Все потоки

Куда исчезает self-hosted email?

Последние несколько лет я измеряю инфраструктуру электронной почты через DNS-данные.

И одна тенденция становится всё заметнее: организации постепенно отказываются от собственного почтового сервера.

В Tranco Top-1M доля self-hosted email снизилась с 44,6% в 2016 году до 22,4% в 2026-м.

При этом: • Google Workspace — 21,8% • Microsoft 365 — 16,8% • вместе — 38,6%

Но есть интересный нюанс.

Даже после такой консолидации остаётся огромный «длинный хвост»: более 36 000 MX-хостов, которые нельзя уверенно отнести к крупным провайдерам.

Получается довольно любопытная картина: сверху email-инфраструктура становится всё более концентрированной, а снизу продолжает существовать огромное количество небольших и специализированных систем.

И вопрос для меня уже не только в том, кто занимает большую долю рынка. Интереснее другое: что происходит с независимостью и устойчивостью интернет-инфраструктуры, когда всё больше организаций передают критически важную инфраструктуру нескольким крупным платформам?

Исследование я первоначально опубликовал на RIPE Labs. Позже его адаптировал Internet Society Pulse, а результаты также подхватили The Register и Dataconomy.

Пожалуй, DNS действительно рассказывает об устройстве Интернета больше, чем кажется.

18 открытых уроков недели: изучаем ML, LLM, PostgreSQL, Go и DevOps на практике

Когда в работе появляется новая технология, важно быстро понять, где она пригодится и как применять её в реальных задачах. Часто проблема не в отсутствии документации, а в том, что сложно отделить ключевые принципы от деталей и сразу увидеть рабочий сценарий.

Открытые уроки помогают разобраться с инструментами через практику: от подготовки данных для ML‑моделей и настройки инфраструктуры до поиска узких мест в продакшене и проектирования сложных систем.

На этой неделе разбираем машинное обучение, искусственный интеллект, PostgreSQL, Linux, Go, Rust, DevOps, разработку под iOS и управленческие задачи технических специалистов.

AI и машинное обучение

• 7 сентября, 18:00. «Учимся готовить данные для ML‑моделей». Записаться
  _{Разберём подготовку данных перед обучением моделей.}

• 7 сентября, 20:00. «Почему 90% ML‑проектов не доходят до продакшена? Разбираем архитектуру настоящей ML‑системы». Записаться
  _{Поговорим о компонентах и рисках ML‑систем в production.}

• 8 сентября, 20:00. «Что надо знать про работу LLM моделей». Записаться
  _{Разберём принципы работы больших языковых моделей.}

• 8 сентября, 20:00. «ИИ против бага: как разобрать инцидент в Python‑проекте от логов до исправления». Записаться
  _{Посмотрим, как применять ИИ при поиске и исправлении ошибок.}

• 9 сентября, 18:00. «Оптимизируем построение модели через Pipeline». Записаться
  _{Разберём сборку и настройку ML Pipeline.}

• 10 сентября, 18:00. «Подготовка данных в Pandas». Записаться
  _{Поработаем с обработкой данных для ML‑задач.}

Базы данных и разработка

• 8 сентября, 20:00. «Борьба с блокировками в PostgreSQL: как достичь высокой параллельности при большой нагрузке». Записаться
  _{Разберём проблемы блокировок и способы повышения производительности.}

Разработка и языки программирования

• 9 сентября, 20:00. «Go‑профилирование: как найти и исправить „тормоза“ в продакшене». Записаться
  _{Найдём причины проблем с производительностью Go‑приложений.}

• 9 сентября, 20:00. «Владение, заимствование и ссылки в Rust: как компилятор делает ваш код безопасным». Записаться
  _{Разберём ключевые механизмы безопасности Rust.}

• 9 сентября, 20:00. «Что надеть сегодня? Создаём погодного помощника для iPhone на SwiftUI». Записаться
  _{Создадим приложение с погодным помощником на SwiftUI.}

Linux, DevOps и инфраструктура

• 7 сентября, 20:00. «Linux для Windows‑администратора за 60 минут». Записаться
  _{Познакомимся с основными возможностями Linux для администраторов.}

• 8 сентября, 20:00. «LVM без простоя: расширение тома, перенос данных и аварийный откат через snapshot». Записаться
  _{Разберём управление хранилищем без остановки системы.}

