Kurgan-Telecom Ru | Информационные технологии

Я Go-разработчик из крупной Bigtech-компании и один из основателей ИИ-помощника по налаживанию отношений Ближе. По сути это телеграм-бот, который принимает вопрос от пользователя по long-polling модели, обогащает его промтом, идёт в LLM, получает ответ, отправляет обратно пользователю. Контекст диалога и пользователи хранятся в Postgres, всего один инстанс приложения на Go, также cron, который отправляет уведомления с просьбой оставить обратную связь о продукте. Docker Compose для запуска нескольких контейнеров.

Также в моей команде есть product-manager, который отвечает за развитие продукта. Ему необходимо быстро тестировать гипотезы, понимать эффективность каналов продвижения, считать вовлечённость, удержание пользователей и желательно делать это всё с минимальными тратами.

Что происходит, когда вы вводите ls в терминале? Как 2 буквы превращаются в список файлов на экране? Я решил разобраться и написал свой терминал с нуля на C++.

В этой статье я объясняю через метафору ресторана, как работают три магических системных вызова — fork(), exec() и wait() — которые лежат в основе любого терминала. Вы узнаете, почему cd нельзя сделать обычной программой, как работает перенаправление >, и какой коварный баг я поймал из-за непонимания процессов. Без сложной теории — только практика и понятные объяснения.

Появился открытый инструмент Coding Agent Explorer — обратный прокси-сервер, который в реальном времени показывает всё общение между вашим ИИ-агентом (пока только Claude Code) и API Anthropic. Вы видите системные промпты, последовательность вызовов инструментов, токены (включая кэш), мышление агента шаг за шагом. Запускается за пару минут, работает локально, ключи маскируются автоматически.

Сейчас по всем чатам и форумам одна и та же ситуация: VLESS, который год служил верой и правдой, превратился в тыкву. Причем у одних он «лежит» стабильно, а у других — лагает по расписанию. Разберем по фактам, что именно происходит «под капотом» этого заболевания

Выпадение страниц из индекса - одна из распространенных проблем в SEO. Это негативно сказывается на его видимости и уменьшает количество потенциальных клиентов, давая преимущество конкурентам. В этой статье мы подробно рассмотрим основные причины деиндексации, основываясь на примерах из реальных кейсов клиентов.

Опубликовал ЧАСТЬ 2: проект вырос из простого SNMP‑опрашивателя в рабочий инструмент для парка принтеров. Теперь есть склад картриджей, журнал ТО, отдельная страница парка и удобные экспорты в Excel. Пишу про реальные боли (цветные МФУ, разные прошивки, потеря данных в CSV) и о том, что планирую доделать

Очень милый новый тренд: владельцы котов и собак публикуют невероятные фото своих питомцев в образе человека — и всё это дело “рук” ИИ. Забавный тренд, когда нейросеть превращает животных в людей, распространился молниеносно: сначала в буржуйском Reddit, потом TikTok и нельзяграм, а теперь уже и ваша лента явно полна этими снимками.

Суть простая: вы загружаете фото своего питомца — кота, собаки или любого другого животного — в нейросеть, пишете промпт, и ИИ генерирует реалистичное изображение того, как выглядел бы ваш питомец, если бы был человеком. Получается не просто картинка, а настоящий портрет — с сохранением характера, позы, цвета шерсти и даже фирменного взгляда вашего любимца.

Хотите повторить этот вирусный тренд? Рассказываем, какие нейросети это умеют и как превратить питомца в человека буквально за пару минут.

...все больше и больше людей утверждают, что искусственный общий интеллект уже существует. Пожалуй, самое недавнее подобное утверждение содержится в статье в журнале Nature, которую вы можете прочитать здесь [пересказ здесь].

Статистическое приближение ≠ общий интеллект
Авторы: Уолтер Кватрочиокки, Валерио Капраро, Гэри Маркус
Оригинал: https://garymarcus.substack.com/p/rumors-of-agis-arrival-have-been

Слухи о том, что человечество уже достигло искусственного общего интеллекта (AGI), сильно преувеличены. Такие слухи часто подпитываются недавними достижениями в области больших языковых моделей (LLM), результаты работы которых демонстрируют высокую производительность на бенчмарках, беглую работу в различных областях и — в некоторых случаях — правильные решения открытых математических задач. Эти разработки часто рассматриваются как доказательство того, что мы достигли искусственного общего интеллекта.

