Kurgan-Telecom Ru | Информационные технологии

Автор оригинала известен более всего статьей о человеке, который убил Гугл. На хабре даже был перевод. В последние годы Эд в основном пишет про финансовые проблемы компаний, занимающихся генеративным ИИ. Это перевод одной из статей на эту тему, посвященный недавней новости о том, что Anthropic вот-вот выйдет в прибыль.

Project Loom меняет привычную модель конкурентности в Java: virtual threads делают потоки дешевле, Scoped Values дают аккуратную передачу контекста, а Structured Concurrency помогает управлять жизненным циклом связанных задач. Разбираем актуальное состояние Loom в JDK 25-27 и что из этого уже можно использовать.

Новость «ИИ опроверг важную гипотезу Эрдёша» нашумела, в том числе на Хабре. Но всем, кроме математиков, по громким заголовкам сложно понять масштаб события. Что это значит: революцию в науке или мелкую разовую удачу? Как это правильно оценить?

Мы в Kodik занимаемся не математикой, а редактором кода с ИИ. Но именно поэтому такие истории интересны и нам: они позволяют наблюдать не только очередной виток хайпа вокруг LLM, но и постепенный заход ИИ в области, которые ещё недавно считались слишком сложными для подобных систем.

По исходному блог-посту от OpenAI оценить событие сложно, ведь компания заинтересована приукрашивать возможности своей модели. Но среди опубликованного OpenAI есть и более ценный материал: мнения ряда математиков о произошедшем.

Конечно, это тоже не абсолютная истина, математики могут ошибаться и быть предвзятыми. Но для понимания контекста подобные экспертные оценки важны. Поэтому мы решили, что на Хабре полезен такой контент, и перевели некоторые мнения из этого материала (с сокращениями). А если вы математик, то в комментариях интересно было бы узнать и ваше мнение.

Привет, Хабр! Меня зовут Екатерина Ионова и я руковожу проектами и продуктами экосистемы «Лукоморье». Когда-то программировала на Java и C#, но последние шесть лет занималась управлением — продуктами, командами, сроками, бюджетами и всем тем, что обычно находится вокруг кода, а не внутри него.

Недавно наша команда участвовала во внутреннем продуктовом хакатоне-акселераторе. За три месяца нужно было пройти путь от идеи и анализа рынка до финансовой модели и первого прототипа. У нас была идея нейроассистента для UX-проектировщика, сильная методология, дизайнеры, исследователь, продуктовая логика и не было разработчика.

Поэтому прототип пришлось собирать самим. Сначала в Lovable, потом в Cursor. В этой статье расскажу, как мы собрали рабочий ИИ-прототип за выходные, какие грабли поймали, что пришлось «накостылить» и почему даже работающий прототип всё ещё нельзя путать с продуктом. 

Это кейс о vibe coding в боевых условиях: когда надо быстро проверить гипотезу, а идеальной команды, инфраструктуры и времени у тебя нет.

ИИ учился писать, подражая людям, но теперь уже люди начинают подражать ИИ. Большие языковые модели постепенно вытесняют непредсказуемость и самобытность из нашей речи, подтягивая её к единому структурированному стандарту.

Большинство ИИ помогают работать быстрее. По-настоящему хорошие - делают пользователей компетентнее. Начинаешь с малого: просишь исправить письмо. Потом пробуешь сложнее - функцию на незнакомом языке. Затем поручаешь целую фичу. В какой-то момент ИИ уже кажется не стажёром, а экспертом. Сначала это впечатляет, что месяц работы укладывается в несколько дней. Но потом наступает момент, когда ИИ возвращает задачу с ошибкой. Ты не знаешь, как её исправить, и просто пишешь "попробуй другой подход", надеясь на удачу.

Не так давно я вспомнил один летний день в 2008 году. Электричка в пригород, в ушах «Bullet for my Valentine», что воспроизводится через музыкальный плеер Rover, в руках PSP, а у отца в рюкзаке портативный DVD-проигрыватель, что издалека можно спутать с небольшим ноутбуком.

А еще в те годы я мечтал о полноценном КПК на Windows от какого-нибудь HP, чтобы со стилусом был и «Червячков» запускал. В 2026 году практически всё вышеперечисленное нам заменяет смартфон, вон недавно даже игры с ПК запускать научились.

И на этом фоне я решил вспомнить, как это было тогда, в эпоху дифференциации потребления контента и разных гаджетов под разные задачи. Давайте вспомним эти гаджеты.

Компании массово внедряют ИИ-агентов и сокращают штат, ожидая быстрый ROI: меньше людей, больше автоматизации, ниже расходы.

Но свежие данные Gartner показывают неудобный парадокс: увольнения сами по себе не дают отдачи от ИИ.