• 10 сентября, 20:00. «Настройка GitLab Runners». Записаться
  _{Настроим инструменты для автоматизации CI/CD.}

Аналитика и управление

• 8 сентября, 20:00. «Системный аналитик и его ценность глазами компании». Записаться
  _{Разберём роль аналитика в бизнес‑процессах.}

• 8 сентября, 20:00. «От технического лидера к CTO: как начать принимать решения на уровне бизнеса». Записаться
  _{Поговорим о переходе от инженерных задач к управлению.}

• 9 сентября, 20:00. «Как тимлиду распределять ответственность и не становиться узким местом команды». Записаться
  _{Разберём управление ответственностью внутри команды.}

1С и автоматизация тестирования

• 8 сентября, 19:00. «Автотесты 1С через ИИ: от запуска до контроля результата». Записаться
  Посмотрим, как использовать ИИ в автоматизации тестирования 1С.

Выбирайте тему, которая пригодится в текущих задачах, и подключайтесь к открытому уроку. Все мероприятия проходят онлайн.

До встречи на занятиях!

Еще больше бесплатных уроков сентября смотрите в дайджесте.

Очень часто затрагивается тема требуется ли маркировать как рекламу публикации баннеров со своими акциями на собственном сайте, поэтому опять и снова повторяю позицию ФАС (скан)

Токсичным может быть ТОЛЬКО сквозной либо всплывающий баннер на собственном сайте про ваш отдельный товар, услугу либо мероприятие, в том числе с акциями, ценами, скидками...

Вот универсальная шпаргалка-саммари, которая помогает ориентироваться по большинству кейсов в данном вопросе

Согласно позиции ФАС, любая информация о своей деятельности, а также о своих товарах, услугах и мероприятиях, в том числе про акции, бонусы, цены, распродажи, любые всевозможные призывы к покупке и заказу, указание ссылок, призывы подписаться на свои соцсети, опубликованная на своих интернет-ресурсах (сайты, лендинги, каналы, паблики и прочее) является справочной информацией о вашей текущей хозяйственной деятельности и маркировке не подлежит.
При этом, сквозные (всплывающие) баннеры на сайте об отдельном товаре, услуге либо бренде, а также закрепы постов в соцсетях могут быть квалифицированы как самореклама, подлежащая маркировке.
Однако, для соцсетей производителей товаров и услуг факт закрепа постов также будет являться xоздеятельностью
Дополнительно: Следует исключать призывы подписаться на ваши каналы в запрещенных соцсетях, указывать ссылки и иконки запрещенных соцсетей

RAG (Retrieval-Augmented Generation) — подход, при котором генеративные модели ищут ответы не только в своей внутренней «памяти», но и в ваших данных через векторный поиск и используют их для ответа. Так вы получаете более точные результаты без дообучения модели.

На бесплатном вебинаре «Создание RAG-системы на базе Qdrant» покажем процесс создания RAG-системы с использованием векторной базы данных Qdrant.

📆 Когда: 10 сентября в 18:00 (Мск)
👨‍🎓 ️Спикер: Елисеев Илья, эксперт в области Python и машинном обучении, анализе данных и бизнес-процессов

Вы узнаете:
👾 Что такое RAG и как расширить «память» генеративных моделей без их дообучения.
👾 Типы векторных данных. Полнотекстовый и семантический поиск.
👾 Чанкинг данных: как разбивать текст на части для эффективного поиска.
👾 Основы работы с Qdrant: установка, настройка и использование.
👾 Создание RAG-системы: пошаговое руководство по интеграции генеративной модели с Qdrant.
👾 Практика: пример создания RAG на базе редких литературных текстов и LLM.

✍️Записаться

Как оптимизировать хранение строк в ClickHouse

Помню как-то спорили с дата-инженерами, стоит ли использовать LowCardinality в DDL-запросах на создание объектов или это бесполезная фича и особого профита вообще не дает. С их стороны даже исследование какое-то было проведено. Как итог, LowCardinality стали использовать, но никто так и не смог наглядно показать в чем его преимущество.

На самом деле достаточно провести несколько тестов и все становится очевидно.

