Как стать автором

Исследования показали, что музыка улучшает результаты математического тестирования у детей с СДВГ. Как влияет музыка на мозг? Работает ли то же самое со взрослыми?

После бума люди побежали устанавливать OpenClaw на сервер, Mac mini, на всё что угодно.

Но, кажется, мы забыли о старой доброй виртуалке, которую любой может поставить и настроить OpenClaw за несколько минут.

Разберём, какие есть плюсы:

Загружал пару лет переписки из Telegram в Apache Doris на ноутбуке. Первый запуск 2 часа. После оптимизации 206 400 сообщений за 5 секунд.

Полез в исходники разобраться, почему Stream Load (HTTP-загрузка данных) в Doris работает так быстро. В статье разбор C++ кода: от HTTP PUT до Segment-файла на диске.

Что внутри:
— 14 шагов одного HTTP-запроса (с диаграммой и кодом)
— StreamLoadPipe: буфер 4 MB с backpressure
— Иерархия записи: LoadChannel → DeltaWriter → MemTable → async flush
— 6 практических выводов: что крутить, что мерить, где смотреть compaction score

A/B-тесты для оптимизации рекламных кампаний в Яндекс Директе я применяю уже несколько лет, но сейчас это стало практически обязательным, если хотите получать качественные заявки по нормальной цене.

Дополнительно рассмотрим связку A/B-тестов и встроенных лендингов прямо в Яндекс Директе, чтобы получать больше заявок без увеличения бюджета.

Оцениваем статистику и перераспределяем рекламный бюджет по самым эффективным вариантам. Это всегда стабильно улучшает результаты, если лендинг и предложение на нём хоть немного конвертят трафик в заявки.

С 1 января 2026 года у товарного бизнеса изменилась экономика. Маркетплейсы стали дороже, правила там меняются чаще, а доступ к клиенту по-прежнему не принадлежит селлеру. Плюс падает покупательская уверенность, кредиты дорогие, логистика сложнее.

Бренды и селлеры закрываются пачками. И тут парадокс: рынок не падает, а продолжает расти. Что происходит и почему так? Разбираю в статье выигрышную стратегию на 2026 и привожу реальный кейс нишевого бренда, с которым пообщался — они выросли с 50 до 500 заказов в Телеграме всего за полгода.

Meta Description: Сравнение подходов к лидогенерации в Telegram: массовые рассылки и AI-таргетирование. Данные, конверсии, риски бана, архитектура фильтрации.

Поддержка является неотъемлемой частью продукта, и если в неё часто пишут, значит где-то пользователь не понял, не смог или сделал ошибку. И часто причина оказывается не в пользователях и саппорте, а в самом продукте. Давайте разбираться, что именно влечет за собой множество обращений в поддержку и как их можно минимизировать.

Я работаю на стыке UX и бизнес-аналитики, и почти в каждом продукте вижу одну и ту же картину: команды годами решают проблемы через оперативную поддержку, игнорируя очевидный источник — пользовательский интерфейс и сценарии взаимодействия.

В этой статье разберём:
• какие типы запросов в поддержку можно убрать дизайном;
• как находить точки, где продукт «ломается»;
• какие UX-решения реально снижают нагрузку на поддержку;
• с чего начать, если ресурсы ограничены.

Как обеспечить устойчивое развитие IT-ландшафта под нужды бизнеса и снизить затраты на развитие в горизонте

Изображение от rawpixel.com на Freepik

Когда документация переехала в вики, люди решили, что страницы бесплатные, и начали писать всё в одном документе. Платить в этом случае всё равно приходится, но только не деньгами, а временем и нервами исполнителей, которые эту документацию читают. Я покажу, как разбиваю это на систему связанных страниц, где у каждой — своя роль, а точка входа — одна.

Это статья не сеньора, очередной раз пишущего про управление персоналом. Я - Junior Golang-разработчик! У меня нет ответов на все вопросы, но есть путь. Вот что работает, когда ты ещё сам учишься писать код, а уже отвечаешь за команду.

SQL-инъекцию мы лечили 20 лет и вылечили. Prompt injection — фундаментально нерешаема. Это не я придумал. OWASP ставит её на первое место второй год подряд. Найдена в 73% продакшн AI-систем при аудитах.

