Эта статья совсем не технический анализ, а увлекательный рассказ о том, как маленький, но очень перспективный стартап стал топовым приложением, а также о том, какие сложности встали на пути команды разработки, DevOps и тестирования X5 Tech.

Мы сразу заложили основные принципы нагруженного приложения: микросервисы как основа всего, полное покрытие метриками, асинхронность, кэширование на максималках. Какую-то функциональность разрабатывали сами, где-то задействовали сервисы других техкоманд из X5, а где-то и сторонние решения с рынка.

Весь код писали на Python, использовали FastAPI и другие популярные на тот момент фреймворки и технологии.

Поговорим о том, как превращать последовательности пользовательских событий в векторы, зачем обучать BERT на «языке» клиентского поведения и почему embedding‑пространство может неожиданно начать отражать будущую ценность пользователей

Notion продолжает двигаться от приложения для заметок и баз знаний к платформе, где люди, данные и AI-агенты работают в одном workspace. Компания представила Notion Developer Platform — набор инструментов, который позволяет подключать внешних агентов, запускать собственную логику и собирать многошаговые автоматизации внутри Notion.

Главное отличие от уже существующих Custom Agents в том, что теперь агенты не ограничены только данными и сценариями внутри Notion. Раньше они могли помогать с повторяющимися задачами: отвечать на частые вопросы, собирать статусы, автоматизировать простые процессы. По данным компании, пользователи уже создали больше 1 млн таких агентов. Но у них были ограничения: нельзя было нормально подключать внешние источники данных, использовать кастомную бизнес-логику или связать Notion с агентами, которые компания уже применяет в других инструментах.

Теперь Notion добавляет Workers — облачную среду для запуска пользовательского кода в изолированной песочнице. Через Workers команды смогут синхронизировать данные с Notion, запускать вебхуки, создавать собственные инструменты для агентов и автоматизировать процессы без отдельной инфраструктуры. Компания отдельно отмечает, что писать код вручную необязательно: его можно сгенерировать с помощью AI coding agent.

Привет, Хабр. Меня зовут Антон, я технический директор ERA2.AI. Несколько лет назад мы плотно занимались YouTube, контентом и продакшеном: снимали обзоры, стримили процессы, монтировали ролики, делали обложки, озвучку, тексты, аудиодорожки, рендеры и всё то, из чего обычно состоит бодрая контентная мясорубка.

Расскажу, как мы упёрлись в потолок по штату сотрудников, почему новые руки не ускорили процесс, как Telegram-боты заморозили готовые наработки и чуть не отправили проект в кому, зачем мы вернули деньги части клиентов и как всё это доросло до ERA2 Voice и ERA2 Music. Так факап стал для нас жёстким пинком к перезагрузке.

Внедрение ИИ в продажах часто начинается с подписки на ChatGPT, пары энтузиастов в команде и быстрого разочарования: письма звучат пластиково, промпты отнимают время, а менеджеры возвращаются к привычным шаблонам. Но проблема обычно не в самой технологии, а в выборе задач.

В статье разбираем, где ИИ действительно помогает продажам в 2026 году: ускоряет подготовку к звонкам, адаптирует follow‑up, анализирует разговоры, помогает с квалификацией лидов, КП и отработкой возражений — и где его лучше не подпускать к клиентскому общению без контроля человека.

Мы продолжаем увлекательное путешествие по миру удалённого доступа. В предыдущей части заглядывали под капот протокола доставки рабочего стола SPICE, а сейчас на операционный стол попала великая и ужасная ОС Windows - точнее, её графическая подсистема. Заглянем в её недры и окунёмся в её философию и историю развития. И заодно найдём интересные параллели в Linux.

Это вторая часть цикла про протокол SPICE и то, как он вынужден работать в современных условиях. Наша конечная цель - создать пилот стримингового агента для виртуальной машины на ОС Windows.

Приглашаю под кат всех, кто работает или сталкивается с системами виртуализации, с протоколом SPICE, с виртуальными машинами в принципе; кто интересуется такими темами как удалённый доступ и компьютерная графика; да и вообще всех любознательных!

Чему именно учится модель word2vec? Как она это делает? Ответы на эти вопросы мы поищем, анализируя то, как модель изучает представления данных при рассмотрении минималистичной, но достаточно актуальной задачи языкового моделирования. Модель word2vec — это широко известная предшественница современных языковых моделей. Но, несмотря на это, на протяжении долгих лет в распоряжении исследователей не было количественной прогностической теории, описывающей процесс обучения модели. В нашей новой публикации мы, наконец, представили общественности такую теорию. Мы доказали то, что существуют реалистичные, применимые на практике режимы, в которых задача обучения модели сводится к невзвешенной факторизации матриц с использованием метода наименьших квадратов. Мы занимаемся аналитическим моделированием градиентного потока. Представления данных, которые в итоге изучает модель, выводятся с помощью обычного метода главных компонент.