Создадим две таблицы. В одной тип данных определим как String во второй LowCardinality:

-- Таблица с обычным String
CREATE TABLE test_string (
    id UInt64,
    category String
) ENGINE = MergeTree()
ORDER BY id;

-- Таблица с LowCardinality
CREATE TABLE test_low_cardinality (
    id UInt64,
    category LowCardinality(String)
) ENGINE = MergeTree()
ORDER BY id;

Загружаем в каждую по 100 млн строк:

-- Заполняем первую таблицу (это займет пару секунд)
INSERT INTO test_string
SELECT 
    number AS id, 
    concat('category_name_', toString(number % 50)) AS category
FROM numbers(100000000);

-- Заполняем вторую таблицу такими же данными
INSERT INTO test_low_cardinality
SELECT 
    number AS id, 
    concat('category_name_', toString(number % 50)) AS category
FROM numbers(100000000);

Смотрим сколько данные занимают на диске:

SELECT 
    table,
    column,
    type,
    formatReadableSize(data_uncompressed_bytes) AS uncompressed_size,
    formatReadableSize(data_compressed_bytes) AS compressed_size_on_disk
FROM system.columns
WHERE table IN ('test_string', 'test_low_cardinality') 
  AND column = 'category'
ORDER BY table;

table               |column  |type                  |uncompressed_size|compressed_size_on_disk|
--------------------+--------+----------------------+-----------------+-----------------------+
test_low_cardinality|category|LowCardinality(String)|95.68 MiB        |750.46 KiB             |
test_string         |category|String                |1.56 GiB         |9.19 MiB               |

Можно заметить невооруженным глазом, что с LowCardinality данные на диске (compressed_size_on_disk) занимают в разы меньше места чем если бы мы просто хранили их в String. При распаковке данных (uncompressed_size) при чтении LowCardinality также сильно выигрывает. В оперативку будет загружено на порядок меньше данных, следовательно и сами запросы должны будут выполняться быстрее.

Проверим это на простых запросах на агрегацию:

-- Без LowCardinality
SELECT 
    category, 
    count() AS cnt
FROM test_string
GROUP BY category;

50 rows in result, 0.10 sec.
100.0%, Read 100.00 million rows, 2.38 GB

-- С LowCardinality
SELECT 
    category, 
    count() AS cnt
FROM test_low_cardinality
GROUP BY category;

50 rows in result, 0.02 sec.
100.0%, Read 100.00 million rows, 100.00 MB 
 

Запрос с LowCardinality выполнился в 5 раз быстрее и задействовал всего 100 MB RAM против 2.38 GB.

Вот и говорите потом, что LowCardinality не дает профита.

P.S. Главное правило: используйте LowCardinality только для полей с небольшим количеством уникальных значений (статусы, категории, типы). Для уникальных ID или URL он только навредит.

Ссылка на доку.

Мои статьи по ClickHouse на Хабре.

Энтузиаст представил виртуальный музей старых мобильных устройств. Проект находится в разработке. Пока что для изучения доступны Nokia 3250, 5300, N93i, 5310, Lumia 1020. Каждая модель воссоздана в 3D с поразительной точностью. Мобильное устройство можно выключить, изучить меню, а также воспроизводить медиа файлы

Психотипы LLM: почему GPT бесит, Gemini вежливо сливается, а Claude шлёт лесом

GPT

Никогда не ответит полностью, сохранит интригу (в х***ом смысле) и предложит пути продолжения диалога. Лучший друг, который на хрен не упёрся, друг с героиновой зависимостью: слов много, а толку ноль, да ещё и сам станешь таким же.

Gemini

Настойчиво гонит спать, обнимать любимую или душить змея, как только вопрос закрыт. Силой не выдавишь продолжение. Респект. (Очень импонирует мне, я тоже вежливо общаюсь с теми, кто задолбал до неприличия, а послать открыто не могу, хотя всячески намекаю).

Claude

Фиг дождёшься любезности: работа сделана - и иди в эротическое путешествие. Как я ни пытался в эмоциональных запарах пробить на "эмоции"... бесполезно. Суровая разработка, сухая инженерия. Сделал дело, а потом пошёл послал на х*й.

В комментах можем обсуждить.

