Протестировала 11 таск-менеджеров для личной продуктивности и управления проектами. Делюсь критериями выбора, типичными ошибками и чек-листом, который сэкономит вам недели на внедрение.

Привычные электретные, конденсаторные и динамические микрофоны создают на зажимах напряжение порядка 0,1 - 1 милливольт, а потому нуждаются в близко расположенном усилителе низкой частоты для преодоления потерь в проводах, наведённых помех, и, наконец, слышимого воспроизведения хотя бы в наушниках.

А как осуществлялась телефонная связь до изобретения радиоламп и транзисторов? Ведь сигнал должен был преодолеть сотни и тысячи метров провода с активным сопротивлением. Что если подключить телефон к линии посредством повышающего трансформатора? Но ведь трансформатор – не perpetuum mobile, его КПД ниже 100%, и если увеличить напряжение, то доступная сила тока уменьшится.

Не зная ещё электроники и даже не сформировав полноценной теории цепей, изобретатели создали микрофон, который был способен развивать достаточное для связи напряжение порядка 0,1-1 В. Это порошковый угольный микрофон, или просто угольный микрофон. Электрическая мощность на зажимах угольного микрофона больше акустической мощности, воздействующей на мембрану, т.е. он является акустоэлектрическим преобразователем и усилителем мощности одновременно.

Для проверки верности данного утверждения достаточно последовательно соединить динамический телефонный капсюль и угольный микрофон из трубки старого телефонного аппарата, и запитать схему от источника постоянного напряжения. При поднесении капсюля к микрофону возникнет положительная обратная связь по воздуху. Начнётся генерация звука и переменного тока в цепи, частота будет определяться резонансом мембран в области наибольшей чувствительности, т.е. в полосе 0,3…3,4 кГц.

Показываю, как ИИ берёт на себя две трети работы аналитика 1С — и делает её лучше человека.

Написать эту статью меня сподвиг свежий видеокурс «Аналитик. Старт» от Учебного центра №1 1С. Это не реклама: я не только хвалю его, но и покажу, где он неидеален.

В курсе приведен практический пример работы аналитика 1С. Мне стало любопытно – а сколько труда из приведенного примера сможет взять на себя ИИ? Получилось – две трети. Причём решение, предложенное искусственным разумом, оказалось принципиально лучше, чем вариант от учебного центра.

Эта статья о том, как правильно использовать ИИ агентов для кода, чтобы они генерили не помои, а стабильный продукт.

Здесь я не буду обсуждать, стоит ли использовать ИИ в разработке. Ответ однозначный: это новая реальность. Нейроагенты дали нам новый уровень абстракции, так же как от ассемблера мы перешли к компилируемым языкам, от них к скриптам, от скриптов к декларативному программированию. Цель у всего одна: научить компьютер понимать человеческий язык. И вот — цель достигнута.

Когда шок пройдёт, придёт понимание, что любой профессионал обязан использовать агентское программирование.

Привет! Меня зовут Николай, я C++-разработчик в SimbirSoft. Это продолжение цикла статей о проектировании библиотек на примере решения геометрических задач. В первой части мы разобрали классическое наследование с виртуальными функциями и использование шаблонов, сравнили их сильные и слабые стороны и посмотрели, какие ограничения возникают при расширении системы.

В этой статье речь пойдёт о более гибком подходе — использовании признаков (traits), тегов и концептов. Мы рассмотрим, как с их помощью можно построить архитектуру, устойчивую к «новым требованиям»: добавлению новых типов фигур, расширению размерности пространства или внедрению альтернативных алгоритмов без переписывания существующего кода.

Материал будет полезен C++-разработчикам, которые проектируют расширяемые библиотеки и хотят лучше контролировать баланс между гибкостью, безопасностью типов и сложностью реализации. Мы разберём практический пример, поэтапно усложняя архитектуру и объясняя, зачем вводятся вспомогательные сущности и как они помогают сделать решение масштабируемым.

Для комфортного чтения потребуется уверенное знание базового синтаксиса C++, понимание шаблонов и частичной специализации, а также общее представление о статическом и динамическом полиморфизме. Текст ориентирован на разработчиков уровня middle и выше, но может быть полезен всем, кто хочет глубже разобраться в архитектурных возможностях современного C++.

В этой статье я расскажу о том, на каком этапе сейчас находится разработка нашего устройства: о литье пластиковых деталей, создании приложения для iOS и Android, поездке аппарата в США и работе над новым прототипом.

