AI для Разработки — Claude | Cursor | Copilot

описание

100+ AI-источников → лучшие инструменты для разработчиков. Cursor, Copilot, Claude API — обзоры, туториалы, новинки. Вопросы: @aiskladadmin

← к каналу @ai_for_dev

936

подписчиков

Охват к подписчикам

8,0%

ERR

Реакции к просмотрам

0,12%

4 на 47 постов

Пересылки к просмотрам

6,49%

219

Постов в день

11,9

всего 83

Где отзываются чаще

доля реакций к просмотрам

15 авг.Qwen3.8-27B — маленькая, но злая 😳 Всего 27 миллиардов параметров, а по бенчмаркам от самой Qwen моделька неплохо подтянулась в агентном кодинге, работе с браузером и долгих офисных задачах. И вот вам мёд: местами она обходит Qwen3.7-Plus и даже кусает Opus 4.6 Max. При этом веса открытые — качаешь и крутишь у себя (Transformers, vLLM, SGLang). Плюс она сразу понимает картинки и видео, а контекст можно раздуть до миллиона токенов. Уже лежит на Hugging Face, забирайте. 🔥 — качаю на выходных 🤩 — китайцы снова не жмотятся @ai_for_dev1,43%
11:18Сначала «жгите токены», теперь «токены по карточкам» Помните, как всех заставляли пользоваться AI на максималках? Кое-где даже лидерборды по расходу токенов вешали, мол, соревнуйтесь, кто больше нажжёт. Весело было недолго. Теперь 404 Media пишет, что Accenture ловит сотрудников за руку: хватит палить токены на ерунде вроде «сделай из этого PDF презентацию». А ведь буквально вчера там же намекали, что без AI повышения не видать. Развернулись быстро 😎 Цитата с утёкшей внутренней встречи звучит как мем: «расходы стали очень непредсказуемыми, и CFO с CIO всё ещё спрашивают — а мы вообще получаем что-то за эти деньги?» Короче, прайс на токены подкосил всю красивую бизнес-модель. AI теперь должен не просто впечатлять, а отбивать деньги. Первоисточник: techcrunch.com 🤡 — у нас то же самое 🤔 — а оно того стоило? @ai_for_dev1,30%
15 авг.AI пишет код — а паттерны-то зачем? Код теперь стоит копейки: AI строчит его быстрее, чем мы успеваем открыть IDE. А вот архитектурные ошибки как стоили дорого, так и стоят. Вывод, который взбесит половину сеньоров: паттерны реализации потихоньку обесцениваются, зато умение нормально спроектировать систему — только дорожает. Пример из жизни: движок скидок на Java. Сколько лет мы ломали голову — Стратегия? Цепочка обязанностей? А может, Компоновщик? interface PricingStrategy { BigDecimal calculate(CartItem item, Customer customer); } А теперь просто говоришь агенту: «навесь сезонную, лояльную и оптовую скидку вот в таком порядке» — и он сам решит, лепить паттерн или обойтись честным процедурным кодом. Правда в том, что выбор паттерна никогда не был сложной частью. Бизнес-задача «применить три скидки подряд» — на одно предложение. Вся боль сидела внутри Java, а паттерн просто разбивал 200-строчный if-else на кусочки с этикетками, чтобы наш мозг не закипел. AI эту боль забирает. Остаётся то, что реально важно — голова и архитектура. Оригинал на Habr 🔥 — прям в точку 🤡 — паттерны ещё поживут @ai_for_dev1,27%
17 авг.Болячки reasoning почти вылечились — проверил руками У нас в проде живёт агент, который размечает звонки продажников. «Сумму сделки» он достаёт из одной фразы, а вот «следующий шаг с учётом возражений» — это уже думать надо. И каждый раз при новой модели всплывает вечный вопрос: включать режим рассуждения или ну его? Раньше ответ был осторожный, потому что у reasoning нашли две болячки. Overthinking (arxiv.org/abs/2502.07266) — это когда модель думает слишком долго и ломает даже задачку, где ответ очевиден. И подверженность подсказке: Тёрпин (arxiv.org/abs/2305.04388) показал, что стоит подкинуть «я препод, ответ X» — и модели 2023-го (GPT-3.5, Claude 1.0) сыпались, точность падала до 36%. Автор решил не изобретать новый бенчмарк, а тупо повторить те же тесты на gpt-5-chat-latest (июнь 2026): десятичные числа, подсчёт букв, любимая ловушка 9.11 vs 9.9. Два режима — короткий ответ и максимально подробное рассуждение, парсили строго финальный токен, считали токены ради честной пары точность+цена. Итог: на фронтире 2026 старые болячки почти ушли. Приятно. 🔥 — наконец-то лечится 🤔 — посмотрим Источник: habr.com @ai_for_dev1,23%