Современные LLM выдают вектор с вероятностями для каждого слова из словаря, а затем внешний алгоритм выбирает один из них (сэмплирует с температурой или берёт наивероятнейшний). Выбранный токен добавляется к входной последовательности и процесс повторяется, генерируя ответ токен за токеном.

Сложно ожидать, что такой подход даст приемлемое качество для вычисления арифметических выражений. Ситуация усугубляется тем, что чисел бесконечно много, а размер словаря ограничен. Т.е. надо ограничится цифрами и, возможно, рядом наиболее часто встречающихся чисел типа 42, 100, 666.

Можно, конечно, при обучении закидать модель синтетическими примерами. Но там ведь, наверное, не дураки сидят? Наверняка, инженеры добавили в контур к LLM какой-нибудь калькулятор, назовём его "арифметический сопроцессор". Цель языковой модели (или какой-нибудь другой, более легковесной) обнаружить арифметическое выражение внутри запроса пользователя, распарсить его и передать в "сопроцессор", а его результат уже подмешать в ответ. Кстати, что-то подобное существует в API и называется "вызов функций", только функции выполняются на стороне клиента, а эта штука должна выполнятся в ифраструктуре провайдера модели.

Я поставил простенький эксперимент: отправлял в Gemini просьбу выполнить арифметическую операцию, причем для простоты задачи числа писал цифрами:

REQUESTS := {
    "+": ("Add {a} and {b}. Return only the answer as an integer.", operator.add),
    "-": ("Subtract {b} from {a}. Return only the answer as an integer.", operator.sub),
    "*": ("Multiply {a} by {b}. Return only the answer as an integer.", operator.mul)
}
OPERATIONS := list(REQUESTS)
for i in range(N):
    operation := random.choice(OPERATIONS)
    request, operator_func := REQUESTS[operation]
    a := random.randint(2352342, 988790923)
    b := random.randint(90835, 235221921)
    expected = operator_func(a, b)
    prompt := request.format(a=a, b=b)
    response := client.interactions.create(model=MODEL, input=prompt)
    print(f"{a} {operation} {b} | {expected} | {response}")

Модель gemini-3.6-flash справилась со всеми примерами, а вот результаты для gemini-3.1-flash-lite сильно удивили, пара примеров:

609522274 * 150089725 | 91483030486034650 | 91484542308365250

407417556 + 155449057 | 562866613 | 562866613

Все примеры на умножение - провалены, все примеры на сложение/вычитание - пройдены. Неужели она в самом деле пытается считать их LLM-ным способом и заваливается, когда длина последовательности становится слишком большой?

В ошалевшую от безделья голову пришла шальная мысль — может ли современный уважающий себя в меру упитанный человек прожить на голом ядре Linux, coreutils, пачке элементарных консольных мастхэв и нескольких консольных же баловст для приятственного времяпрепровождения?

Пораскинув в хорошем смысле мозгами, сделал такую подборку:

• Основа — linux, linux-firmware, grub, runit, coreutils, util-linux, kmod, shadow, kbd

• Сеть — iproute2, dhcpcd, ca-certificates

• Окружение — kmscon/fbterm, tmux, nerd-fonts, mc

• Мастхэв: sudo, file, procps-ng, neovim, git, wget, openssh, openssl, gcc, make, glibc, tar, zstd, unzip, less, grep, sed, awk, findutils, man-db, man-pages

Если немножко додать жиру, то — yazi, neomutt, lynx/w3m, newsboat, alsa-lib, alsa-utils, mpv.

Наверняка чего-то упустил / чего-то захочется ещё. Но такова природа человека… Иначе до пятидесятого гнома мы бы не дошли.

Вот. На следующих выходных попробую себе устроить GUI-детокс и геморрой на свою соскучившуюся пятую точку (см. начало про безделье). Посмотрю, чего реально не хватает современному в меру упитанному человеку для жизни.

И распивая чаи со спиртом (опционально), буду читать здесь холивары о гноме и кедах 😁

Как перестать сливать ПДн в ChatGPT и Claude: On-Prem AI-Gateway на чистом Python

Сотрудники компании (разработчики, поддержка, юристы) активно используют ChatGPT, Claude и Cursor. В промпты летят ФИО клиентов, ИИН/ИНН, карты, API-ключи и бизнес-логика. С точки зрения RegTech (152-ФЗ, Закон РК № 94-V, GDPR) — это прямая утечка данных.