Феномен Grokking и Mechanistic Interpretability — главные тренды в исследованиях лабораторий уровня OpenAI и Anthropic. Я решил потрогать эти концепции своими руками на уровне тензоров. Цель казалась тривиальной: заставить кастомный микро-Трансформер (всего 1М параметров) выучить базовую арифметику с нуля. Однако вместо математического гения я получил ленивого мошенника. Эта статья — инженерный детектив о том, как нейросети пытаются нас обмануть (Specification Gaming), и как вскрытие Attention-матриц помогает поймать их за руку.

Эксперты «Лаборатории Касперского» опубликовали итоговый отчет по угрозам для мобильных устройств за 2025 год. Всего за прошлый год было предотвращено более 14 миллионов атак с использованием вредоносного или рекламного ПО. Было обнаружено около 815 тысяч вариантов вредоносных программ, из которых 255 тысяч относились к банковским троянам. Большая часть вредоносного ПО относится к классу Adware (62%) и RiskTool (19%), троянские программы составили чуть больше 17% от общего количества зловредов, банковские трояны — 9%. При этом, по сравнению с 2024 годом, количество вредоносных программ, наносящих реальный урон, выросло, а доля нежелательного рекламного ПО снизилась.

Отдельный интерес представляют приведенные в отчете примеры неординарного вредоносного ПО, обнаруженного в 2025 году. Это, например, выявленный в конце 2025 года бэкдор Keenadu, который встраивался прямо в прошивки ряда поддельных Android-смартфонов. В отчете также отмечен IoT-ботнет Kimwolf (обзор на китайском языке), нацеленный на приставки Android TV. Зараженные устройства в дальнейшем использовались для проведения DDoS-атак.

На протяжении всего курса мы постоянно фиксировали некие функциональные роли и круг их обязанностей, характерный для каждой конкретной стадии производства. Теперь постараемся собрать все эти активности в единый атлас ИТ-специальностей, с распределением функций каждой роли, по этапам и стадиям.

Естественно, что весь этот сложный механизм приводится в движение благодаря непрерывному и слаженному взаимодействию всех специалистов в формате командной работы. Мы уже рассматривали основные алгоритмы организации команд в части “4. Классификация производства по структуре команд”

Следуя идеи стандартизации, и для оказания помощи в установлении, какой же именно специалист нужен компании на производстве, с каким образованием и опытом, для каких трудовых обязанностей должен подходить его профессиональный уровень и прочее, воспользуемся системой Профстандартов.

В Федеральном законе от 03.12.2012 № 236-ФЗ профессиональный стандарт определяется как характеристика квалификации, необходимой работнику для осуществления определенного вида профессиональной деятельности, в том числе выполнения определенной трудовой функции.

Градация квалификаций основана на нескольких характеристиках:

Существует тезис о «битах и ​​атомах»: он утверждает, что прогресс сосредоточился на программном обеспечении и информации (битах), в то время как достижения в физической инфраструктуре, энергетике и материалах (атомах), которые более непосредственно формируют физический мир, отстают, потому что их сложнее создавать и они требуют более длительных циклов исследований и разработок. Венчурный капитал, часто стремящийся к максимизации прибыли в краткосрочной перспективе, отдаёт предпочтение более простым компаниям, занимающимся разработкой ПО, а не более сложным, работающим с аппаратным обеспечением и промышленностью, что приводит к меньшему количеству прорывов в фундаментальных науках на «атомном» уровне.

Если посмотреть на историю вычислительной техники, то станет понятно, что многие ключевые технологии появились не потому, что они были нужны, а потому что кто-то не боялся задавать странные вопросы: Что если сигнал можно описать математически? Что если человек сможет «разговаривать» с машиной? Что если компьютер станет личным инструментом мышления?

Я был одержим процедурными картами с ещё детства, когда кидал кубики на таблицы случайных подземелий из AD&D Dungeon Master's Guide. В этом есть что-то волшебное — ты не проектируешь подземелье, а исследуешь его, помещение за помещением, а кубики решают, попадёшь ли ты в сокровищницу или в тупик с кучей крыс.

Спустя годы я решил создать собственный генератор карт. Он создаёт маленькие средневековые островные миры с дорогами, реками, побережьями, горами, лесами и деревьями. И всё это полностью процедурным образом. Генератор написан на Three.js WebGPU с TSL-шейдерами, примерно 4100 шестиугольников в 19 сетках генерируются за ~20 секунд.

