Kurgan-Telecom Ru | Информационные технологии

Головоломка Ханойские башни (или Ханойская башня, или Towers of Hanoi) – классический пример задачи, в которой лучшее и самое наглядное решение основывается на рекурсии. Кроме того, эта задача иногда встречается на собеседованиях. Тем удивительнее, что последняя статья (хотя и весьма обстоятельная), посвященная  этой задаче на Хабре датируется 2013-м годом и решение приводится на Delphi. Давайте исправим эту печальную ситуацию!

Учась в школе, я обнаружил очень простую математическую формулу, о которой не перестаю думать и сегодня. Смысл её в следующем: представьте, что у вас есть 3D-точка в воображаемом 3D-пространстве за экраном. Для проецирования этой 3D-точки на экран нужно взять её координату X, поделённую на Z, и аналогично её Y / Z. И в результате вы получите проекцию точки на экран: и . А если у вас есть множество точек в этом 3D-пространстве за экраном, и вы начнёте их анимировать и вращать их, а потом воспользуетесь этой формулой для рендеринга всех точек на экране, то это будет выглядеть, как 3D-сцена или 3D-объект. Давайте попробуем эту формулу в деле.

• Дешевле Perplexity: на DeepResearch Bench получили 44.37 (RACE overall) на Claude Haiku 4.5 — модель заметно дешевле типичных "фронтирных" стэков.

• Локально и прозрачно: реальный Chrome перед глазами — можно остановить, залогиниться, закрыть баннер, перезапустить шаг, расширить сбор, уточнить запрос. Итераций — сколько угодно.

• Не только deep research: ещё и инструмент для браузерной автоматизации + извлечения контента, форм, HTML-данных.

• Расширяемо: новые сайты добавляются профилями в scripts/sites/*.json — селекторы и «контролы» живут отдельно от кода и промптов.

Сколько раз вы сталкивались с ситуацией, когда по документам сервер есть, а в стойке его нет? Или когда компания продолжает платить за сотню лицензий софта, которым давно никто не пользуется?

Если эти боли вам знакомы, значит, вы уже поняли: вести учет «железа» и софта в Excel — это путь самурая, но он ведет к финансовому харакири.

В 2026 году управлять парком активов из тысяч ноутбуков, серверов и облачных подписок без специализированного инструмента — просто опасно.

Именно поэтому ITAM-системы (IT Asset Management, системы управления ИТ-активами) перестали быть роскошью для корпораций и стали гигиеническим минимумом для любого среднего и крупного бизнеса.

«Поднятие» унаследованного Postgres без специнструментов быстро превращается в головную боль: вас ждет ручной разбор схем, перелопачивание десятков таблиц и прочая невеселая археология - где лежат персональные данные, что за колонки, как это всё соотносится с 152-ФЗ… Один неверный шаг – и можно запросто упустить что-то важное. Встроенного защитного преобразования данных на диске нет, приходится либо городить огород на уровне приложений, либо создавать триггеры. Хранить ключи, тестировать производительность, поддерживать это всё, руками выставлять фильтры, думать, куда писать логи, как следить за аномалиями и так далее. Всё, что связано с безопасностью – проверять вручную. Любое изменение схемы — снова садись и аудируй заново. Времени уходить будет очень много, и неизвестно, какие грабли вылезут.

В СУБД Tantor Certified то, что обычно делается на коленке, превращается в понятный и безопасный процесс, который подробно описывается в статье.

Мы привыкли обсуждать микросервисную архитектуру с точки зрения границ сервисов, ответственности команд, масштабируемости и отказоустойчивости. Мы спорим о том, как правильно нарезать домен, где провести границы и какие сервисы должны взаимодействовать напрямую.

Но есть более фундаментальный вопрос - кто в системе определяет правила игры?

В реальных финтех-системах бизнес-логика часто начинает зависеть от того, как именно разложены микросервисы. Допустимость действий формируется не в одном месте, а распределяется по цепочке:

- часть проверок живeт во фронтенде

- часть - в API,

- часть - в промежуточных сервисах

- часть — во временных проверках, добавленных после инцидентов

Добавили новый сервис в цепочку - и изменилось поведение.

Вынесли проверку в отдельный процессинг - и появились состояние гонки.