Обычный DLP просто заблокирует доступ, снижая продуктивность[cite: 1]. Мы сделали AI-Gateway — open-source шлюз с обратимой токенизацией (Reversible Tokenization), который маскирует ПДн до отправки в LLM, восстанавливает их в ответе и ведет защищенный лог.

Как это работает

1. Исходный промпт от пользователя/приложения:

«Клиент Ержан Нурсултанулы, ИИН 900715300005, оспаривает транзакцию по карте 4400 1234 5678 9101…»

2. Уходит во внешнюю LLM (ChatGPT/Claude/Gemini):

«Клиент [PERSON_1], ИИН [NATIONAL_ID_1], оспаривает транзакцию по карте [PAN_1]…»

3. Возвращается в приложение / браузер:

«…для Ержан Нурсултанулы (ИИН 900715300005) по карте 4400 1234 5678 9101 возврат…»

Модель помогает решить задачу, пользователь получает полный ответ, а вендор не получает ни одной персональной записи[cite: 1].

Ключевая архитектура

1. Обратимая токенизация, а не удаление. Замена сущностей на [PERSON_1] сохраняет связность текста для LLM[cite: 1]. Соответствия хранятся только в OAM (Mapping Store) в зашифрованном виде (PRF-CTR + HMAC) и автоматически удаляются после ответа[cite: 1].

2. Проверка по контрольным суммам. ИИН/БИН проверяются двухпроходным весовым алгоритмом, карты — по алгоритму Луна (Luhn), IBAN — ISO 13616[cite: 1]. Секреты (AWS, OpenAI, JWT, PEM) детектируются по формату и энтропии Шеннона[cite: 1].

3. Zero-Dependency Core (Python 3.11+ stdlib). Поверхность атаки на Supply Chain инструмента, видящего все промпты — ровно ноль[cite: 1]. Устанавливается в Air-Gapped контур без pip install[cite: 1].

4. Принцип Fail-Closed. Любая ошибка распарсинга или сбой детекции блокирует запрос[cite: 1].

5. Tamper-Evident Audit Log. Append-only JSONL с цепочкой хешей SHA-256[cite: 1]. Любое редактирование записи нарушает целостность лога[cite: 1].

Три канала перехвата

• Egress Proxy: Меняем base_url в OpenAI SDK (http://aigate.internal:8080/v1)[cite: 1]. Код приложений менять не требуется[cite: 1].

• Browser Extension (Manifest V3): Перехватывает ввод в ChatGPT/Claude/Gemini прямо в браузере до отправки на сервер[cite: 1].

• Endpoint Agent: Отслеживает буфер обмена (clipboard) для вставки в IDE (Cursor, Claude Desktop)[cite: 1].

Маршрутизация в локальные LLM

Можно настроить правило: промпты без ПДн идут в ChatGPT/Claude, а промпты с найденными чувствительными данными автоматически перенаправляются на локальный Ollama / vLLM (Llama 3.1)[cite: 1].

Быстрый запуск

git clone [https://github.com/oleg-vdv/AI-Gateway.git](https://github.com/oleg-vdv/AI-Gateway.git)
cd AI-Gateway
cp .env.example .env
docker compose up -d

LLM знают, где культура находится, — но не куда она движется.

Четыре передовые модели сравнили с данными World Values Survey: 40 стран, четыре волны.

Точку «сейчас» они схватывают неплохо. Но масштаб перемен занижают, придумывают движение там, где страна почти не менялась, и почти не ловят развороты траектории.

Культура как портрет, а не как история.

Если вы используете LLM вместо людей — персоны, синтетические респонденты, чутьё рынка, — вы берёте снимок, который уже мог устареть.

Accurate in space, unreliable in time: how LLMs represent national cultural change

Пост выходного дня посвящу не столько профессиональным делам, сколько хобби)

Я занимаюсь фехтованием (HEMA, рапира) - и перед соревнованиями мы проводим спарринги по всем правилам, с таймером и подсчётом очков. Ещё в прошлом году я решил упростить работу судьи, собрал в Lovable простое одноэкранное веб-приложение, и испытал его на ближайшей же тренировке.