Каждые четыре недели Яндекс Браузер переезжает на новую версию Chromium. Обычный пользователь этого не замечает, но для команды разработки каждый такой переход — это более тысячи конфликтов кода и, как правило, несколько тысяч ошибок компиляции.

В одном обновлении сходятся около 10 000 коммитов апстрима и примерно 1500 наших изменений. В процесс вовлекаются десятки разработчиков, а суммарные трудозатраты команды на один цикл составляют несколько человеко‑месяцев.

Мы хотели сократить объём этой рутинной работы и освободить время команды для развития браузера. Для этого автоматизировали две самые трудоёмкие части процесса: разрешение конфликтов и починку компиляции.

Речь не про сценарий «вставить одну ошибку в чат и получить фикс». Здесь мы имеем дело с регулярным обновлением большого форка: тысячи проблем нужно разбирать пакетно, с учётом контекста апстрима и наших изменений.

В этой статье расскажем, как встроили LLM‑агента в процесс перехода на новые версии Chromium и что из этого получилось.

В последние годы наука переписала то, что мы знали о ловушке невозвратных затрат — и заодно показала, что выходить из неё всегда — не лучший совет. Разбираемся с последними исследованиями по теме: что не так с объяснением из учебника, где живёт эта ловушка физически, у кого настроена тоньше, и почему MoviePass обанкротилась именно потому, что её бизнес-модель работала слишком хорошо.

На Хабре я молчал с 2014 года. Но эта история вытащила меня наружу: слишком уж хотелось зафиксировать момент, где красивая сказка про AI‑видео заканчивается и начинается реальная работа — долгая, нервная и почему‑то всегда ручная. 

Мне нужно было сделать ролик. Можно было по классике нанять видеодизайнера, можно было собирать ролик своими руками, но тут появляется он — AI. Красивый, модный, весь из обещаний. Мол, зачем тебе команда, бюджет и сложный процесс? У тебя же есть пара подписок и вера в технологии.

Я в это поверил, и вот что получилось в итоге.

У каждого брошенного заказа на сайте есть своя причина — и она не всегда лежит на поверхности. Онлайн-опросы — ключ к пониманию истинных мотивов, по которым люди бросают покупки.

В статье разобрал, где и когда задавать вопросы, какие метрики (NPS, CES, CSAT) использовать, как избежать типичных ошибок и превратить фидбек в реальные действия по повышению конверсии, чтобы убрать барьеры на пути клиента.

Свет — это физическое явление, воспринимаемое человеческим глазом. Свет излучают или отражают предметы окружающего нас мира. Свет распространяется в воздухе, в воде, в оптическом кабеле, а также в отсутствии вещества, то есть в вакууме. Распространяясь в среде, свет поглощается и рассеивается веществом.

Свет распространяется с конечной скоростью. Скорость света в различных прозрачных средах меньше скорости света в вакууме.

В античные времена скорость света считалась бесконечной, хотя существовали и мнения, согласно которым свету нужно время для прохождения пути. Но доказательства конечности скорости света появились уже ближе к нашему времени.

В 17м веке датский астроном Олаф Рёмер наблюдал затмения Ио — спутника Юпитера. Ремер заметил нерегулярность затмений Ио. Время задержки затмений увеличивалось с увеличением расстояния между Землей и Юпитером. Максимальная задержка затмений Ио при различных расположениях Земли относительно Юпитера составила 22 минуты. На основании известных параметров орбиты Земли, Ремер вычислил скорость света в 220 000 км/сек.

В 1809 году французский астроном Жан‑Батист Жозеф Деламбр, проанализировав данные о затмениях того же спутника Ио за предыдущие 150 лет, вычислил, что свету требуется 8 минут и 13 секунд, чтобы преодолеть расстояние, равное среднему радиусу земной орбиты (астрономической единице). Используя уточненные данные о размерах солнечной системы того времени, он получил значение скорости света около 300 300 км/с.

Вскоре ученые перешли к экспериментам по определению скорости света между земными объектами. Главный прорыв произошел в середине XIX века во Франции, когда два физика‑конкурента придумали, как «прервать» или «засечь» луч света.

