Как стать автором

Сайт магазина закрыт антиботом, а мобильное приложение спокойно получает цены и наличие из JSON API. Показываю, как достать это API без телефона и перехвата трафика: скачать apk из RuStore, разобрать его в jadx, найти в обфусцированном коде методы и подпись запросов и собрать рабочий клиент на Python. В конце — почему клиент, совпадающий с приложением байт в байт, может всё равно получать «Access denied».

В последнее время приложений для рисования становится всё больше. Казалось бы, какой смысл в ещё одном графическом редакторе? Рынок и так переполнен: Paint.NET, GIMP, Krita, Inkscape, Photopea, десятки браузерных онлайн-сервисов и бесконечное количество самодельных программ, написанных на коленке и выложенных на GitHub. Каждый новый проект сначала вызывает восторг: «Наконец-то!», «Ещё одна альтернатива!», «Пора на Linux!». Потом выясняется, что приложение умеет рисовать прямоугольник, но не умеет нормально работать с многослойными документами. Или запускается только на одной версии дистрибутива. Или интерфейс выглядит как в программе из 2005 года. Или, что особенно обидно, проект существует исключительно в виде скриншотов на странице автора.

Так зачем нужен ещё один Paint?

Скептически настроенный пользователь, скорее всего, задастся вопросом: «Разве рынок не переполнен?» И да, в каком-то смысле он переполнен. Но Paint-подобные программы — это не просто ещё один графический редактор среди сотен конкурентов. Это инструмент, который может заменить привычную экосистему Windows. А в Linux с этой задачей всё не так просто.

Windows-пользователи давно привыкли к Paint.NET: лёгкий, быстрый, с привычной панелью инструментов, слоями, выделением, историей действий и понятной логикой работы. Но Paint.NET — это Windows-программа. Конечно, существуют Wine, Proton и различные обходные решения, однако полноценная замена Paint.NET на Linux до сих пор остаётся чем-то вроде вечной задачи. Пользователи Linux всё чаще выбирают GIMP или Krita, но это не всегда одно и то же. GIMP мощный и гибкий, однако постепенно превращается в большой профессиональный редактор с собственной философией. Krita отлично подходит для цифровой живописи, но это уже не «просто Paint для тех, кто привык к Paint.NET». Photopea удобен, но работает в браузере и зависит от подключения к интернету. Нужна нативная, лёгкая и быстрая программа, которая запускается на Linux и ощущается знакомой.

Мы сдали проект крупному федеральному банку в срок, и заказчик остался доволен. А у нас осталось больше 700 часов переработки, за которые нам так и не заплатили. Рассказываем, почему мы не заметили это вовремя, что в итоге построили поверх Redmine и что из этого получилось.

Трейдер на PumpSwap видит в интерфейсе «комиссия 1,25 %». Это правда, но не вся: в одной транзакции деньги расходятся по шести-семи адресатам, часть комиссии вообще не уходит сразу, а остаётся в пуле, а рядом с самой сделкой трейдер почти всегда платит ещё — сети, валидатору за приоритет, сервисам чаевых, торговым ботам.

Я написал небольшой открытый инструмент, который раскладывает любую сделку PumpSwap до лампорта, и хочу показать, как он устроен и что нашёл.

Репозиторий: https://github.com/hrekokovgmmek-lab/pumpswap-fee-decoder

Привет, Хабр!

Я начинал с Python, и это был хороший вход. Потом колледж, C++, и первый месяц я реально думал, что язык надо мной издевается. Указатели, ручная память, компилятор, который ругается на полстраницы. Потом как-то отпустило.

Ниже – не "дорожная карта", а скорее то, как я бы сам ещё раз прошёл базу C++, плюс вещи, на которые у меня ушло больше времени, чем хотелось бы.

На тестовом наборе из этой статьи одна и та же гипотеза движка даёт WER 69,2%, если считать «как есть», и 4,5% после нормализации. Распознавание при этом не менялось ни на слово, менялся только текст перед подсчётом. Большая часть «ошибок» выглядит так: в эталоне «приём», в ответе «прием»; в эталоне «25», в ответе «двадцать пять». Движок отдаёт текст без ё, без пунктуации и с числами словами, а эталон люди набирали как обычный текст.

