Как стать автором

Здравствуйте, коллеги!

Три недели назад я взялся за задачу, которая звучит просто: сделать бота‑ассистента, который помогает IT‑джуну собрать резюме, и при этом не выдумывает того, что соискатель не описывал. И задача оказалась не про prompts. Ниже — архитектура, которая получилась и 3 инженерные истории, на которых я застревал по‑настоящему.

Всё, что описано, код и цифры — проверялось на живом MVP.

Совместная разработка, и как найти лентяя в команде. История о том как я пришёл к созданию плагина для OpenSource.

Если у Вас закрались в голову мысли, что один из персонажей не работает, я думаю этот инструмент будет для Вас полезен.

А чтобы не читать всю статью инструменты можно быстро посмотреть

JETBRAINS MARKETPLACE

VISUAL STUDIO MARKETPLACE

AI-агенты отлично решают локальные задачи, но часто теряют связи между частями большой кодовой базы. Из-за этого изменение одной функции может незаметно сломать frontend, backend-роут, сервис, repository, background task или тест.

В статье разбирается CodeSlicer — локальный CLI, MCP-сервер и визуальный анализатор, который строит проверяемый граф влияния проекта. Он связывает функции, классы, DI-провайдеры, HTTP-endpoint’ы, frontend-компоненты и тесты, сохраняя evidence chain, provenance, confidence и причины каждой связи.

Показывается полный pipeline: inventory, extraction, semantic resolution, support packs, unknown regions, mutation testing, runtime observation и impact analysis. Отдельно разобрано, почему система не должна превращать предположение AI в подтверждённое ребро.

На размеченных Python-сценариях протестированы 21 тестовый сценарий, 29 mutation-сценариев, 20 обязательных semantic edges, 0 false positive и 0 false negative. Для TypeScript и frontend-backend bridge проверены 12 сценариев, 15 мутаций и 4 cross-language цепочки с endpoint precision 1.0.

Также рассматриваются интеграции с AI-агентами через CLI, MCP и skills, отличие CodeSlicer от обычных графов кода и дальнейшее развитие проверенного registry библиотек

Физика спрашивают, верит ли он в привидения. Он отвечает: 'Конечно нет; привидения не содержат ни энергии, ни материи, и поэтому согласно законам физики они не существуют'. Затем физик задумывается и говорит: 'Но, конечно, законы физики не состоят ни из энергии, ни из материи, и поэтому они также не существуют.' Этот анекдот будет введением в обсуждение природы законов физики. Мы настолько привыкли к использованию законов физики при объяснении мира, что они принимается как нерушимая часть научной картины мира. В то же время не все так просто; в этой заметке представлены внутренние проблемы понятия законы физики.

Я начну с истории, с возникновения идеи о законах физики в ходе научной революции 17-го века. Все внутренние проблемы видны на этом этапе, но в те времена их решением являлась определенная христианская теология: Бог создал мир по законам, выраженных на языке математики. Концепция законов физики оказалась настолько успешной, что большинство физиков продолжает ее использование, не замечая теологический характер. Это продемонстрировано в разделе 'Физики о законах физики'. В следующем разделе внимание уделено тонкой настройке вселенной. Затем рассмотрены идеи физиков, связанные с коэволюцией законов физики и вселенной. Это соответствует отходу от теологической модели законов физики, но все это в настоящее время находятся в зачаточном состоянии. Последний раздел посвящен цифровой физики, появление которой связано со взглядом на законы физики со стороны теории вычислений.

Зачем писать ещё один VLESS-клиент, когда уже существуют v2rayN, HAPP и Nekoray? Мне хотелось объединить системный прокси, полноценный TUN, маршрутизацию приложений, разные форматы подписок и Zapret в одном понятном интерфейсе. Рассказываю, как устроен Lumen KVN, зачем ему одновременно Xray и sing-box, как реализованы импорт Happ Crypt, DNS в TUN-режиме, проверка серверов и какие компромиссы появились из-за работы с двумя сетевыми ядрами.

