Kurgan-Telecom Ru | Информационные технологии

Сейчас вокруг AI-разработки игр происходит странная вещь. С одной стороны, появились инструменты, с которыми один человек действительно может делать то, для чего раньше требовалась небольшая команда. Код, графика, анимация, исследования, прототипирование — всё это стало в разы доступнее.

С другой стороны, интернет постепенно заполняется проектами, которые выглядят примерно так: «Я написал два промпта — и нейросеть сделала мне игру». После этого появляется вполне предсказуемая реакция: кому вообще нужна игра, которую никто толком не придумал?

И с этой критикой мне сложно спорить. Потому что если попросить AI придумать игру, сделать графику, написать код, придумать баланс и решить, зачем игрок должен во всё это играть, результат действительно очень легко превращается в то, что сейчас любят называть AI slop.

Но за последние недели разработки собственной игры я пришёл к совершенно противоположному выводу: проблема не в том, что в создании игры участвует искусственный интеллект. Проблема начинается тогда, когда человек перестаёт принимать решения. Ведь ИИ не может пока понять, а интересно ли в это играть?

Заказ в интернет-магазине редко живёт по идеальной схеме «создан → оплачен → доставлен». В реальности жизненный цикл объекта нелинейный: клиент оформляет заказ, но может передумать и отменить его; товар приходит с браком и требуется возврат; часть позиций не успела прийти и нужно отправить их отдельно. Попытка реализовать такие альтернативные сценарии, проверки прав и сопутствующие действия «в лоб» быстро превращает бизнес-логику в хаос из разрозненных if/else, проверок статусов и обработчиков по всему проекту.

В статье разберём, как с помощью компонента Symfony Workflow описывать сложные бизнес-процессы в виде явной модели состояний и переходов. На практическом примере рассмотрим, как задавать допустимые переходы, добавлять бизнес-правила и проверки, обрабатывать события и отделять описание процесса от кода, выполняющего конкретные действия. В результате получим не просто механизм управления статусами, а инструмент, который делает сложную бизнес-логику понятной, предсказуемой и удобной для сопровождения.

Выкатили новую фичу, а потом бэкендер со своим Firefox пишет, что у него что-то не работает? Или пользователь с Safari жалуется на неудобства? Ничего страшного: поищу причину в интернете, починю баг и продолжу использовать для разработки Chrome </sarcasm>.

В этой статье рассмотрим, почему проблемы кроссбраузерности никуда не пропали в 2026 году, и попробуем понять, как заранее определять появление ошибок.

За пять лет изменился не только ландшафт киберугроз, но и сама логика защиты цифровой инфраструктуры. Массовые атаки никуда не исчезли, однако рядом с ними закрепились более тихие сценарии: длительное присутствие в сети, компрометация цепочек поставок, использование легитимных инструментов и атаки на критические отрасли. Одновременно обострилась другая зависимость — от технологий, жизненный цикл которых находится вне российского контура управления.

Эта статья — третья часть цикла. В первой мы разбирали, как менялись цели и методы атак, во второй — как это проявилось в статистике реальных инцидентов. Теперь посмотрим на ответ государства: как регулирование прошло путь от защиты отдельных систем к технологической независимости, постоянному мониторингу и требованию быть готовым к инциденту не «на бумаге», а в реальной эксплуатации.

Герои кино и сериалов часто окружены реально существующими брендами. Они выбирают сумки Prada и высокие каблуки Manolo Blahnik, передвигаются на DeLorean DMC-12, звонят по iPhone, заказывают еду в McDonald’s. Но бывает, что зрителю показывают вымышленную компанию, кафе или товар, а потом несуществующие бренды появляются в реальной экономике, выходя за пределы художественного пространства. У этого явления есть название — обратное размещение продукта (reverse product placement). Сегодня расскажем о вымышленных брендах зарубежного кино, которые перекочевали в реальность.

Обмен чертежами и инженерными данными сегодня ограничен тремя путями: сложные внутренние PDM-системы требуют покупки дорогих лицензий для каждого внешнего контрагента, коммерческие облачные платформы представляют собой закрытый «черный ящик» без доступа к коду, а локальные хранилища (NAS) не дают ни 3D-просмотра, ни карточек изделий.

Идея открыть исходный код закладывалась с самого старта проекта, но была реализована поэтапно. Первым шагом в 2023 году стало открытие фронтенда (cdbs-app) под лицензией MIT. В 2026 году, с релизом v0.3.2, в статус Open Source под лицензиями GNU AGPL v3.0 и PostgreSQL License перешли все оставшиеся части платформы, полностью закрывая этот долг перед сообществом. Теперь это полноценное, независимое и технологически продвинутое решение для инженерных команд.