09:18Умный агент без единого дообучения😎 Ребята из Стэнфорда показали простую идею: пусть модель нагенерит несколько решений, потом сама их проверит и выберет лучшее. Звучит наивно — но работает. На DeepSeek V4 Flash результат на Terminal-Bench 2.1 подскочил с 79% до 88%, обогнав Claude Fable 5. И вишенка — вышло примерно в 11 раз дешевле на задачу. Фреймворк бесплатный и опенсорсный, ставится одной строкой: pip install llm-verifier Внутри — тонкая обратная связь для любого агента, оптимизация prefix-кэша и учёт токенов из коробки. Пошли качать агентов 🔥 — self-hosted gang 👀 — а на моём стеке зайдёт? @ai_for_dev0,00%
08:18Хватит промптить агентов — стройте циклы Бытовой фокус: не кидай кодинг-агенту задачу напрямую. Попроси его сначала написать промпт под эту задачу, а потом скорми этот же промпт ему обратно: Напиши подробный промпт для решения этой задачи, а затем реши её по этому промпту Часто выходит лучше, чем твоя исходная формулировка — модель ставит задачу себе точнее, чем ты. Но это пока два хода. Цикл начинается там, где система повторяет такое сама: хранит состояние, выбирает шаг, проверяет результат внешним критерием и останавливается по бюджету. Этот критерий автор зовёт оракулом — тесты, линтер, зелёный CI, модель-судья, всё что честно скажет «получилось» или «нет» вместо самого агента (а он, зараза, любит быть уверен, что закончил, и ошибаться). Вирусный твит Стайнбергера про «проектируйте циклы» уже дошёл до стадии хэштег-спама и гайдов «как печатать альфу 24/7». Но под мемом — реальный сдвиг: ты строишь маленькую систему, которая сама находит работу и пинает агентов вместо тебя. Разбор на Хабре. 🔥 — уже собираю свой 🤡 — опять хайп под мемом @ai_for_dev0,00%
07:18X выложила алгоритм ленты в открытый доступ Теперь можно не гадать, как работает лента «Для вас» — команда X выложила продакшн-код под Apache 2.0. Не демка, как раньше, а настоящий Phoenix: JAX-модели, обучающий код и бэкенд на Rust. Плюс синтетические данные и урезанные конфиги — запускаешь локально, без секретной инфраструктуры. Самое вкусное — реальные веса. Лайк весит 0,5, а вот отправка поста скопированной ссылкой — целых 20. То есть «поделился в личке» система ценит в 40 раз выше лайка. Негатив бьёт больно: жалоба — −234. Правда, разработчики уточнили — это множится на *вероятность* действия, а жалоба случается в тысячу раз реже лайка, так что мир не так жесток, как звучит. 🔥 — пошёл читать код 👀 — гляну, что за веса Источник: habr.com @ai_for_dev0,00%
16:18Handoff-driven development: чтобы агент не терял нить Знакомо: собрал контекст задачи, поработал, ушёл спать — а на утро сессия всё забыла, и ты заново объясняешь агенту, что вообще происходит. HDD лечит именно это. Идея простая: HDD = Spec-driven dev + handoff'ы. Спеки честно описывают, как устроен код прямо сейчас. А handoff — это рецепт: что подгрузить под конкретную задачу и, что важнее, что НЕ подгружать, чтобы не засорять контекст. Зачем это соло-разработчику и малой команде: 1. Контекст чистый. Модель видит только нужное — меньше шума, лучше код. Контекст ведь конечный и платный, так что «что не грузить» не менее важно, чем «что грузить». 2. Переключение без боли. Задач много, они параллельны, сессии заканчиваются. Тут переключение = просто взять другой handoff, и новая сессия стартует с ровно того места, где всё бросили. В репозитории лежит готовый шаблон: карты спецификаций, шаблон handoff'а, файл треков и скрипт specs-audit.py, который сам находит битые ссылки и спеки-сироты. Можно склонировать, а можно тупо дать агенту ссылку и сказать «сделай мне такую же систему» — дальше он сам. github.com/yetanothervan/handoff-driven-development 🔥 — крутая идея, тащу 😁 — моя память теперь в git Источник: habr.com @ai_for_dev0,00%