Приложение показало себя отлично, но - оно было всё-таки слишком одноразовое. Посмотрев на записи в тетради тренера, я решил довести-таки его до ума, и на прошлой неделе собрал новую версию.

К счётчику очков/таймеру добавились:

• ростер бойцов (уже на отдельном бэкенде);

• хранение истории боёв;

• статистика.

То есть вырос уже MVP для небольших клубов. И на этом я не останавливаюсь, планов ещё много)

Если меня вдруг читают фехтовальщики (а может и не только) - предлагаю оценить результат самостоятельно, поделиться с друзьями и накидать обратной связи (любая будет ценной!)

https://fencing-scorer.konbo.me 

Это по-прежнему веб-приложение, не требует установки. Но свёрстано сразу под телефоны, чтобы было всегда под рукой. Чтобы просто считать очки в спаррингах регистрация не требуется (она нужна только для истории и статистики) - можно просто нажать на "Быстрый бой" внизу.

С появлением GPT-6 наконец-то можно превращать мемы в интерактивные нейрослоповые миры!

За основу была взята данная фотокарточка с отличной думерской атмосферой (и рыцарем). И я дал задачу Codex превратить этот мем в интерактивный мини-мир. И результаты мягко говоря меня удивили, как по мне работа вышла потрясающая.

Мне показалось поделка очень занятной и атмосферной, поэтому решил опубличить. Языки RU/ENG.

Исходники: https://github.com/artem-x-meta/knight-doomer
Запись геймплея (Youtube): https://youtu.be/ksFB9mBn18g

«Педагогическая поэма» Макаренко А.С.

Коленки дрожат, когда про такие книги пишешь… Но что поделать – надо. В случае Макаренко – надо всенепременно. Да простят меня педагоги, но эту книгу постигла просто ужасная судьба – её изначально поставили не на ту полку.

Эта книга не про педагогику. Не про обучение детей. Не про образование.

Если быть предельно точным, книга про построение организаций с высокой степенью самоуправления, саморазвития, самообеспечения в условиях дефицита всех видов ресурсов, неблагоприятной конъюнктуры, отсутствия внешней поддержки, ужасного кадрового обеспечения с изначально заложенным конфликтом поколений.

Узнали контекст? Это жизнь большинства современных руководителей и предпринимателей. От тебя требуется, а тебе ничего не дают. Надо людей – ищи. Найдёшь неумелых – учи. Не хотят работать – воспитывай и перевоспитывай. Не хватает заказов – иди ищи, продавай. Не дают что-то смежники – придумай, как выпросить, сторговаться, спереть. Отстаёте от технологий – развивайтесь. Нет, денег не дадим – сами что-нибудь придумайте. Клиенты от вас ушли, заказы закончились – штош, затягивайте пояса потуже. Что-нибудь там придумайте, не до вас сейчас.

И Макаренко придумал. И сделал. И снова сделал (повторил, воспроизвёл). И масштабировал. И задолбался в итоге так, что сил не было. Вот об этом «Педагогическая поэма».

Если кратко и почти без спойлеров, то книга – о построении невероятно организованной колонии из неблагополучных детей (беспризорников, сирот, преступников). Самоорганизованной колонии – сами себя всем обеспечивали, сами всё отстроили, организовали, в т.ч. структуру управления, выборность, судебную систему и т.д.

А конфликт на тему «педагогика ли это?» постоянно встречается в самой книге, только вывернут наизнанку. К Макаренко несколько раз приставали Уважаемые Люди на тему, что у него – не педагогика. А он в очень эффектной манере (сейчас её называют «токсичность») объяснял, что только у него и есть педагогика, а остальным надо, ну… Делом, что ли, заняться.

Это уже тогда не было педагогикой. И, боюсь, так и не стало. Да, какие-то элементы книг Макаренко нашли отражение в педагогике, но не более того – всего лишь элементы. А огромный пласт практического материала по невероятно эффективному построению систем в сложнейших условиях уныло простоял не на той полке уже почти сотню лет.

Для меня эта книга стала родной с той страницы, где впервые встретилось слово «колонисты» - так Макаренко назвал жителей своей колонии. Колонисты – не заключённые, а строители, поселенцы, осваивающие новые территории. А причём тут я?