Первые полтора года я считал маржу так, как её считает любой, кто только что поставил термопресс в комнате: взял закупку футболки у поставщика, прибавил плёнку с чернилами, вычел это из цены для клиента. Получалось около восьмидесяти процентов, и я с этой цифрой спокойно жил, пока в конце года не сел сводить приход с тем, что реально осталось на счету. Осталось примерно вдвое меньше, чем обещали мои же расчёты по заказам.

Никакой мистики в этом не было. В первой цифре нет доставки, рекламы и оплаты чужого труда, а в остатке на счету они есть. Ниже разбор четырнадцати реальных заказов моей студии в Казани, каждый в двух колонках сразу, и попытка объяснить, куда девается разница между ними.

Команда VK Cloud перевела материал Netflix о двух подходах к автомасштабированию Apache Flink. Сначала компания разработала собственный автоскейлер, который анализировал внешние метрики кластера и эффективно экономил ресурсы на простых потоковых конвейерах. Но с ростом числа stateful-задач и сложных графов обработки этого стало недостаточно.

В статье — о том, чем автомасштабирование на уровне отдельных операторов отличается от масштабирования всего кластера, как Flink Autoscaler использует показатель True Processing Rate, зачем Netflix запускает отдельный Temporal workflow для каждой задачи и почему ради стабильности иногда выгоднее сознательно оставить запас вычислительных ресурсов.

Почему иногда юристы готовы прибить маркетологов?

Я патентный поверенный. Проще говоря — юрист по товарным знакам. За десять лет работы насмотрелся всякого дерьма.

Давайте расскажу, на каких дурных советах маркетологов из интернета предприниматели потом теряют миллионы рублей.

Проверьте и вы себя, на всякий случай.

Привет, Хабр! Меня зовут Саша, я пишу курс «Аудиоанализ, распознавание и генерация речи» в Яндекс Практикуме, работаю ML-инженером в аудиодомене и вообще послеживаю за индустрией.

Пару месяцев назад вышла статья по генерации речи от Alibaba — Qwen-Audio-3.0-TTS. И вот что примечательно: в таблице результатов на SEED-TTS-Eval есть строка Human, и это не какая-то модель-гуманоид, а настоящая живая человеческая речь, прогнанная через тот же бенчмарк, что и все системы в сравнении. Так сказать, контрольная точка отсчёта.

Так вот, у человека там ошибка 1,26, а у модели, про которую эта статья, — 0,84. На этой строчке я застрял и сел делать разбор, потому что за ней, возможно, стоит проблема поинтереснее самой модели. Вечная проблема метрик.

Под катом попробуем разобраться, что у них там происходит.

Один open-source тайм-трекер на Symfony имеет 4343 теста, и все они проходят. При этом каждое сохранение записи времени отправляет в базу три дополнительных SELECT запроса: ставку самой записи, ставку проекта и ставку активности. Если в одном flush() 50 записей, а столько строк показывает страница массового редактирования, только за ставками уходит 150 запросов. Тесты этот код покрывают, но ни один не падает, в них нет ни одной проверки проблем с запросами к базе данных.

Для решения этой проблемы сделал инструмент, которого в конце августа ещё не существовало. Правда, ещё до проверок сторонних проектов на N+1, он успел несколько раз обмануть меня самого, и всегда одинаково, показывал зелёное там, где на самом деле не работал.

В последнее время меня всерьез стала беспокоить безопасность RSA. Криптография RSA держится на сложности факторизации большого полупростого числа, но какое именно число можно считать достаточно «большим» — вопрос интересный. Web PKI отказалась от 1024-битного RSA больше десяти лет назад, и хотя я не знаю никого, кто факторизовал бы ключ такого размера, это вполне по силам какому‑нибудь правительству или другой организации с большим количеством машин. Буквально пару дней назад кто‑то факторизовал 862-битный ключ RSA-260 в рамках конкурса RSA Factoring Challenge. Это самая крупная факторизация, о которой я слышал.

Недавно OpenAI выпустила GPT-6 Astra. Новая модель стала лучше работать с длинными и сложными задачами, большим контекстом, файлами и инструментами. Для меня это интересный релиз ещё и потому, что AI я в основном использую не для написания кода. Я PM, поэтому мои основные задачи это требования, Jira, документы, анализ информации, планирование и подготовка материалов. Появление более мощных инструментов отлично экономит время, но не отменяет базовой логики: распределять ресурсы с умом и контролировать точки отказа. В этой статье делюсь личным опытом: как построить удобный loop взаимодействия с AI, почему Astra нужна далеко не всегда и какие проблемы процессов не решит даже самый продвинутый алгоритм.

