные детали, теряет главное. И слабее держит инструкции.
Claude Code Fable в этом отношении гораздо чётче действует. Более жёстко держит инструкции, больше памяти, что характерно, помнит предыдущий и даже предыдущие чаты. Меньше разбрасывания на второстепенные детали, чётче фокус. Даже чек-лист у него выглядит проще, чётче и понятнее, чем у Codex.
Единственное, что может я так натаскал Claude. С другой стороны, не использую MCP, RAG, даже скилы и хуки. Зашил все в память, их там три: общая пользовательская, описание проекта и правила работы.
И напоследок обнаружил в Claude очень полезную функцию оценки загруженности контекстного окна.
Может она уже давно там была, о ней вроде писали, но что-то казалось, что это в CLI. А теперь оказывается её можно использовать и в декстопной версии. Думаю и другим пользователям это тоже пригодится.
Обычно смотришь, если чат начинает тормозить, значит пора. Или спросишь саму модель, но она обычно отвечает, что если на глаз, то загружена на 75%, но лучше начать новый чат. А теперь можно точно увидеть процент загруженности. Более того, можно даже увидеть чем именно загружено контекстное окно.
Для этого в чате Claude Code, в поле ввода достаточно ввести слэш команду - /context
Прикрепляю скриншот как это выглядит вживую
И ещё такое впечатление, что Claude Fable стал жечь меньше токенов за счёт какого-то более делового, но все ещё дружелюбного стиля общения.
Так что, удачи всем с проектами на этой бурной трудовой неделе!))
Во время обучения многим удобно иметь материал не только в формате уроков, но и в виде единого пособия, к которому можно быстро вернуться в любой момент.
Поэтому я решил подготовить книгу, полностью основанную на материалах курса. Она повторяет структуру уроков и позволяет легко закреплять пройденный материал.
Что представляет собой книга
Книга полностью соответствует программе курса и может использоваться параллельно с его прохождением.
Её можно использовать как:
офлайн-версию курса для повторения материала;
удобный конспект при выполнении практических заданий;
справочник для быстрого повторения основных конструкций SQL.
Если вы уже проходите курс, книга поможет быстрее находить нужную информацию и возвращаться к темам, которые хочется повторить.
Для кого она будет полезна
Так же, как и сам курс, книга ориентирована на тех, кто только начинает знакомство с SQL:
студентов IT-специальностей;
начинающих разработчиков;
будущих аналитиков данных;
тестировщиков;
всех, кто хочет разобраться в основах работы с реляционными базами данных.
Бесплатный доступ
Книга распространяется бесплатно.
Если вы проходите курс «SQL Введение», она уже доступна внутри курса в качестве дополнительного учебного материала.
Кроме того, книга опубликована на GitHub, где всегда можно скачать последнюю актуальную версию.
Буду рад вашим отзывам, предложениям и замечаниям как по курсу, так и по книге. Надеюсь, этот дополнительный материал сделает изучение SQL ещё более удобным и понятным.