Большая языковая модель это не источник актуальных сведений, а статистическая система, обученная на данных прошлого. Она не обращается к внешним базам знаний и не узнает о новых событиях. Все что она знает было усвоено на этапе обучения и зафиксировано в ее параметрах.

В современных прикладных системах это ограничение часто скрыто за инструментами, поиском и дополнительными модулями. Однако именно архитектурный подход Retrieval-Augmented Generation, RAG стал стандартным способом расширения возможностей модели без ее дообучения. Он позволяет подключать внешние базы знаний, работать с актуальными документами и заметно снижать количество галлюцинаций.

В третьей части серии Базовый минимум разбирается как устроен RAG и как реализовать его минимальную рабочую версию на практике.

В этой статье разберём, как Unreal Engine строит Hierarchical Z Buffer (HZB).

Покажем, как вычисляются размеры mip-уровней, зачем нужно специальное округление float, как используются функции Gather, батчинг нескольких mip-уровней за один Dispatch, groupshared память, wave-операции и Morton Z Curve.

Пошаговый разбор шейдера с примерами поможет понять, какие оптимизации реально применяет движок, и как эти идеи можно использовать в собственных графических проектах.

Всем привет.
Сегодня будем обсуждать механику счётчика стиля из Devil May Cry, но в диалоговой системе!

Играя в DMC, я заметил, что момент, когда вы открываете счётчик комбо - а мне нравится это делать подкидыванием демонов в воздух - похож на то же ощущение, которое я испытываю при открытии сноски в диалоге. Это даёт ощущение перехода на более сегментированный аспект системы - сперва приёмы в воздухе, потом на земле и снова в воздухе. Или как у меня - диалог, сноска, диалог, сноска, сноска, диалог. Так что я решил попробовать добавить эту систему в свою демку.

Новая нейросеть от Google для генерации изображений выглядит чертовски впечатляюще.

Темпы, с которыми Google выпускает нейросети для создания изображений, поражают воображение. Не успели мы в ноябре 2025 года привыкнуть к Nano Banana Pro, как уже в феврале 2026-го компания представила Nano Banana 2. Задумка подкупает: качество уровня “Pro” на скорости “Flash”.

Но оправдывает ли новинка ожидания? Мы протестировали Nano Banana 2 вдоль и поперек, чтобы проверить её главные козыри: улучшенную отрисовку текста, сохранение заданных персонажей и интеграцию с актуальными знаниями из сети. Делимся результатами.

Хочу рассказать о том, как я создавал tg бота на локальной LLM Ollama и с какими проблемами я столкнулся. Бот написан на python и библиотеке telegram.

Почему выбрал именно Ollama? Потому что она бесплатна, есть множество открытых моделей и её очень просто развернуть в своем проекте. Если брать облачные решения от других компаний например ChatGPT, то тут можно упереться в то, что за них нужно платить.

Модели я подбирал под свой компик: 5070 и 32 гб оперативы. Сервера своего нету, поэтому бот работает только когда я дома.

Бот продолжает развиваться. Следить за обновлениями и новыми фичами можно в моем Telegram-канале: https://t.me/rocet_0

Небольшой рассказ - туториал о том, как на MikroTik реализовать удобное управление большим количеством VPN профайлов.

TL;DR: Ваша IDE знает о проекте всё — иерархии типов, ссылки между модулями, исходники библиотек, ошибки компиляции. AI-агент ничего из этого не видит и вынужден грепать код и логи. За один выходной можно написать плагин и CLI, которые выставят семантику IDE наружу — и агент получит те же суперсилы, что и вы. В статье — как это сделано на примере Eclipse и JDT, но подход переносим на любую IDE. Открытый код: github.com/kaluchi/jdtbridge.

Если ваши руки давно привыкли к Ctrl+Shift+G, Ctrl+T, Ctrl+Shift+T и сопротивляются переходу в другой редактор — вы, вероятно, в Eclipse. И вы точно знаете, что ваша IDE понимает код на уровне, который не снился ни одному AI-редактору. Но AI-агент об этом не в курсе, и как следствие, вынужден жечь десятки тысяч токенов на свои grep-ы.

Эта статья — не про методологии вроде TOGAF или Zachman Framework в их классическом корпоративном понимании. Это про системное мышление применительно к построению и масштабированию компаний. Целевая аудитория: технические основатели, CTO, и тимлиды, которые выросли из «решаем проблему кодом» в «строим организацию». Я постарался подсветить выход из тоннеля.