Перестроили оркестрацию - и неожиданно стала недоступной операция, которая раньше работала.

В этот момент происходит архитектурный перекос - не бизнес-процесс определяет систему, а структура сервисов начинает определять поведение процесса.

Для финтеха это особенно критично. Допустимость действия - это не просто проверка прав. Это функция состояния процесса, версии правил, контекста операции и регуляторных ограничений. Если эта допустимость зависит от связности сервисов или порядка их вызова, система становится хрупкой и уязвимой, и тогда, начинается разговор о подходе, в котором бизнес-логика централизуется, версионируется и становится инвариантной к физической архитектуре.

Мы отвлекаем существенные ресурсы в поисках решения для проблем.

Кажется, мы все немного устали. Устали от унаследованного кода без владельца. От инфраструктуры, которая «как-то работает». От ИИ, который внедряют быстрее, чем понимают. От регуляторики, написанной на инопланетном языке. От SLO, которым вроде бы можно верить — но лучше бы перепроверить.

И на фоне всего этого — привычный формат конференции: два дня докладов, блокнот заметок, лёгкая эйфория… а через неделю всё растворяется в задачах.

Команда DevOpsConf в этом году честно признала: формат «послушал — вдохновился — пошёл применять» больше не тянет. Индустрия изменилась. И мероприятия тоже должны. Поэтому DevOpsConf 2026 проходит в новом формате — «конференция развития».

Расписание уже готово — можно изучить программу и собрать свой маршрут по стримам на официальном сайте. Давайте посмотрим, что получилось!

В мире Python есть особый вид функций — невидимки. У них нет имени, документ-строки и даже нормального тела. Они живут одну строку и умирают, сделав свое дело. Это лямбда-функции.

Многие новички считают их бесполезной игрушкой или, наоборот, пытаются запихнуть всю логику в одну лямбду, превращая код в нечитаемое месиво. В этой статье мы разберемся, где проходит эта грань. Мы не просто выучим синтаксис lambda x: x, мы поймем, как они устроены внутри, как их использовать с инструментами вроде map, filter, sorted, и главное — когда от их использования стоит категорически отказаться.

Я думал, что мои решения спонтанные. ИИ доказал, что каждое из них — это шаблон.

Вообще, я затеял этот эксперимент не из-за страха за приватность и не в погоне за этими новомодными штуками про достигаторство и продуктивность. Мне просто было интересно, как выглядит моё цифровое поведение через призму современного ИИ — того самого поведенческого интеллекта, который сейчас активно строят все серьёзные компании по созданию ИИ-агентов.

Поэтому в течение одной недели я разрешил ИИ наблюдать, как я пользуюсь телефоном и ноутбуком. Когда открываю сообщения, какие приложения запускаю, сколько времени в них провожу, когда я собран и сфокусирован, а когда в режиме размазни. Я думал, что результаты будут скучными и очевидными. Вместо этого они оказались неудобно точными — в самом хорошем смысле этого слова.

День 1 — всё как обычно. День 3 — это уже личное

В первый день всё было как обычно, без каких-то новых ощущений. Я отвечал на почту, скроллил сайтики, смотрел видео, прыгал по вкладкам — как всегда. А вот вечерний отчёт ИИ меня остановил. Он охарактеризовал мой стиль работы как «фрагментированное внимание». А я причём всегда считал, что многозадачность — это моё и я в этом хорош. Увидеть такую формулировку было неприятненько. Не жёстко, нет, но честнее, чем я обычно бываю сам с собой.

К третьему дню стало по-настоящему интересно.

Привет, я Дима, senior frontend разработчик в компании Doubletapp. 

В этой статье я расскажу о том, как составить идеальное тестовое для фронтендера, которое покажет не навыки прохождения интервью и умения пользоваться нейронкой, а реальные скиллы инженера. Статья будет полезна и тем, кто нанимает, и тем, кто готовится к собеседованиям, и тем, кто хочет честно проверить свой уровень. 