Сначала я был уверен, что мой coding‑агент просто тупит. Он игнорировал свежие требования, изредка терял файлы, а иногда даже генерировал что-то совсем уж не в тему. Потом я открыл свои старые сессии — и стало неловко, потому что во всем виноват только один из нас — я. Я увидел, как сам ломаю контекст: смешиваю разные задачи, таскаю старое ТЗ и не вычищаю ненужные хвосты, когда уже пора.

Поразмыслив, я понял, что переоцениваю «магичность» модели и недооцениваю дисциплину использования. Ведь для успешного применения агентов важно, как построены сессии, заданы инструкции, настроены субагенты, команды и устойчивые skills — в общем, контекст, который мы закладываем в модель.

Эта статья предназначена для специалистов, работающих с LLM- и AI-агентами или планирующих их внедрение. Она будет полезна разработчикам, промпт-инженерам, специалистам по контекст-инжинирингу и техническим лидерам. В ней вы найдете мои советы по оптимизации AI-агентов для автоматизации задач, а после прочтения лучше поймете, как управлять контекстом.

Поводом к этой статье стал гайд Sankalp Shubham про Claude Code 2.0 и мои размышления о контекст‑инжиниринге. Здесь я совмещаю мини‑перевод ключевых идей с собственной практикой, чтобы показать, как приемы из гайда переложить на работу с любыми coding‑агентами (да и на работу вообще).

Некоторые даты, названия, имена и события намеренно изменены - дабы не получить по шапке.

Всем привет, мне немного годиков и я работаю в компании которая касательно IT-сферы застряла в конце 90-х. Хочу поделиться своей историей о том что это такое и как оно работает в 2026 году.

Четвертый выпуск еженедельных IT-новостей от OpenIDE. В этот раз: Opus 4.6 решил задачу, над которой Дональд Кнут сидел несколько недель, Cursor официально интегрировался с JetBrains IDE, а домен bot.ai ушёл за $1,2 млн.

Исследователи совершили прорыв в нейробиологии, успешно реконструировав динамичное видео исключительно по активности клеток зрительной коры мыши. Пока животные смотрели черно-белые ролики со спортивной гимнастикой и рестлингом, алгоритм считывал вспышки кальция в восьми тысячах нейронов и покадрово восстанавливал увиденное. Технология достигла беспрецедентной точности: на итоговых кадрах можно различить силуэты людей и контуры предметов. Это приближает науку к пониманию того, как именно мозг искажает физическую реальность.

На фоне всей этой каши между Anthropic, Пентагоном и OpenAI, думаю, самое время объяснить, в чём на самом деле ценность ИИ. Потому что именно через эту оптику всё происходящее наконец начинает приобретать смысл.

Дело вот в чём. ИИ — это троянский конь. Это эксплуататорская олигархия, нарядившаяся в костюм инструмента для повышения продуктивности. Давайте провалимся в очень неприятную кроличью нору.

Новые нейросети появляются на свет с пугающей скоростью. И речь не только о крупных гигантах вроде OpenAI – на арену выходят десятки моделей, которые можно запустить локально у себя на компьютере.

На моем счету уже есть статьи, в которых я не раз сталкивал лбами разные ИИ. Но из всех узконаправленных сравнений моя самая любимая сфера – без сомнения, программирование. 

Игроки первого эшелона – Anthropic, OpenAI и Google – не так давно подкинули нам новые версии своих моделей. Конечно, многие ждали выхода новой DeepSeek, но, к сожалению, чуда не произошло. Поэтому в сегодняшнем материале мы сосредоточимся на доступных нам флагманах.

В сегодняшней статье я сравню последние флагманские модели от ИИ-гигантов в кодинге. Не обещаю, что задания сами по себе будут сложными, но по крайней мере постараюсь, чтобы они ранжировались по возрастанию трудности их выполнения. Принимайте стратегически удобное положение, ну а я начинаю!

Я всячески люблю, когда разработка идёт предсказуемо – и многое для этого делаю.
Давно хотел написать пост о важности шаблонного сервиса, но не было хорошего примера под рукой. И тут мой коллега выложил наш шаблонный сервис на FastAPI, который мы долгое время использовали и развивали.

Так зачем же нужен шаблонный сервис?

Модель, которой комфортно работать, выдаёт измеримо лучший результат. Модель, которую загнали в угол — шаблонную дрянь. Как организовать процесс разработки, исходя из этого принципа.

Набор конкретных уроков из опыта разработки с AI-агентами: как ставить задачи, организовывать контекст, калибровать доверие к модели и выстраивать процесс от идеи до кода.

гайд по синхронизации obsidian vault через git с шифрованием через git-crypt и gpg (заметки хранятся на сервере в зашифрованном виде, локально обычный markdown )