Многие включают телевизор для фона. Не для того, чтобы смотреть, а просто для того, чтобы что‑то шло. Чтобы разговоры, шум, эффект присутствия. И вроде бы ты уже не один и даже как‑то уютнее.

А теперь представьте, что есть канал, по которому идет сериал, который никогда не заканчивается. И он не просто на триста‑пятьсот серий и финал, а действительно бесконечный. Где хорошо знакомые герои живут своей жизнью, ходят на работу, отдыхают, ссорятся и мирятся, женятся, ездят на курорты и дачи, растят и воспитывают детей. И всё это генерируется в реальном времени нейросетью (ИИ, AI).

У нас в голосовых комнатах на аватарки можно надевать шляпы, и пока человек говорит, шляпа чуть покачивается. Мелочь, но живая. А потом пришёл баг: «шляпа иногда крутится вокруг своей оси, как пропеллер, и замирает». С видео — на нём ковбойская шляпа делала полный оборот и вставала на место.

Самое любопытное в репорте: крутились только мягкие шляпы. На корону и каску никто не жаловался. С этой детали всё и распуталось — история про две пружины на одном угле.

Актуальность проблемы онтологического моделирования общества потребления. Необходимость моделирования основных процессов потребления в современном общества как способа поиска потребностей в применении новых технологий и материалов.

Ежегодно в России создается более 200[1] новых технологий[2], инструмент искусственного интеллекта GNoME предсказывает возможность создания сотен тысяч новых синтетических материалов[3], в 2023 году в России зарегистрировано более 1000 новых лекарственных препаратов[4]. Каждое из этих новшеств разрабатывается с заранее определенной областью применения, однако, в нашем сложном, технологически развитом обществе, постоянно появляются новые области деятельности и потребления, имеющие свои специфические потребности в материалах и технологиях. Например, персонифицированная медицина: разработка лекарственных индивидуальных препаратов, эндопротезирующих изделий и материалов, учитывающих особенности пациентов, в том числе генетические[5]. Имеется и обратная зависимость: новые материалы с новыми свойствами порождают новые способы применения и даже новые, принципиально невозможные ранее, технологии. Например, использования графеновых материалов в ИТ‑технологиях, энергетике, при создании одежды[6]. Кроме того, у каждой технологии, как и у каждого инструментального средства, есть своя логика развития, и предоставление новых возможностей порождает новые потребности. Например, развитие и удешевление производства дронов, первоначально использовавшихся только для наблюдений, открывает новые области их использования в логистике.

Все уже в курсе вайбкодинга. Интернет заполонили красивые сайты и приложения, которые ломаются от первого же чуть более настойчивого пользователя. Игры клепаются с такой скоростью, что грань между прототипом и готовым продуктом размылась почти до нуля. Сторы буквально тонут в нейромусоре. Компании сокращают штат под лозунгом ИИ‑оптимизации, а потом теряют деньги, потому что новые рельсы ведут не туда.

Разработчики на этом фоне разделились на два лагеря. Одни демонстративно сторонятся ИИ или прямо его отрицают. Другие бросили штурвал: шлют в чат «давай дальше», «сделай красиво» и пьют кофе, пока агент разбирается сам. Я хочу рассказать про третий путь, потому что обе крайности одинаково не работают.

Большинство React-экранов со временем превращаются в клубок из трёх несвязанных забот: как экран ведёт себя (валидация, условные поля, кросс-полевые правила), откуда берутся его данные (загрузка, кэширование, мутации) и как он выглядит (JSX). По мере роста эти части сплетаются так, что любое изменение задевает всё сразу.

Раньше это терпели: мы писали код руками, умели декомпозировать сложность и управлять ей, и хотя одной кнопке иногда требовалось три компонента и пара хуков, у нас было время и контроль. Сегодня всё больше кода пишет ИИ, и контроль ускользает. ИИ плохо проектирует архитектуру, но отлично заполняет декларативные слоты. Palistor убирает саму задачу архитектуры — остаётся заполнить конфиг по правилам. Такой код трудно развалить: ошибаться попросту негде, а ревьюить нужно один плоский объект, а не дерево из useEffect'ов.

