Kurgan-Telecom Ru | Информационные технологии

Когда компания работает с одним маркетплейсом, обмен данными можно относительно легко контролировать. Ситуация меняется, когда площадок становится несколько: у каждой свои API, форматы данных, статусы заказов и правила обновления информации.

При этом ошибка в одном звене цепочки быстро превращается в бизнес-проблему: на витрине отображается неверный остаток, заказ не переходит в нужный статус, цена не обновляется или возврат не попадает в учетную систему.

В этой статье разберем типовую архитектуру интеграции 1С с несколькими маркетплейсами и покажем, где чаще всего возникают проблемы при обмене.

Почему free в Docker врёт и ещё три сюрприза PID 1: systemctl, journalctl, free: что ломается, когда сервер - это контейнер?

Как уже было миллион раз сказано, мозг — это самая сложная вычислительная машина, по сравнению с которой наши компьютеры и ноутбуки — это просто детские цацки. Конечно, персональный компьютер может выполнять крайне сложные и многопотоковые вычислительные задачи. Однако мозг обладает крайне сложной структурой, которую до сих пор пытаются реализовать в машинном эквиваленте. Ведь тогда такой компьютер был бы во много раз мощнее и быстрее. Проблема реализации такой имитации заключается, уж простите за повторение, в сложности структуры мозга. Ученые из Норвежского университета естественных и технических наук (Тронхейм, Норвегия) провели любопытное исследование, в котором установили, что скирмионы могут быть ключом к созданию компьютера, подобного мозгу. Что такое скирммионы, как они работают, и чем они могут помочь в создании мозга-мимика (только без зубов)?

15 сентября 2026 года TypeSafe AI выпустила Jev — модель класса «System One»: она получает состояние и типизированные вопросы, а возвращает варианты, оценки и вероятности без единого слова текста. Сразу после выхода Jev аналоги побежали делать все кому не лень: Liquid AI, например, показала d1 уже через две недели. А мы чем хуже? Ну, по качеству, скорее всего, хуже. Зато бесплатно.

Сейчас мы разберём, что происходит внутри языковой модели, когда она «отвечает» одной буквой, и соберём из этого простой аналог Jev на T4 в Colab: ядро примерно на 70 строк, калибровку вероятностей и замер скорости.

Я продолжаю писать статьи по темам, с которыми очень долго разбираюсь в силу определённых обстоятельств. В этот раз я по кусочкам собрал огромный пазл, в котором участвуют и браузер, и фреймворк воедино и хочу разложить эти знания по полочкам, разжевать максимально подробно. Опять же пишу для себя, чтобы, когда всё забудется, а это непременно случится, вернуться сюда и быстро всё вспомнить и если эта статья кому-то поможет - это просто прекрасно. Дополняющим, уточняющим, при этом подробным и понятным комментариям и замечаниям буду только рад

С ростом количества кластеров Kubernetes и управлять ими становится сложнее. GitOps и FluxCD меняют хрупкую push-модель на более безопасную pull-модель. Однако инженерам особо не легче. Они часто сталкиваются с путаницей в зависимостях и, как следствие, неожиданным поведением контроллеров. 

Привет! На связи Константин Копыло́в, системный администратор в Selectel. Сегодня разберем частые ошибки и посмотрим на лучшие практики. Статья будет интересна администраторам Kubernetes, которые хотят внедрить GitOps, а также архитекторам и тимлидам, проектирующим инфраструктуру для новых проектов.

На этой неделе в топе снова всплыла старая история: свежий VPS, ufw default deny incoming, наружу только 22, 80 и 443, а потом в compose-файле появляется ports: - "5432:5432" — и через пару дней в базе лежит записка с биткойн-кошельком. Почему так происходит, уже разобрали подробно. Я хочу про другое: как сделать так, чтобы такой compose-файл вообще не доехал до сервера.

Ниже — два небольших скрипта на Python. Первый проверяет compose-файлы до деплоя и падает с ненулевым кодом, если порт опубликован на все интерфейсы. Второй смотрит, что реально слушает на машине, без ss и netstat, прямо из /proc. Весь код я запускал на Python 3.13 и PyYAML 6.0.3, вывод в статье — настоящий.

Уход ключевого разработчика может обнажить проблему, которая годами оставалась незаметной: команда формально владеет модулями, но фактически не знает, как с ними работать. История Git позволяет оценить концентрацию авторства и заранее увидеть, какие файлы останутся без активного автора, если уйдёт лидер. В статье разбираем методику расчёта truck factor, шесть типичных управленческих ошибок и то, как AI‑агенты дополнительно усложняют оценку распределения знаний.