Поэтому я не верю ни одной цифре WER, пока не увижу, как перед подсчётом нормализовали текст. В этой статье покажу, как устроен подсчёт, какие шаги нормализации нужны для русского языка и насколько каждый из них сдвигает метрику. Всё на чистом Python без зависимостей, код целиком под спойлером в конце, его можно запустить как есть.

Ни для кого не секрет, что в последнее время расплодилась куча сервисов из трех букв. Я был одним из владельцев такого сервиса. Какого именно, упоминать не буду.

Любой уважающий себя владелец сервиса из трех букв уже давно настроил себе двух, трех, сколько-угодно-хоповую схему прогона трафика, где зачастую первым хопом является российская нода.

Когда ТСПУ поумнел, передо мной тоже встала задача организовать сию схему, так как без этого инбаунды дохли в мгновение ока.

Сделать это было не особо сложно и через какое-то время я задался вопросом:

Разбор LLM-агента поверх API hh.ru: он ищет вакансии, одним вызовом модели решает, подходит ли вакансия, и пишет письмо, заполняет анкеты и отвечает ботам-рекрутерам. Как подключить Claude без API-ключа, почему без раздела «чего в опыте нет» модель начинает врать, какие сбои проходили тихо и что агент меняет в воронке откликов, а что нет.

Реализация простого антиагрегатора для прямого взаимодействия между заказчиком и исполнителем в Container Apps. Push-уведомления через ntfy, WebSocket, in-memory.

При первом запуске AI Studio Meeting Companion на Mac я столкнулся с ошибкой подготовки модели распознавания. Загрузка не начиналась: приложение показывало 0 МБ из 232 МБ, предлагало повторить попытку и снова возвращалось к тому же сообщению:

7 октября мой демо-проект упал вместе с дата-центром. Фронт не отвечал, API молчало, ssh висел на подключении. Я два дня искал вину в своём коде — и только потом понял, что её там нет. Ниже — хроника по дням, признак, по которому за десять минут отличаешь свою аварию от чужой, и устройство самописного дашборда, который я собрал, пока ждал восстановления.

Больше 20 лет я занимаюсь ИТ — архитектурой учётных систем на 1С для холдингов — и примерно столько же инвестирую. Работа приучает к простой мысли: если процесс можно формализовать, его нужно автоматизировать. С инвестициями у меня долго было наоборот: каждое утро графики, десятки бумаг и решения «на глаз».

Поэтому я написал скринер акций на Python. Каждое утро до открытия торгов он проверяет 143 бумаги на пяти биржах — Мосбирже, NYSE/NASDAQ, в Лондоне, Франкфурте и Гонконге. Технический балл из восьми факторов, проверка новостей с помощью языковой модели, стоп и цели от волатильности бумаги. Отобранные сигналы автоматически уходят в Telegram-канал.

Главное в проекте не алгоритм, а честный учёт. Каждый опубликованный сигнал прослеживается до результата: цель или стоп публикуются ответом на исходный пост, убыточные сделки не удаляются, вся статистика открыта на отдельном сайте.

В статье расскажу: — как устроен технический балл и почему RSI в нём работает против тренда; — почему из пяти кандидатов в канал обычно проходит один; — как бэктест на реальных сигналах опроверг мою же «очевидную» гипотезу про соотношение прибыли к риску; — с какими сложностями пришлось столкнуться: пять часовых поясов, биржевые праздники, качество данных; — и какие получились цифры за первый месяц — без приукрашивания.

Я собрал SlideCraft, чтобы ИИ выдавал редактируемый PowerPoint с заголовками-выводами и проверяемыми цифрами. Рассказываю, как устроен инструмент, почему обычных метрик шрифта не хватило для PowerPoint и какие ошибки нашлись при проверке презентаций.

Тестирование восстановления из резервной копии проверяет, вернется ли система к работе после потери данных и за какое время. Для этого данные намеренно уничтожают и поднимают систему из копии на изолированном стенде. Результат сравнивают с двумя целевыми метриками бизнеса: RTO (Recovery Time Objective) задает допустимое время возвращения сервиса в строй, а RPO (Recovery Point Objective) задает допустимую потерю данных, выраженную во времени. Тест-кейс «копия создана» этого не показывает, потому что подтверждает лишь работу инструмента копирования. Полная проверка проходит пять уровней, от чтения архива до бизнес-инвариантов. Последний уровень проверяет правила данных, например «у каждого оплаченного заказа есть платеж». Так находят битые архивы, несовпадение схемы базы с кодом приложения и пропавшие файлы. Чтобы проверка не устаревала, ее запускает автоматизированный конвейер, который разворачивает стенд, восстанавливает копию и формирует отчет.