В тексте: 
- Почему стандартные тестовые задания не работают
- Как должен выглядеть адекватный технический этап
- Почему этот подход даёт лучший результат

Как я написал радар межбиржевых спредов на Python и понял, почему 90% публичных ботов считают прибыль неправильно

Этот вопрос звучит в первые же минуты любой встречи с рекрутером или нанимающим менеджером. Кажется, что это просто разминка, формальность. Но на самом деле — это ваш шанс сразу захватить инициативу и повести беседу в нужное вам русло. Ответ на «Расскажите о себе» — это не хронология вашей трудовой книжки. Это ваш трейлер к фильму под названием «Я — идеальный кандидат». В этой статье я, разберу структуру такого ответа до мельчайших деталей, покажу на реальных примерах и расскажу, как не вылететь из кандидатов в первые 120 секунд.

В России с 1 марта 2026 года заработали несколько ключевых обновлений в законодательстве, которые усиливают контроль над интернетом. Это не внезапный поворот, а продолжение курса на цифровую автономию, начатого еще в 2019 году. Разберемся, что именно произошло, почему и как это скажется на повседневной жизни пользователей.

После знакомства с Codex CLI от OpenAI я решил провести практический тест: можно ли в российском ИИ-ландшафте собрать ChatGPT-подобный login UX для агентного CLI — запускаю клиент, логинюсь, сразу работаю с инференсом.

Сначала разберу рынок и авторизацию: как я сравнил Яндекс и Сбер и почему для нужного UX Яндекс оказался проще в реализации. А потом покажу самое вкусное: что пришлось чинить в runtime inference, чтобы агент вообще не умирал на первом ходе.

Это вторая статья из серии о том, как я готовлюсь к выходу на рынок труда через стратегический анализ. В первой был общий обзор текущей ситуации в финтехе для СРО в РФ. В этот раз — конкретные выводы из PESTEL анализа.

18 февраля 2026 года сотрудник НКО получил таргетированное фишинговое письмо якобы от National Endowment for Democracy — американского фонда поддержки демократии. Обращение по полному имени, ссылка на «предыдущую заявку на грант» (которой никогда не было), и упоминание документа, которого физически нет в письме — классическая техника «фантомного вложения», при которой первое письмо устанавливает доверие, а вредоносный файл приходит уже в ответ на реакцию жертвы.

В этой статье — разбор атаки по заголовкам, инфраструктуре и социальной инженерии. Материал будет полезен аналитикам SOC и сотрудникам НКО: в конце — IOC, kill chain и рекомендации для администраторов почты.

Swift известен системой pattern matching. Большинство разработчиков используют её в switch, иногда в if case или guard case. Но в языке есть ещё одна конструкция, которую многие никогда не видели — for case let.

Интересно, что даже разработчики с несколькими годами опыта часто о ней не знают. Более того, в официальной документации Apple она упоминается лишь вскользь, потому что технически это не отдельная фича языка, а комбинация существующих механизмов. Тем не менее, эта конструкция может заметно упростить код.

В этой статье я хочу разобраться:

Системные аналитики на связи?

Тоже сталкиваетесь в работе со сложными распределенными системами, большим количеством интеграций и микросервисной архитектурой?

Тогда предлагаю вам узнать больше про модель C4 – отличный инструмент для проектирования, анализа и коммуникации между участниками команды.

Я откликнулся на вакансию проектировщиком с нулевыми знаниями и меня взяли. Как начинал, что было сложно и что нужно, чтобы начать работать с проектами ОВиК

TL;DR: Раньше тратил неделю на анализ рынка: изучал конкурентов, искал цифры, таблицы Excel, отчёт на 30 страниц. Теперь делаю за 2–3 часа.

Главная фишка — метод «Франкенштейна». Беру один промпт и закидываю в три нейросети: Claude (структура), Perplexity Labs (цифры и источники), Gemini Deep Research (глубокий анализ и JTBD). Собираю лучшие куски от каждой.

Реальный кейс: издательство с тремя сегментами B2B. Бриф делаю через кастомный GPT + расшифровки Zoom (40 минут созвона → 30 секунд анализа). План пишет ИИ. Проверяю только ключевые факты — не каждую запятую.

В статье: рабочие промпты, чек‑лист по шагам, файлы из проекта (анализ Claude, сайт Perplexity, исследование Gemini), раздел с типичными ошибками.

Экономия: в 10–15 раз быстрее. Результат лучше, потому что три ИИ находят разные источники.