После статьи «Зачем вести базу знаний, если ты не блогер и не спикер» знакомая спросила: «А можно я туда сразу агента посажу, чтобы он всё делал за меня?» Я начал отговаривать, хотя сам сижу в Claude Code и под базу у меня крутятся собственные субагенты.

Карпатый и Infinite Brain отвечают на вопрос, как сделать базу удобной для LLM. На другой вопрос, что при этом происходит с твоей головой, не отвечает ни один. В моей базе больше шести тысяч заметок, и я всё чаще помню, что про это что-то есть, но не помню что.

Разбираю три позиции: LLM-wiki Карпатого, Infinite Brain и тренажёр Рустама Агамалиева, где агент не читает за тебя, а показывает, где должна включиться твоя мысль. Показываю, что из агентских практик прижилось в моём frontmatter, что я попробовал и выкинул. И провожу границу: что агенту можно отдать с первого дня, а что нельзя никогда.

MCP-сервер - это по переходник между ИИ и внешним сервисом. Например, один MCP читает файлы на ПК, другой - программирует, третий - ищет инфу в интернете. 

То есть ИИ в основном отвечает на вопросы, анализирует и генерит картинки, а через MCP он может еще подключаться к Figma, Google Drive, базе данных, браузеру, почте и тысячам других сервисов.

В этой подборке я собрал 100 самых популярных MCP-серверов - вместе они набрали ⭐3.1 млн звезд на GitHub.

Всем привет, я Владимир Назаров, основатель и руководитель агентства поискового маркетинга Head Promo.

Сегодня вновь хочу поговорить о теме GEO‑продвижения и ответах нейросетей. Тема уже укрепилась, многие про неё слышали и используют ИИ как отдельный маркетинговый канал.

Но сегодня я не про то, как попасть в ответы. А про то, что важно не только в них попасть, но и про то, как именно нейросеть будет говорить о бренде компании.

Бренд может регулярно появляться в ответах ChatGPT, Алисы и Perplexity — и при этом проигрывать конкурентам. Нейросеть может включить компанию в подборку, но поставить её ниже, описать без преимуществ или представить как второстепенную альтернативу. Поэтому одного показателя видимости недостаточно: необходимо оценивать то что я бы назвал «качество присутствия бренда в ответе».

Давайте рассмотрим на примере китайских авто, попросим Perplexity нам порекомендовать надежный китайский бренд:

WAF нужен не только крупным порталам и интернет-магазинам, но и любому сайту, доступному из интернета, – вплоть до скромной страницы с услугами или обычной корпоративной визитки. Боты не делят жертв на «достойных атаки» и «слишком маленьких»: они работают массово и автоматически, перебирая всё подряд. Разбираем, как устроен WAF, от каких атак защищает, где его разворачивают и почему он не заменяет базовую гигиену безопасности.

С 20 мая 2026 года вступил в силу приказ ФСБ России от 22.04.2026 № 161, утвердивший новый Порядок аккредитации центров государственной системы обнаружения, предупреждения и ликвидации последствий компьютерных атак и единые требования к таким центрам. Для организаций, планирующих передать функции мониторинга и реагирования на киберугрозы внешнему исполнителю, это означает появление четких и объективных ориентиров выбора.

В статье систематизируем все измеримые требования, которые должен проверить Заказчик, чтобы принять обоснованное решение и минимизировать риски при взаимодействии с аккредитованным Центром ГосСОПКА. 

AI‑агенты часто теряют качество не из‑за ограничений LLM, а из‑за неправильно организованного контекста. В статье разберём типовые ошибки работы с контекстом: перегруженные базы знаний, отсутствие памяти, устаревшие инструкции и попытки решить всё одним промптом. Поговорим о том, как выстроить архитектуру знаний, чтобы AI‑агент стал предсказуемым инструментом.

Три способа тихо сломать приложение сборкой зависимостей: два пула к базе, не тот кэш, разъехавшиеся ветки конфигурации. Компилятор их не ловит — типы верные. Рантайм-контейнеры ловят половину и приносят свои отказы. Про diogen — compile-time DI для Go: внедрение зависимостей на этапе компиляции, обычный Go-код на выходе, без рантайм-контейнера и без рефлексии.