Разбираю, почему стратегия убрать людей и поставить бота не работает, и что на самом деле отличает компании, которые получают пользу от автоматизации.

За последние годы я выучил наизусть классический набор инженерных рисков — упадёт сервер, отвалится канал к ДЦ, крешнется хард, потеряются бэкапы — и набор готовых решений под них. Это азбука, которая казалась исчерпывающей.

Но 2026 год преподнёс мне сюрприз. Создавая свой ИИ-стартап, я понял, что мир изменился, и в нём появился целый новый класс архитектурных рисков — таких, о которых в моей азбуке не было ни строчки. И ровно об эти новые риски я и пошёл спотыкаться.

Итак, усаживайтесь поудобнее и слушайте историю — историю про путешествия… путешествия нашей инфраструктуры и о реалиях разработки современных ИИ-стартапов из Москвы. Я расскажу вам о настоящем инженерном приключении, которое со мной произошло в процессе построения сервиса Mimirjotun.ru.

Парадокс Протагора и Эватла

Знаменитый философ и учитель софистики Протагор обучил юношу Эватла юриспруденции. Ученик обещал заплатить за обучение, но только если выиграет свой первый судебный процесс. Однако после окончания учебы Эватл не стал браться за дела и платить отказался. Тогда учитель подал на него в суд.

Спор:

Аргументация Протагора: Если Эватл проиграет суд, то он обязан заплатить по решению суда. Если Эватл выиграет суд, он выиграет свой первый процесс, а значит, обязан заплатить по условиям их изначального договора. Вывод учителя: при любом исходе ученик должен отдать деньги. Контраргументация Эватла: Если я выиграю суд, то по решению суда я ничего не должен платить. Если я проиграю суд, то я не выполнил условие договора (не выиграл свой первый процесс), а значит, по контракту я тоже ничего не должен платить. Вывод ученика: я не должен платить ни при каком исходе.

Рассуждения:

Логическая ошибка кроется в интерпретации фразы «выиграл процесс». У Протагора: «выиграть процесс» — это просто сам факт победы в суде (успешный исход дела). У Эватла: «выиграть процесс» — это значит освободиться от уплаты. Эватл подменяет понятия. Он считает, что если он выиграл суд, значит, он не должен платить по договору. Но одно не исключает другое: он может выиграть суд и при этом быть обязанным выплатить гонорар, потому что суд доказал его статус выигравшего дело (тем самым активировав договор).

Если рассматривать парадокс с точки зрения судебного права, то он возникает из-за смешения двух разных юрисдикций: условий частного контракта (договора) и власти судебного решения (закона). В логике этот софизм решается так:

Привет, Хабр! Меня зовут Даниил, я программист и архитектор, разрабатываю программное обеспечение и спецификации для создания ПО в YADRO. Продолжаю цикл статей об организации рабочего места по методу Spec-Driven Development. В первой части мы настроили агента Claude Code. Во второй расскажу, как настроить harness — программную инфраструктуру, выступающую оберткой для LLM, и наконец поделюсь решением задач по методу SDD.

Предисловие

Всем привет! В статье я расскажу о фундаментальном процессе мышления, который предшествует системному анализу. На нём строятся процессы определения и создания объектов, их вычленения в системе, придания им или выявления их свойств, и понимания системы как объекта. Речь идёт о понятийном механизме.

Хороший пример — самолёт, который в начале полёта отклоняется всего на 1–2 градуса, по итогу он прилетит в другой город. Так и с понятиями: ошибка на старте незаметна, но финальный результат делает систему неработающей. Поэтому нам критически важно наладить мосты между правилами работы мозга и создаваемыми объектами: блок-схемами, алгоритмами, информационными системами. Нужно на шаг отступить от действующих методологий и углубить знания об общем процессе.

Отсутствие этих знаний — это выдёргивание целой дисциплины из реального контекста и создание замкнутых условий, где удобно притягивать условия работы системы под то, «как должно быть».

Введение

Главный враг проектировщика (аналитика, разработчика, тестировщика) — чувство «мне всё очевидно». Зная, что мозг путает лёгкость восприятия чужой идеи с собственным пониманием, профессионал обязан насильно переизобретать для себя понятие заново (метод Фейнмана) в своей голове. Он не просто собирает алгоритмы или пишет код по готовым лекалам, а формирует внутреннюю модель предметной области с самого начала. Это единственная страховка от создания неэффективной модели.

Если ваш NestJS-проект собран по рекомендованной документацией feature-based-структуре — через год активной разработки у вас будет god-сервис. Не «возможно», не «при стечении обстоятельств» — структурно неизбежно. У этой структуры нет встроенного барьера от деградации.