В 2026 году решили расширить штат. Разместил вакансию, начался поиск.

За первые два дня после публикации вакансии пришло более 400 откликов. Это сумасшедшая цифра... Ладно, собрался, отфильтровал, осталось около 300. 

Начались собеседования, и именно на них я был сильно удивлён, ведь не так давно ситуация была другая…

Я разработал инструмент для автоматизации подбора специалистов. Основная его задача сократить время первичного отбора кандидатов за счет автоматического анализа резюме, GitHub-репозиториев и применения RAG(Retrieval-Augmented Generation) подхода.

История о том, как продакт без единого разработчика построила бота-друга на Make + Supabase + Claude, зачем боту кубик, почему нейросеть отказывалась материться — и что такое эмерджентность на живом примере, от которого мне однажды стало по-настоящему не по себе.

AI способен за несколько минут создать работающий endpoint, интерфейс или Dockerfile. Но работающий код ещё не означает, что продукт готов к передаче заказчику.

В статье разбираю инженерный разрыв между AI-сгенерированной реализацией и принимаемым программным продуктом: критерии готовности, проверку негативных сценариев, воспроизводимую сборку, чистую установку, контроль секретов и формирование evidence. Также предлагаю практический процесс, позволяющий использовать AI для ускорения разработки, не подменяя им независимую проверку результата.

runnable instanceof ScheduledMethodRunnable — false. Всегда false. Так Spring Framework 6.2 сломал матчинг задач в моей библиотеке, и это был только первый из трёх багов, которые не воспроизводились в тестах. Разбор — под катом.

Недавно встретились с коллегой за кружкой кофе, без всякой рабочей повестки. Он занимается Data Science, я — backend-разработкой. Разговор как-то незаметно, как это обычно бывает, свернул в сторону обсуждения рабочих нюансов, а самый обычный вопрос про очередной график в дашборде — закончился идеей проекта, который в итоге вырос в open-source фреймворк.

Прибывает контейнерный поезд или сформированный маршрут. На предприятии его должны разгрузить/загрузить и отправить обратно — классические сдвоенные операции. Всё по плану и по графику.

А дальше осмотрщики вагонов АО «РЖД» при осмотре начинают браковать вагоны. Не один‑два — 10–15% от состава. Из поезда в 60–70 вагонов это 7–8 единиц. И вот тут план начинает рассыпаться.

Один родительский аккаунт, несколько детских профилей, игровые задания, рейтинг и контент, который открывается по расписанию. Пока всё идёт по счастливому пути, это выглядит как набор экранов.

Проблемы начинаются, когда родитель переключает ребёнка в соседней вкладке, задание закрывается в процессе, а старый браузер повторно отправляет результат и пытается начислить баллы повторно.

В статье разбираю, как собрать закрытую семейную платформу так, чтобы React оставался быстрым, Laravel не отдавал правила продукта браузеру, рейтинг можно было объяснить, а контентная команда управляла кампанией без постоянных релизов.

Уверенная и складная речь легко принимается за признак правоты — и человеком, и машиной.

Мы достраиваем недостающие связи, выбираем объяснение, которое совпадает с прежними убеждениями, и особенно охотно делаем это под давлением, в усталости или стрессе. Даже профессионалу трудно постоянно удерживать дисциплину мышления. История не раз показывала, что самые сильные эксперты своего времени могли годами разделять ошибочные представления, а увидеть ошибку удавалось лишь позднее, когда появлялись новые данные или становились очевидны последствия принятых решений.

Сильная LLM унаследовала эту склонность вместе с человеческими текстами, на которых училась. Она умеет быстро собрать правдоподобную версию, но может не заметить логический разрыв, принять последовательность событий за причинную связь или усилить гипотезу, которую собеседник уже считает верной.

Криптотерминал CoinPulse. Next.js 15, Web Workers для фонового парсинга и чистый HTML5 Canvas API без использования сторонних библиотек