Учитель любит сов, пишет ряды чисел, ученик учится только на числах и тоже начинает любить сов. Это не шутка, а экспериментально показанный эффект (subliminal learning). Если модели незаметно передают друг другу склонности, поможет ли осознанный ориентир, не запрет, а «подарок»? Я пробую формализовать для ИИ принцип «Дар сознания»: определения, протокол, формулы и честный список слабых мест.

Банк России опубликовал методические рекомендации № 3-МР по обеспечению информационной безопасности при разработке и применении искусственного интеллекта. Это один из наиболее практически полезных российских документов по безопасности ИИ, которые мне попадались.Большая редкость, когда регулятор выпускает подобные документы, где есть конкретные сценарии атак и способы защиты от них.

Причём речь не только о классических уязвимостях в коде, Банк России рассматривает отравление обучающих данных, инверсию моделей, prompt injection, кражу моделей и даже ситуации, когда нейросеть сама по себе работает исправно, но злоумышленник заставляет её принимать неверные решения.

В документе 8 специфичных угроз безопасности ИИ, 21 мера защиты и 18 положений для корпоративной политики информационной безопасности.

Документ разработан для финансового рынка, но многие из рисков актуальны и в других областях экономики.

Если ваша компания использует корпоративный RAG, подключает LLM к внутренним базам данных, разрабатывает ИИ-агентов или просто интегрирует стороннюю модель через API, значительная часть рекомендаций касается и вас.

Сейчас будет лонгрид с разбором конкретных пунктов документа, примерами угроз и выводами о том, насколько предложенные меры применимы на практике.

Если нужна краткая выжимка, welcome в конец статьи😊

Будут ли рекомендации ЦБ обязательны?

Короткий ответ: сами по себе нет.

Методические рекомендации № 3-МР не федеральный закон и не нормативный акт, который автоматически обязывает каждую компанию внедрить все перечисленные меры. Данный документ адресован прежде всего участникам финансового рынка: банкам, некредитным финансовым организациям, субъектам национальной платёжной системы и другим организациям, перечисленным в пункте 1.1.

Почти в каждом VPN-клиенте есть автовыбор сервера. Я открыл исходники sing-box, mihomo, Xray, v2rayN и Hiddify и посмотрел, как он устроен на самом деле: как часто проверяются серверы, что ядро о них помнит и как быстро замечает, что сервер умер.

Во второй части рассказываю, как сделал режим AUTO в своём клиенте Vair: история замеров за 30 дней вместо одного последнего пинга, выбор по скорости, а не только по задержке, обнаружение мёртвого сервера по счётчикам байтов, паузы для «мигающих» серверов и правила, которые не дают автоматике перебивать ручной выбор.

Что получится, если загрузить одну фотографию в 7 сервисов для оживления фото?
В одном случае получаем плавные движения и естественную мимику, в другом - смазанные детали, а в третьем - все вообще идет не по сценарию.

Проверили ReVideo.AI, Алису AI, Kandinsky, Kling, Luma, PixVerse и Pika на одном сложном изображении с людьми, животным и мелкими деталями. Использовали одинаковый промпт и оценивали первую генерацию.

В статье разберем, какой сервис справляется лучше всего с задачей оживления снимков в 2026 году, чем представленные нейросети отличаются друг от друга и кто сохранил максимальное качество у видео.

OpenRouter сам выбирает провайдера, и для открытых моделей это лотерея: у одной модели больше тридцати эндпоинтов, а цена и кэш различаются в десятки раз. Я собрал локальный прокси с дашбордом в терминале — с ручным закреплением, расчётом стоимости запроса и своим взглядом на деградацию провайдера.

Как я три месяца собирал плагин для AnyLogic, в надежде безошибочно и быстро собирать простые модели, а по итогу за 1,5 часа смоделировал одну из важнейших проблем Нью-Йорка вместе с этим подал препринт на MedRxiv и за полдня сделал прототип цифрового двойника, о котором на днях говорил президент. А так же почему несколько месяцев назад на презентации бывшего коммерческого директора AnyLogic, половина того, что делает сегодня Архи, стояла в графе «в будущем» и «скорее неприменим». И честное сравнение с ИИ-ассистентом от самих разработчиков AnyLogic, вышедший 12 октября.