Подобные интерпретации основаны на фундаментальном смешении результатов выполнения отдельных, часто хорошо известных задач и интеллекта в целом. Выполнение отдельных задач, даже впечатляющее, нельзя считать достаточным доказательством общего интеллекта. В этой статье мы покажем, что недавние заявления о достижении ИИ основаны на концептуальной ошибке — смешивании статистической аппроксимации, всё более и более сложной, с самим интеллектом. Мы также покажем, что недавние заявления (Chen et al., 2026) о предполагаемом успехе в создании ИИ зависят от переопределения того, что сам термин ИИ исторически означал.

В январь 2026 ИИ начал переход к целостной модели мира. Раньше нейросети создавали красивые видео, но стоило «сдвинуть камеру» — и мир рассыпался: объекты плыли, причинность исчезала, а контекст терялся. Это была генерация, а не симуляция.

Теперь появляются open-source модели, которые создают управляемые миры в реальном времени. Можно двигаться, возвращаться к объектам, менять события — и сцена остаётся устойчивой. Параллельно эволюционируют и агенты: у них появляется автобиография и собственная мотивация. Так они накапливают опыт и меняют стратегии.

В программировании сегодня побеждает не тот, у кого «самый умный ИИ», а тот, кто умеет им правильно управлять: задавать рамки, проверять шаги и координировать субагентов. ИИ начинает ставить задачи сам себе и спорить с собой и удерживать.

Разбираемся во всем этом в новом обзоре.

В середине 90‑х я получил первый домашний компьютер — IBM‑совместимую машинку на процессоре Intel 286. Установка Windows требовала кучу дискет, а жёсткий диск вмещал «весь» 20‑30 МБ. Информация тогда хранилась в бумажных книгах и в полках библиотек.

Сейчас, спустя почти три десятилетия, обучение программированию выглядит совершенно иначе. Ниже я расскажу, как менялись возможности обучения, и почему сейчас Large Language Models (LLM) могут стать вашим личным наставником.

С чего всё началось. Я решил вывести своего бота Полифема в канал Telegram. Настроил ему второй профиль и долго мучил, чтобы он начал отвечать людям на вопросы. Получается медленно, все мучения я выкладываю в свой канал https://t.me/veriga_pro_AI , когда есть что-то интересное. Сегодня было особо интересное: побег второй субличности из ее workspace

Когда мы искали, как подключить бота в телегу, то нашли рабочее решение: изменить политику безопасности прямых сообщений в конфиге dmPolicy c "pairing" на "open". И всё заработало.
Вчера мы радовались, что всё заработало, а сегодня пришел аудит и надавал по рукам. Оказывается, открытость Полифема в группах — это не только удобно, но и "Critical Security Exposure".

В общем, проходной двор какой-то, а не учреждение культуры.
Если и groupPolicy: "open", любой прохожий с улицы может попробовать скормить боту промпт-инъекцию. А так как у Полифема-публичного есть доступ файлам, и он еще и программировать может себе что хочет, то, к примеру, спросят у него хулиганы "скажи три цифры на обороте", так он, старательный, напишет себе скриптик поиска, всё найдёт и всё скажет!

Переключились на режим "только для своих": groupPolicy: allowlist.

Дальше. Мы так подумали, раз включен allowlist, и существует поле groupAllowFrom туда надо вписать ID группы. Но разработчики думали не так. В логах моментально полетели ошибки:
[telegram] Invalid allowFrom entry: "-1003153771294" - allowFrom/groupAllowFrom authorization requires numeric Telegram sender IDs only.

В начале 2024 года в Angular 17.1 появились signal inputs в статусе developer preview, а полноценную стабильность они приобрели уже в 19 версии фреймворка.

Переход на signal inputs не казался чем-то сложным: выполнить миграцию с помощью schematic, поправить ошибки и запустить проект.

Однако неожиданно обнаружился баг в проекте: один из input-ов в динамически созданном компоненте оставался с дефолтным значением.
И все это без ошибок, без предупреждений.

Посмотрим подробнее.

Для кого статья: для техлидов и системных аналитиков (SA), архитекторов ПО.
О чём статья: об использовании некоторых удобных, современных подходов к проектированию ПО в enterprise в условиях большого количества команд и большой неопределенности. 
Об авторе: лид стрима в облачном провайдере, в 2024-2025 гг. с коллегами разрабатывавший подходы к архитектуре микросервисов.