Вы не за статистикой сюда пришли. Вы пришли за мясом. Ниже — 10 кейсов, которые не попали в типичный пересказ про Chevrolet за доллар. Тут пострашнее.

RAG ломается не так, как обычный LLM. У голой языковой модели одна поверхность отказа - генерация. У RAG-системы таких поверхностей две: retrieval и generation. И ломаются они по-разному.

Retriever может вернуть нерелевантные чанки, потерять нужные документы или ранжировать их неправильно. Генератор может проигнорировать контекст и ответить из собственных весов. Стандартные LLM-метрики не ловят проблемы retrieval - они оценивают только финальный ответ.

В статье - практический гайд по тестированию обеих поверхностей:

6 метрик RAGAS с production-порогами: Faithfulness ≥ 0.80, Context Precision ≥ 0.70, Context Recall ≥ 0.70, Answer Relevancy ≥ 0.70

Классические IR-метрики: Precision@K, Recall@K, MRR - для быстрой проверки retrieval без LLM-судьи

Security-тесты: document poisoning, context injection, cross-tenant leakage через Promptfoo

CI/CD pipeline: автоматический quality gate при обновлении knowledge base

От pip install ragas до GitHub Actions - всё с кодом и конфигами.

Привет, Хабр!

Я написал повесть, вдохновленную идеями одного известного мысленного эксперимента. Не могу сказать конкретнее иначе заспойлерю, но ценители Hard Si-Fi, думаю быстро поймут о чём речь. Хочу поделиться этой повестью с вами, ведь системщики и программисты, а так же люди ценящие железную логику - это моя целевая аудитория.

О чем это:
Артур Корбин, системный инженер, нашел странную строку в отчёте. По сути пустяк 20 кг. проволоки для организации перемалывающей тонны материалов в день - статистическая погрешность. Но Артур, человек привыкший к порядку, решил разобраться. И это решение превращает его жизнь в параноидальный кошмар. Это история о том, как инструменты могут стать хозяевами, а свобода воли — статистической погрешностью.

Почему два человека с одинаковым доходом и кредитной историей могут платить совершенно разный процент по одному и тому же кредиту? В этой статье мы заглянем под капот банковских систем ценообразования, разберем реальные кейсы дискриминации от Ally Bank и Test-Achats, и наглядно покажем, как деревья решений и градиентный бустинг используются для предсказания вашей платежеспособности — и как они могут ошибаться.

RAG на PHP - звучит непривычно. Делюсь опытом построения чат-бота для поиска по внутренней базе документов: Symfony, Qdrant с гибридным поиском, YandexGPT для embedding и генерации ответов. Внутри — готовый код, подводные камни чанкинга и советы, которые сэкономят вам время.

Статья про то как контролировать загрузку статики у себя в продакшн сборке и предотвратить сайд-эффекты.

Эта статья не про инструменты и не про то, «как использовать ИИ». Она про то, почему автоматизация и AI могут снижать качество инженерных решений — даже в зрелых командах. И про то, почему большинство систем ломаются не из‑за багов, а из‑за решений, которые никогда не выглядели ошибками.

В конце ноября 2025-го я сел писать строительный калькулятор для RuStore. Хотел собрать всё, что нужно при ремонте, в одном приложении - от расчёта обоев до ИИ-ассистента, который подскажет, где ты накосячил с расходом штукатурки. Через 2,5 месяца «Мастерок» вышел в продакшн: 45+ калькуляторов, 269 коммитов, 259 тысяч строк кода, рейтинг 4.9 в RuStore.

В этой статье расскажу про архитектуру, покажу реальный код и объясню, почему переписал систему калькуляторов с нуля на полпути разработки, как впихнул ИИ с характером ворчливого прораба через OpenRouter и зачем написал 8180 тестов на проект, который делает один человек.

Привет, Хабр!

В этой статье разбираем фундамент ClickHouse — движок MergeTree. Посмотрим, как данные хранятся на диске, чем отличается «парт» от «партиции» и почему индекс в ClickHouse работает не так, как в привычных транзакционных базах вроде PostgreSQL или MySQL.