Серия из пяти частей: пошаговый разбор траектории на сквозном Twitter-подобном бэкенде, расчёт ROI типичной деградации в долларах и человеко-часах ($30–60k в год для команды из двух мидлов, $6–15M в год для big tech — с полным расчётом в части 3), и формальное доказательство на языке теории графов, при каких структурных условиях деградация невозможна.

Часть 1 — старт траектории: AuthService с двумя ручками, который через год становится god-функцией на 200 строк с шестью параметрами и четырьмя независимыми доменами бизнеса. Без художественности — только реальные продуктовые требования (анти-фрод, реферальная программа, маркетинг, партнёрская программа) и их кумулятивный эффект.

В разговорах про инфлюенс-маркетинг я постоянно слышу: «это не влияет на бизнес», «охваты — это просто трата бюджета», «невозможно посчитать, окупается канал или нет». Опыт uForce говорит об обратном. За последний год мы накопили пул проектов, где инфлюенс-маркетинг становился ключевым драйвером узнаваемости и продаж. В этой статье я на реальных кейсах покажу, какие инструменты мы используем и как замеряем результаты, не зацикливаясь на кликах и промокодах.

TL;DR. Live Direct Marketing (LDM) — B2B email-платформа с собственным MCP-сервером. Веб-интерфейс и MCP экспонируют один и тот же /api/* через HybridAuthGuard, поэтому при подключении к голосовому ассистенту через MCP агент получает ровно ту же поверхность, что и пользователь дашборда. Без дублирования контроллеров, без отдельного agent API.

Опробовали в полевых условиях на VODEXPO 2026: голосовая команда → рассылка по сегменту базы → пофайловая верификация доставки в инбокс. Ниже — архитектура, фрагменты кода, и где это всё реально ломается.

ИИ-агент может бодро начать писать приложение, но на длинной дистанции быстро всплывают привычные проблемы: потеря контекста, слабая самооценка, заглушки вместо функций и уверенное «всё готово» там, где пользовательский сценарий разваливается.

В статье будем разбираться, как архитектура обвязки помогает удерживать агента в рамках задачи: зачем нужны планировщик, генератор и оценщик, как QA-агент проверяет результат через Playwright MCP и почему по мере развития моделей саму обвязку приходится постоянно пересматривать.

Собрали статьи про системы ИИ и разработку, опубликованные на нашей DIY-платформе «вАЙТИ». Есть как материалы в стиле «бери и делай» с примерами кода, так и посты с разбором проблем при использовании систем ИИ — например, о том, почему на первый взгляд рабочая система машинного зрения на поверку оказывается неработоспособной.

В Wasp мы создаём фулстек-фреймворк — наподобие Rails или Laravel для JS, только ещё и расширенный на фронтенд. Мы с моим братом-близнецом начали этот проект в 2021 году, когда успешно прошли программу Y Combinator. За всё это время в общей сложности нам удалось привлечь $5 миллионов инвестиций.

Изначально мы хотели создать язык программирования, который бы абстрагировал типичные паттерны веб-приложений и в то же время позволял углубиться в любой стек (мы начали с React, Node.js и Prisma). Что-то вроде Terraform, но для стека веб-приложения, а не облачной инфраструктуры.

Теперь же, спустя пять лет стараний, мы поняли, что это было ошибкой. Создавать новый язык есть смысл под конкретные задачи и предметную область. В нашем же случае он людям не зашёл и создал больше проблем, чем принёс пользы.

В этой статье я расскажу, почему нам эта идея казалась перспективной, какие уроки мы вынесли и почему заменяем свой язык на TypeScript при том, что сам Wasp внутренне остаётся всё тем же.

Каждую неделю появляется новая песочница для агентов. Большинство таких решений опирается на встроенные механизмы Linux: namespaces, seccomp, cgroups и Landlock. Эти инструменты полезны, но они делят одно ядро с хостом и оставляют оператора внутри модели политик хоста. Полная microVM дает более четкую границу: ядро, которое вы сами выбрали, корневой диск, который можно проверить, сетевой линк, который можно записать, и отказ, который не становится состоянием хоста.

Друзья, привет! Возвращаюсь с продолжением.

В первой части мы разобрались, как поднять локальную LLM и пробросить к ней внешний доступ. Но до настоящей интеграции в продукт так и не добрались — модель работает, а что с ней делать дальше, непонятно. Сегодня исправляем это.

Поговорим про графовую инфраструктуру на базе локальных моделей — и не только локальных. Любых, поддерживающих OpenAI-совместимый протокол.

А теперь вопрос: что, если вам достаточно хорошо научиться писать граф — и вокруг него автоматически поднимется REST API, появится интерфейс для тестирования, трейсинг и мониторинг?