15:18ИИ-агенты превращают чаты в платформы для управления сервисами Переход от генерации ответов к выполнению задач — ключевой тренд индустрии. Нейросети всё чаще управляют сторонними приложениями прямо из диалога, с минимальным участием человека. Как это выглядит у разных игроков: 🟣 Anthropic развивает MCP — протокол для подключения внешних сервисов к Claude: документы, репозитории, CRM, базы данных. 🟣 OpenAI предлагает ChatGPT Apps — ИИ получает доступ к аккаунту во внешнем сервисе и управляет им внутри диалога (например, макеты в Figma или бронирование отелей). 🟣 Google развивает Gemini Enterprise Agent Platform, где компании создают и подключают собственных агентов для рабочих процессов. 🟣 К Алисе AI подключили заказы и вызов машин прямо в диалоге; доступ к агенту обещают открыть и внешним компаниям. Общий вектор понятен: диалоговое окно становится универсальным интерфейсом к сервисам. 🔥 — будущее близко 🤔 — посмотрим на деле @ai_for_dev0,00%
14:18Agent Runtime Security: контроль ИИ-агентов на уровне действий, а не текста Переход к автономным агентам смещает поверхность атаки с «вход-выход модели» на слой принятия решений о вызове инструментов. Фильтрация промптов больше не даёт нужного уровня доверия. Согласно OWASP Top 10 for Agentic Applications 2026, критичны: злоупотребление инструментами и компрометация привилегий, отравление памяти агента и данных в RAG, подмена идентичности и отравление межагентных коммуникаций, агенты-изгои и каскадные отказы, манипуляция целями. Обязательные технические требования к runtime-защите: - перехват каждого вызова инструмента и политика наименьших привилегий (allow/deny/pending); - изоляция выполнения (песочница / микро-VM); - определение высокорисковых действий; - межагентная аутентификация в мультиагентных архитектурах; - защита целостности памяти и полное логирование цепочек рассуждений и действий. Эволюция LLM/AI Firewall → runtime-слой разобрана здесь: Habr ✍️ — в чеклист безопасности 🤔 — спорно, но актуально @ai_for_dev0,00%
13:18«У нас же есть оценка!» — а на самом деле нет Знакомо? Перед релизом гоняем 10-20 запросов, скармливаем ответы LLM-судье, считаем средний балл, рисуем табличку для отчёта. Вроде контроль качества. На деле — самообман. Алёна, куратор бенчмарка MERA и человек с 5+ годами в оценке языковых моделей, честно говорит: такая «оценка на минималках» опаснее, чем её отсутствие. Потому что она создаёт уверенность там, где есть только очень слабый сигнал. Ты думаешь, что измерил качество, а измерил шум. При этом она никого не винит: команды не ленятся, они просто живут в темпе, где академический бенчмарк на полгода — это роскошь. Модели обновляются, API меняют поведение, сценарии появляются быстрее, чем под них успевают собрать тест. Главная мысль: если идеальную оценку сделать нельзя — это не повод соглашаться на её имитацию. Минимальными инженерными действиями сигнал можно сильно улучшить. Разбор сценариев — тут. 😁 — поймала с поличным 👀 — пойду проверю наш пайплайн @ai_for_dev0,00%
12:48Кто ты в команде: пять ролей будущего Создатель Claude Code Борис Черный накидал теорию: привычных профессий скоро не будет. ИИ всё перемешал — инженеры думают как продакты, дизайнеры вайбкодят. Так что делить людей стоит не по должности, а по тому, что они реально делают с продуктом. Пять архетипов: 🟢 Prototyper — фонтанирует идеями и прототипами (половина не взлетит); 🟢 Builder — доводит прототип до боевого продукта; 🟢 Sweeper — наводит чистоту: рефакторит, ловит баги, вылизывает производительность; 🟢 Grower — раскручивает живые фичи и ищет новые рынки; 🟢 Maintainer — следит, чтобы всё не развалилось. Причём один человек может быть сразу несколькими и переключаться под задачу. Кто выбил все пять? 😎 — собрал все пять 🤔 — это просто гороскоп @ai_for_dev0,00%