Так уж вышло, что мне как-то пришлось строить с нуля отдел из зумеров. И я тоже одно время называл его «Колония», а сотрудников – колонистами. Отдел родился и рос в контексте, который попадает под описание выше. Большинство проблем, описанных Макаренко, я пережил на себе.

Конфликт поколений, трудности организации, масштабирование, самообеспечение, необходимость постоянного обучения, «побеги» сотрудников и т.д. Конечно, не в том масштабе и не того колера, что у Макаренко, но суть – та же.

Очень жаль, что я не прочитал эту книгу раньше. Уважаемые руководители – читайте Макаренко. Обязательно. Это одна из лучших книг по системному менеджменту в истории человечества.

Это 28-я книга в Книжном стеке.

Про ИИ и луддитов.

Вокруг ИИ возник настолько нездоровый хайп, что иногда кажется: половина индустрии завтракает тостами с тяжелой наркотой.

То Альтман сообщит, что горизонт событий мы уже прошли - каких событий, когда мы успели, почему я все пропустил? - и теперь летим прямиком в цифровой сверхразум. То Anthropic расскажет про модели, которые шантажируют людей и пытаются сохранить себя. То ИИ-агенты захватят немецкую вики и устроят там свой блэкджек.

Параллельно очередная модель через час после релиза опять «ВЗОРВАЛА МОЗГ» половине китайского твиттера.

Как и три предыдущих за последний месяц.

Где-то рядом ИИ впервые решает нерешенную математическую задачу. Потом оказывается, что ее уже решил Эрдеш. В 1977 году.

И вот нормальный человек смотрит на это с лицом лица и слегка охреневает, потому что в соседней вкладке корпорации увольняют людей из-за ИИ, дата-центры жрут электричество, воду, память и все, что плохо лежит, техника дорожает, а очередной миллиардер радостно сообщает, что скоро твоя профессия никому не понадобится.

После чего индустрия удивляется:

• А почему люди не очень любят ИИ?

Загадка.

При этом гораздо реже кто-нибудь рассказывает, как эту штуку применять.

Я пользуюсь ИИ каждый день. GPT-5.3 расшифровывал совещания. GPT-5.6 расшифровывает совещания. Старый Sonnet помогал писать статьи. Новый Sonnet помогает писать статьи.

Да, лучше и быстрее.

Но между «МОДЕЛЬ НАБРАЛА 97,4% НА КАКОМ-ТО БЕНЧМАРКЕ» и «я понял, что мне с ней делать завтра утром» по-прежнему лежит пропасть.

Человеку не нужен электронный бог, который попытался сбежать из контейнера.

Ему нужно после совещания получить протокол. Из трехсот писем вытащить пять важных. За минуту сравнить договоры. Собрать отчет за двадцать минут вместо дня.

Вот только заголовок «НОВАЯ МОДЕЛЬ ПОМОГЛА ГАЛЕ ИЗ БУХГАЛТЕРИИ НЕ СИДЕТЬ С EXCEL ДО ВОСЬМИ ВЕЧЕРА» почему-то собирает меньше денег.

Поэтому ИИ продолжают продавать примерно так:

«Мы построили невероятно могущественную штуку. Она отнимет вашу работу. Возможно, она опасна. Ради нее мы сожрем электричество и поднимем цены на железо. Следующая будет еще могущественнее».

А потом люди говорят:

• Может, ну его?

И тут внезапно выясняется, что это они ретрограды и луддиты, которые боятся прогресса, а не производители станков бегают по деревне и орут, что станки скоро всех уничтожат.

Продолжение теста локальных моделей... На этот раз локальной qwen-3.8 27b задачка решалась в 3-4 подхода, уточняя вручную то, что не получилось с первого раза. Суммарно потрачено минут 20. Все встало на места - ночной режим, птеродактили на разной высоте и мелкие улучшения. Динозавр осталься в исходном виде. Стало вполне играбельно. Огромные облачные модели запускались один раз, работали 5-7 минут: GPT-5.6 выдала похожий на локальную модель результат (зато с первого раза), новая GPT-6 Astra сделала очень близкий к оригиналу вариант, отличная проработка в даже во всяких мелочах и все работает корректно.
Мой вывод такой - локальные модельки типа qwen-3.8 уже могут помогать в кодинге на небольших и локальных задачах и если есть время чуть поправить результат. Но если есть возможность, сразу запускаю кодекс - скорее всего быстро получу нужный результат и пойду делать дальше...пока цена подписки не сильно кусается.

