Именно в такой ситуации я оказался буквально пару месяцев назад и хочу поделиться увлекательной историей решения этой проблемы.
Интерфейс сервиса BenzinNow на двух смартфонах: интерактивная карта Москвы и список ближайших АЗС с названиями сетей, расстоянием и выбором вида топлива.
Начать хочется с честного признания: Kaguya UserBot — это моя вторая попытка. Первая закончилась полным архитектурным тупиком. Система получилась настолько негибкой, что в какой‑то момент я просто забросил проект на два месяца, а затем полностью удалил код и начал всё с чистого листа.
Микросервисы — это не про технику.
Все говорят о микросервисах, но почти никто не понимает, зачем они на самом деле.
Спойлер: Это не про масштабирование. Это не про отказоустойчивость. Это не про большие базы данных.
Это про команды.
Когда у вас больше 3–5 команд, работающих над одной системой — MSA имеет смысл. В остальных случаях вы просто платите за инфраструктуру, сложность и распределённые транзакции, получая взамен… распределённый монолит.
Кодовые ИИ-агенты уже способны за минуты выполнять часть работы, на которую раньше уходили часы. Но быстро написанный код — ещё не выпущенный продукт и тем более не полученная прибыль. Разбираемся, куда исчезает ускорение, когда его почувствует бизнес и какие показатели действительно стоит измерять.
У меня RTX 5060 Ti на 16 гигабайт. Обычная потребительская карта, и на ней хочется гонять модели покрупнее, желательно с большим контекстом. Дальше история про то, как я скрестил две несовместимые вещи, потратил на это вечер, нашёл баг, который не выдаёт никаких ошибок, а потом выяснил, что настройка по умолчанию отнимала у меня четверть скорости.
Есть модель Ternary-Bonsai-27B от PrismML. Это Qwen3.6-27B, ужатый до примерно 2.1 бита на вес. Весит 6.66 гигабайта. Для 27B на 16-гигабайтной карте это отлично, потому что остаётся много места под контекст.
Проблема в том, что запускается она только на их собственном форке llama.cpp, а там нет сжатия KV-кеша. А KV-кеш на длинном контексте съедает больше, чем сама модель.
С другой стороны есть BeeLlama, форк от Anbeeld. В нём как раз есть TurboQuant и KVarN, две схемы сжатия KV. Но Bonsai он не грузит.
Причина простая и обидная: оба проекта завели у себя тип с названием Q2_0, и это разные форматы. К счастью удалось реализовать поддержку Bonsai в Beellama.
За последние несколько лет статический анализ стал неотъемлемой частью современной разработки на PHP. Сегодня сложно представить крупный PHP‑проект, в котором не использовались бы инструменты статического анализа.
Статический анализ позволяет обнаруживать множество проблем ещё до запуска приложения: некорректные типы, потенциальные ошибки в логике программы, недостижимый код, использование несуществующих методов и свойств и многое другое.
По этой причине улучшение поддержки статического анализа является одним из направлений развития Yii2.
Я соло-разработчик. Этой весной я решил, что вместо очередного «бота на RSI» соберу нормальную систему: команду автономных AI-агентов с общей памятью, которые круглосуточно исследуют крипторынок, читают научные статьи, следят за новостями, проверяют «гуру» из телеграма и ищут торговое преимущество. Всё это — на одном дешёвом VPS, на Python, cron и OpenAI API.
Система получилась. Она работает месяцами без моего участия, стоит копейки и делает ровно то, для чего строилась.
А теперь спойлер, ради которого стоит дочитать: главный результат работы этой машины — строгое, статистически честное доказательство того, что торгового edge у моего ретейл-подхода нет. Два десятка проверенных гипотез — два десятка трупов. И я считаю это лучшим, что система могла для меня сделать.
Обо всём по порядку: сначала архитектура и грабли (они переносимы на любую предметную область), потом — главная глава про кладбище гипотез.
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.
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.
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.
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.