Я протестировала встроенного агента Figma AI на 19 задачах. Среди них были переименование сотни вариантов, перепривязка цветов к токенам и пересборка таблицы из колонок в строки. Со всеми задачами агент в итоге справился, но не всегда с первой итерации. Под катом делюсь типами задач, с которыми у агента всё сработало, а также результатами, затраченным временем и приемами, которые помогают договориться с агентом.
Привет, Хабр!
В последние недели интерес вокруг модели Jev в Ai сфере набрал такие обороты, что я не смог пройти мимо. Некоторые уже называют ее «убийцей» LLM, новым прорывом в развитии агентов и нашим будущим. Поэтому мне стало интересно разобраться, какова область применения модели и где она будет полезна
Разбираемся, что такое JEV, чем модели принятия решений отличаются от привычных LLM и какие у них есть открытые аналоги. А заодно поднимаем Laya и Gemma 4 на собственном сервере и собираем полноценного AI-агента на Python с веб-интерфейсом, классификацией новостей и автоматической публикацией статей. Без облачных API и агентных фреймворков. Все исходники — на GitHub.
В последние пару лет порог входа в разработку изменился навсегда. С появлением Cursor, Claude Code, GitHub Copilot и больших языковых моделей родился феномен «вайбкодинга» (vibe coding): ты набрасываешь мысли в чат на естественном языке, ловишь ощущение потока, нейросеть за секунды генерирует компоненты, скрипты, роуты API — и все это действительно запускается в браузере.
Для пет‑проектов, прототипов на хакатонах и быстрой проверки продуктовых гипотез это потрясающий инструмент. Спорить с этим глупо: скорость черновой сборки выросла в разы. Но у этой легкости есть опасная цена: иллюзия, что генерация синтаксически корректного кода — это и есть разработка программного обеспечения.
В реальности код — лишь самый дешевый и поверхностный артефакт. Настоящая программная инженерия (Software Engineering) начинается там, где сгенерированный код встречается с суровой физической действительностью...
В мае я писал про своё приложение SD Studio — оболочку над Stable Diffusion, в которой картинку описываешь обычным языком, а промпт и настройки подбирают LLM и пресеты. Делал я его, чтобы бесплатно генерировать сотни иллюстраций для книги-игры; зачем понадобилось своё приложение — тоже в первой статье.
Мой Xiaomi на Android 9 лагал так, что меню открывалось через пару секунд (а то и минут), а в фоне крутились аналитика, промо-окна и рекламные ряды. За 10 минут по Wi-Fi, без root и с откатом отключил 19 пакетов, поставил YouTube без рекламы — и телевизор ожил.
Рассказываю, что на самом деле живёт внутри «умного» ТВ, какие пакеты отключать нельзя ни в коем случае (некоторые дают чёрный экран или удаляют Wi-Fi) и как это сделать на Яндекс ТВ, Салют ТВ, Xiaomi, TCL и Google TV. Внутри — открытая утилита ЧистыйТВ, запуск одной строкой.
Думаете, что это очередная статья про то, что ИИ всех заменит?
Возможно.
Но на самом деле я просто хочу разобраться что делать сегодня, чтобы завтра не остаться ни с чем.
Всем привет, любите ли вы генерировать музыку так, как люблю я? Можете не отвечать, скорее всего нет. Но вот с ужесточением правил Suno, генерировать музыку там стало просто бессмысленно (кто не в курсе с сентября, они закрыли скачку треков).
Потому я собрал десктопную студию в стиле Suno для YuE2, новой открытой модели генерации песен от команды M‑A‑P (Multimodal Art Projection). Пишете стиль и текст, получаете полноценную песню с вокалом и аккомпанементом в 48 кГц стерео. Всё считается на вашей видеокарте: без облака, подписок, очередей и без установки Python.
Aquilum — быстрый local-first заметочник на Rust для Windows с потреблением около 9 Мб ОЗУ и установщиком размером 10 МБ. В нём есть граф знаний, обратные ссылки, live preview Markdown, несколько баз знаний, расширенные таблицы, книги и читалка, Dataview-подобный анализ данных, быстрый поиск, история изменений и интеграция с MCP-агентами. Подробный обзор функций и архитектуры — в статье.
