Как стать автором

За плечами у меня больше 20 лет то плотной, то фоновой связи с разработкой: от FoxPro и PHP до Python и DevOps-технологий. В начале 2026 года я целенаправленно пошёл в сторону автоматизации с ИИ, и этот проект стал первым реальным (не учебным) опытом в этой области.

Нужен был живой полигон, на котором можно пощупать связку n8n + LLM не на туториалах, а на задаче, которая болит каждый день. Такая задача нашлась под рукой: два личных почтовых ящика (Gmail и Rambler), куда ежедневно прилетает всё подряд — рассылки, уведомления, сервисные письма и редкие важные сообщения. За 3–4 дня там легко скапливаются сотни непрочитанных писем, из которых внимание действительно требуют единицы, а разбирать это вручную не хочется.

Отсюда и появился n8n в моём стеке — не как «модный no-code», а как удобный способ собрать оркестрацию: по расписанию забрать почту, прогнать через LLM, записать результат и вернуть категории обратно в почтовые ящики.

Большинство Laravel-проектов начинаются как обычные монолиты. Со временем кодовая база растёт, а бизнес-логика оказывается разбросана по сервисам, моделям, репозиториям и контроллерам. В первой части разберём, почему стандартная структура перестаёт отражать предметную область, что такое Modulith и как организовать приложение вокруг бизнес-модулей, не переходя к микросервисам.

Почему недостаточно просто подключить LLM к производственным данным? Рассказываем, какие архитектурные решения пришлось принять при разработке системы анализа производственных журналов, почему API и Desktop Claude ведут себя по-разному и может ли LLM заменить Power BI.

Существует множество стартапов, у которых уже есть готовый лендинг с кнопкой «Попробовать бесплатно». Инвесторы вкладывают деньги, пользователи переходят на сайт, а за обещанным сложным алгоритмом на деле скрывается обычный math.random(), упакованный в красивый дизайн.

Есть подходы, которые позволяют имитировать сложную функциональность и проверять главные фишки продукта, не создавая громоздкую кодовую базу сразу. Эта статья будет полезна начинающим разработчикам, которые только знакомятся с профессиональным сообществом и делают первые шаги в работе с JavaScript.

Недавно я прочитал книгу Брайана Трейси “Делегирование и управление”. Причина выбора книги довольно простая. Сейчас я работаю аналитиком полного цикла (бизнес + системный) в компании 1221Системс и включён в кадровый резерв руководителя отдела аналитики. Логично, что одним из главных навыков руководителя является грамотное делегирование рабочих задач.

У аналитика основной фокус находится на качестве собственных решений: 

matrix — это такой протокол для мессенджера, есть несколько его реализаций, но, как водится, полноценная только одна. Протокол ругают за перетяжеленность, но matrix сегодня один из самых зрелых opensource‑вариантов для self‑hosted мессенджера.

Домен возьмем, естественно, example.com. Контейнер назовем matrix. Дадим ему реальный адрес: можно и с пробросом портов, но это отдельная возня. Предполагается, что вы уже умеете создавать контейнеры. Веб‑сервер nginx, но можно поставить любой другой.

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.