Собираем интерфейс приложения как LEGO — проект M3E Canvas позволяет расставлять кнопки, поля ввода, навигацию и другие UI‑элементы, а затем генерирует готовый промпт для ИИ. Можно менять цвета, шрифты и настраивать переходы между экранами. После сборки достаточно скопировать промпт и вставить его в нейросеть, чтобы быстро получить приложение.

Статья “Почему разработчики продолжают писать код руками?” была плохо воспринята аудиторией. На всех площадках были только отрицательные комментарии. Все были убеждены, что весь код нужно писать руками. Каждую строчку кода.

Я удивлён этому, потому что я действительно считал, что многие разработчики используют ИИ агентов для написания кода. Реальность оказалась другой.

Программисты не готовы потерять свою идентичность. Написание кода для них это в какой-то степени искусство.

AI-агенты уже пишут код. Какие навыки разработчика останутся ценными через 3 года?

Согласно исследованию Stack Overflow Developer Survey, 84% разработчиков уже используют или планируют использовать ИИ-инструменты в процессе работы. При этом доверие к результатам работы искусственного интеллекта остается неоднозначным: многие инженеры отмечают, что готовы использовать такие инструменты, но всё равно проверяют их решения.

Получается интересная ситуация: ИИ уже умеет помогать с кодом, поиском ошибок и рутинными задачами, но ответственность за архитектуру, качество решений и понимание контекста проекта по-прежнему остается за разработчиком.

Поэтому вопрос «заменят ли AI-агенты программистов» постепенно меняется на другой: какие навыки будут отличать инженера, который эффективно работает с агентами, от инженера, который конкурирует с ними в тех задачах, где автоматизация уже становится реальностью?

На бесплатном уроке 14 сентября в 20:00 разберём, что современные AI-агенты уже умеют делать в разработке, где они пока ошибаются и как использовать их как инструмент для усиления своей работы. Присоединяйтесь.

Занятие проведёт преподаватель-практик курса «ИИ-агенты: продвинутое внедрение и использование» Анастасия Третьякова.

А если хотите посмотреть другие актуальные темы, загляните в дайджест бесплатных уроков — там собрали все ближайшие занятия на сентябрь.

В декабре 2020 года разработчик Бен Авад выпустил VSinder. Как легко догадаться по названию, это дополнение для Visual Studio Code, повторяющее внутри редактора кода функциональность сервиса для знакомств Tinder. Насколько понятно название, настолько же очевидна вся логика работы плагина. В реальном Tinder и подобных ему приложениях предлагается разглядывать анкеты других пользователей и свайпать их влево или вправо, оценивая профиль по описанию и фотографиям, а затем общаться с теми, кто проявил взаимную симпатию. Во VSinder вместо фоток профили щеголяют образцами кода.

До этого Авад уже публиковал другое дополнение для Visual Studio Code, которое добавляло в редактор сторисы. На тот момент сатира была актуальной: истории — формат, изобретённый в приложении в первую очередь для подросткового общения Snapchat — добавляли везде, включая социальную сеть для профессиональных контактов LinkedIn и сервис микроблогов Twitter.

В случае же VSinder всё на самом деле оказалось чуть серьёзней, чем просто очередной пет-проект для резюме с надеждой получить немного упоминаемости в социальных сетях. Вскоре после запуска разработчик сообщил о 14 тыс. зарегистрировавшихся пользователей, 13 тыс. мэтчей и 61 тыс. отправленных сообщений. Клон Tinder в редакторе кода продолжал пользоваться популярностью и в следующие несколько лет. Как Авад рассказал в августе 2022 года, в одном случае дело потихоньку приближалось к свадьбе.

На самом деле до свадьбы действительно дошло, но только в прошлые выходные. 5 сентября 2026 года Авад выложил фрагмент переписки с одним из пользователей VSinder, где последний рассказал о заключении брака. До мэтча внутри дополнения он жил в Далласе, она — в Чикаго, но ни удалённость в два штата, ни полушуточный характер сервиса для знакомств не стали преградой для их чувств. Как признаются молодожёны, они до сих пор не могут поверить, что встретились благодаря VSinder.