!!! ДУШНИЛАМ-ТОКСИКАМ КОТОРЫЕ НЕНАВИДЯТ ДУШЕВНЫЕ ШТУКИ И МИНУСУЮТ ИХ ВХОД ЗАПРЕЩЕН !!!
Решил сделать что-то ламповое, связанное с ВСЖ и мегаструктурами, на оснований мема с пятерочкой который я видел какое-то время назад.
Дал Claude Opus 5.5 мем и описание сюжета - ГГ выходит из своей квартиры, идет в эту пятерочку, берет чипсы и газировку, и возвращается обратно. Знакомым, да и мне, результат понравился.
Код запускается в одном html файле (713 КБ вместе с Three.js, сама игра занимает 120 кб) - можете скопировать отсюда и запустить в браузере - https://gist.github.com/artem-x-meta/2d062d0524f7dd73ed3cbc94fff54191
Github Pages -
https://artem-x-meta.github.io/etazhi-5000/
Вы знаете, что игры бывают очень архитектурно «грязными» внутри? Но это не помешало им продаваться миллионами копий, или быть написаннами одним человеком на фреймворке для браузерок, или на Lua поверх библиотеки для геймджемов, или вообще ребенком в бесплатной версии юнити. При этом мощный кастомный движок с ECS, job‑системой, своим рендером и рефлексией повсюду вы тоже знаете, но игра на нем, скорее всего лежит третий год у вас в беклоге, так и не сыграная даже пару часов.
Попросили меня по старой дружбе, где‑то с полгода назад, помочь с разработкой и выводом игры в Steam. Ребята до этого занимались нефтью, и накопив деньжат, решили, что называется оставить след в индустрии. Если честно, я несколько отвык от такого «детского» кода и простых решений, что меня несколько удивило, хотя и вернуло на грешную землю из объятий ентрепрайза. Но я сразу оговорюсь, что простая архитектура это не оправдание плохого кода, а способ выбрать, где именно вы позволяете себе быть сложным. Бюджет сложности конечен... прежде всего размером вашей натуральной оперативкой, и тратить его надо туда, где игрок это увидит.
Ученики начальной школы могут заучивать таблицу умножения однозначных чисел, но простого запоминания будет недостаточно, когда учитель задаст задачу на умножение трёхзначных чисел. Здесь требуется алгоритм: учеников учат выстраивать числа друг над другом и умножать каждую цифру нижнего числа на каждую цифру верхнего. На протяжении тысячелетий математики считали это самым быстрым способом умножения, пока в 1960 году 23-летний молодой человек не сделал шокирующее открытие, которое привело к загадке, остающейся неразгаданной до сих пор.
Эта загадка имеет решающее значение для всех, кто имеет отношение к цифровому миру, поскольку умножение является основополагающей операцией для компьютеров. Шифрование, робототехника, искусственный интеллект, обработка звука и практически всё остальное, чем мы заставляем заниматься кремниевые чипы, связано с умножением, причём иногда огромных чисел, умножаемых многократно. В таких масштабах даже простая операция становится «узким местом», и любое дополнительное повышение эффективности имеет глобальные экономические последствия.
Чтобы понять суть этого «узкого места», обратите внимание на то, как «школьный» алгоритм справляется с увеличением размера чисел. При умножении двух двузначных чисел выполняется четыре однозначных умножения. Если перейти к паре трёхзначных чисел, то потребуется девять однозначных умножений. Нагрузка растёт пропорционально квадрату количества разрядов (n², где n — количество разрядов в умножаемых числах). При анализе подобного алгоритма компьютерные учёные не измеряют скорость в секундах, поскольку она зависит от аппаратного обеспечения. Вместо этого они подсчитывают количество вычислительных шагов. Они также игнорируют второстепенные детали, такие как время, необходимое для переноса единицы при умножении. Когда числа становятся достаточно большими, эти низкоуровневые операции перестают иметь значение, поскольку их полностью затмевают более ресурсоёмкие операции. Информатики обозначают количество шагов с помощью так называемой нотации «большого O»: например, алгоритм, который учат в начальной школе, требует O(n²) шагов, что читается как «порядка n в квадрате». В общих чертах, если числа в два раза длиннее, для выполнения алгоритма требуется в четыре раза больше вычислительной работы. Если числа в тысячу раз длиннее, требуется в миллион (1 000 в квадрате) раз больше работы.