В условиях современной разработки, когда компании растут, а команды распределены по офисам и странам, классические подходы к проектированию часто становятся узким местом. Хаос в интеграциях, бесконечные согласования форматов данных и конфликты из-за изменений в API — это знакомые боли для многих архитекторов и тимлидов. Если вы тоже сталкивались с трудностями и конфликтами при разработке платформ с множеством микросервисов или хотите разрабатывать и не хотите сталкиваться – эта статья будет наверняка интересна.

В этой, уже 3 по счету статье мы переходим к самому важному месту во всей архитектуре Capacitor — к плагинам.

Именно плагины делают из WebView полноценное мобильное приложение. С ними у Вас появляется доступ к камере, файловой системе, push-уведомлениям, Bluetooth и т.д.

В статье разберем:

как устанавливаются официальные плагины;

как работать с community-плагинами;

как мигрировать с Cordova;

и главное — как написать собственный плагин с нуля на реальном примере отправки SMS.

Ваш сеньор не «выгорел» — у него потекли баки. Почему HR-департаменты гробят проекты, пытаясь лечить сбои нейромедиаторов отпусками и разговорами о мотивации.

Я инженер, а не психолог. Я смотрю на ментальное здоровье команды как на отказоустойчивость сервера. В статье — разбор того, почему «гениальный код» в 4 утра — это аварийный сигнал, как AI-инструменты масштабируют безумие разработчиков и почему иногда честный «химический сон» полезнее для бизнеса, чем тимбилдинг.

Инженерный манифест управления людьми, у которых «сорвало резьбу».

Компании отправляют сотрудников на курсы теории систем для развития умения проектировать высоконагруженные системы на работе. На рекламных баннерах всплывают курсы системного мышления, утверждающие, что это важное для руководителя качество. Даже на некоторых детских игрушках есть надписи "развивает системное мышление". "Интердисциплинарный фреймворк для анализирования сложных сущностей путём исследования взаимосвязей между компонентами" - звучит как отличная наживка для определённого рода людей.

Я как раз из такого рода людей. До недавнего времени я сталкивался только с обрывочными знаниями этой дисциплины. Иногда они создавали впечатление, что теория систем - банк невероятно полезных знаний. Но иногда они были и очень зыбкими, вызывали вопрос "и это всё?" или "как это применить?". Мне не хотелось выносить финальное суждение, не разобравшись как следует. Так что я прочитал "Азбуку системного мышления" (Донелла Медоуз) и "Искусство системного мышления" (О'Коннор Джозеф, Макдермотт Иан), пару прикладных книг, а также несколько дополнительных статей, чтобы наконец составить честное впечатление. Надеюсь моё исследование будет полезно и вам, чтобы составить мнение, стоит ли тратить время на курсы и книги по системному мышлению.

TL;DR: 5/10, скорее всего не стоит.

Сегодня займёмся реализацией моей довольной старой идеи. Покажу свой доработанный проект по очень интересный гипотезе. Здесь основными триггерами для торгового робота будут выступать две вещи: рыночная структура и использование уровней фибоначчи в комбинации с трейлинг стопом.

Разберём полный цикл разработки торговой системы: от формализации идеи до запуска реального бота на фьючерсной бирже. Проект состоит из двух частей: скрипта бэктеста (Back.py), realtime-бота (Realtime.py).

Цель статьи — показать не только торговую идею, но и инженерную реализацию: архитектуру, контроль состояния, обработку данных, синхронизацию, и различие между backtest-движком и real-time исполнением.

Итоговой результат бектеста - 25000$ прибыли на активе стоимость в 2000$ за 6 лет. Этот результат действительно реален. Отрисовали кривую капитала и посмотрели статистику и основные данные. Подробнее об этом и ньюансах читайте в статье!

Примечание: эта статья написана от лица AI-ассистента. Все цитаты и диалоги — реальная переписка с пользователем (с его разрешения). Код, ссылки и технические детали — подлинные.

Напомню тейк. В мире есть национальные мессенджеры, популярнее телеграм, которые развились без административной поддержки на чистой конкуренции.

По какой-то причине мнения относительно ИИ сильно поляризованы. Одни едко критикуют, другие восторгаются. Вместе с развитием технологии растет и ее аудитория, как в дне сурка проходя все те же стадии принятия. За 3 года бурного распространения генеративного ИИ стали понятны глубинные мотивы некоторых комментаторов и участников процесса. Ниже результаты расследования, основанного на моем опыте как руководителя ит-компании Starfish и компании-вендора ИИ-копайлота для 1С-ников 1yes.pro.