Тридцать лет я собирался написать игру, а потом за десять рабочих сессий довёл до продакшена браузерную Hexnome: 3D-поле, одиночный режим, онлайн-мультиплеер и серверный журнал команд. Получилось 245 промптов и 99 коммитов в основной ветке. Ещё 30 коммитов пришлось выбросить, когда первая архитектура мультиплеера оказалась «играбельной, но ненадёжной». Рассказываю, что именно ускорил AI — и какие решения он за меня не принял.
Техническая наука в любой области изобилует, порой, довольно парадоксальными решениями, которые, тем не менее, если разобраться, вполне себе имеют право на существование и, к тому же, приводят к интересным следствиям — то есть, полезны для современного применения: именно таким и является знаменитый «парадокс Фергюсона», касающийся зубчатых передач, который удивляет впервые ознакомившихся с ним людей людей, уже более 260 лет, и, к тому же, имеет интересное следствие в наши дни, так как зная его принципы, можно успешно проектировать механические суставные передачи роботов, с парадоксальным (на первый взгляд) движением…
Недавно был принят законопроект № 1194918–8 «О цифровых валютах и цифровых правах», который разрешил выпуск ЦФА в России с использованием так нахзываемых информационных систем, организованных не в соответствии с российским правом — в простонародье, публичных блокчейнов.
И первым, кто уже успел этим воспользоваться — Сбер. Давайте посмотрим, что они выкатили.
Два года назад у меня практически не было опыта программирования. Когда‑то в школе мы немного изучали Pascal, но после этого я не написал ни одного скрипта. Я впервые открыл PyCharm, по ходу работы узнал, что такое API, SSH, виртуальная машина, системная служба и облачные задачи. При этом за несколько месяцев я создал систему, которая собирает новости из турецких источников, переводит и сокращает их, помогает администратору отбирать материалы, готовит полноценные публикации и размещает их в Telegram по расписанию.
Сегодня бот продолжает работать. Он обрабатывает около ста новостей в день, а эксплуатация всей системы при моём масштабе обходится примерно в три доллара в месяц. В этой статье я хочу рассказать не только, что получилось, но и о самом процессе: где ChatGPT действительно помогал, где уверенно вёл меня в неправильном направлении, почему через полгода пришлось менять архитектуру и чему этот проект научил меня о вайбкодинге.
Каждый айтишник, который хоть раз стоял «на красном» на пустом перекрестке в три часа ночи, думал одно и то же: «Да я бы это за выходные пофиксил».
Я тоже так ненароком подумал. Потом начал разбираться, как устроено управление светофорами и выяснил кое-что интересное. Оказывается сама постановка задачи «как оптимизировать светофоры» при ближайшем рассмотрении рассыпается на глазах. Неочевидно, но это не задача оптимизации в том смысле, в котором мы привыкли. И самое обидное, что компьютер тут не главное бутылочное горлышко.
Давайте по порядку, потому что путь от «я исправлю это за выходные» до «а, вот почему до сих пор не пофиксили» это, честно, лучшая экскурсия по тому, чем реальная инженерия отличается от академической.
Продукт, опережающий свое время и терпящий из-за этого фиаско, далеко не редкость для мира технологий. Именно таким когда-то была одна неординарная, гениальная в своей странности и очень красивая операционная система, увидевшая свет в начале 90-х…
Рассказываю о корпоративной культуре Японии и её популярных стереотипах внутри страны и за её пределами. В статье — личный опыт, мнение, наблюдения и небольшие исследования.
Это цикл статей для тех, кто интересуется Японией, её современной жизнью и культурой повседневных деталей. В прошлый раз я писал о культуре печатей в Японии.
За неделю команда бенчмарка Design Arena выпустила два разбора моделей, возглавивших ее дизайн-лидерборды: разбор GPT-5.6 Sol, флагмана OpenAI, и свежий разбор Kimi K3 от китайской Moonshot AI. Исследователи заглянули внутрь генераций и рассуждений моделей и показали, как именно те научились "вкусу". Выяснилось, что универсального рецепта нет: две модели пришли к хорошему дизайну противоположными путями, а третья — прошлый лидер GLM 5.2 — своим, третьим.