Данное научно-популистское исследование посвящено фундаментальному коду русской ментальности, зашитому в грамматику. Мы попытаемся доказать, что русский язык создавался не для передачи информации, а для запутывания вероятного противника и тренировки стрессоустойчивости.

Глава 1. Главный экономический закон лингвистики

Начать наше погружение в бездну филологического хаоса необходимо с фундаментального вклада отечественной финансовой мысли в мировую науку. Речь идет о великом термине, который официально приписывают главе Центробанка Эльвире Набиуллиной, хотя в кулуарах поговаривают, что его нашептал сам Дух русской словесности.

«Отрицательный рост» — это не просто формулировка из экономических отчетов. Это высшая точка развития нашего языка. Математически это выглядит как абсолютный абсурд: рост со знаком минус (-X). Но лингвистически это шедевр! Это когда всё падает, но падает с таким оптимизмом, что в процессе падения успевает подрасти.

Автоматизировать поддержку хотят все. Большая часть вопросов пользователей повторяется, и так и хочется завернуть ответы на них в какой-нибудь алгоритм. Подходов много, но один из самых распространённых — векторный поиск: мы пытаемся понять, о чём пишет пользователь, находим в базе знаний семантически близкие статьи и просим LLM составить ответ на их основе.

В презентации всё выглядит шикарно. Бот понимает вопрос, находит нужные материалы, формулирует ответ. Остаётся немного настроить — и можно отпускать сотрудников заниматься чем-нибудь более интересным.

Но довольно быстро выясняется, что пользователи упорно не хотят действовать по алгоритму. Формулируют вопросы как придётся, опускают важные детали, ограничиваются коротким «не работает» или «помогите». Для векторного поиска такие сообщения создают проблему: в них слишком мало информации, чтобы уверенно определить смысл запроса. В результате подбор статей становится почти случайным: в выдачу попадают статьи, которые лишь условно похожи на обращение.

Бывает и хуже: нужной статьи в базе вообще нет. Тогда LLM пытается собрать ответ из того, что нашлось по смежным темам. Получается связный текст, который может иметь довольно отдалённое отношение к проблеме пользователя. Модель, в общем, старается, но исходных данных ей никто не подвёз.

В этой статье расскажу, как я решил подойти к обеим проблемам одновременно: изменить способ сопоставления обращений и статей, а затем использовать ту же тематическую разметку, чтобы находить пробелы в базе знаний и готовить черновики новых материалов.

История игровой индустрии знает много больших прорывов. Самый заметный из них, субъективно, — развитие портативного гейминга. Мы прошли путь от карманных игрушек с сегментированными LCD-экранами до тяжелых ПК-игр на смартфонах и современных устройствах типа Steam Deck или Switch 2.

Но все начиналось с того, что сам факт хоть какого-то интерактивного развлечения считался прорывом. История геймеров нашей страны такой прорыв знает под названием «Электроника», и сегодня мы вспомним, как вообще получилось, что у СССР были свои портативные игры и куда все это привело.

Одиннадцатого сентября 2026 года в России официально запустили 5G, а через шесть дней журналисты прошли по Москве со спидтестом и в большинстве точек намерили скорости LTE, а местами даже ниже. И зачем нужна была эта помпезность…

Я постоянно вижу, как знакомые восторженно радуются значку 5G, и меня это трогает, ведь я когда-то был связан с телекомом… В связи с этим, под катом с технической стороны объясню, что именно у нас запустили, чем настоящий 5G отличается от быстрого LTE, и что пятое поколение принесло/принесет сисадмину.

Не думал, что уже так много, но оказывается к маю 2025 года ИИ участвовал в создании уже 35% новых сайтов в интернете, а 18% сайтов были сгенерированы нейросетью полностью - эту оценку от Imperial College London, Stanford University и Internet Archive приводит Gizmodo. Поэтому решил исследовать, как вообще сейчас создают сайты с помощью нейронок, и по сути способа сейчас три: 

Первый - самый распространенный, когда пользователь формирует запрос на создание сайта непосредственно в чате своей нейросети (таких как ChatGPT, Claude или другие), а потом как-то сам переносит результат на хостинг или в CMS.

Второй - это так называемы “Вайбкодинг”, способ для продвинутых пользователей, которые смогли разобраться как развернуть свой VPS-сервер, настроить Claude Code, Codex или свою Harness, после чего возможности создания разных сайтов становятся почти безграничны.

А есть еще третий способ - это ИИ-конструкторы сайтов, которые совмещают в себе простоту взаимодействия (можно так же, как в условном ChatGPT словами описать какой сайт ты хочешь) и сложность выгрузки сайта на хостинг (такие конструкторы обычно уже включают в себя хостинг) и по сути сайт создается и появляется на вашем домене после нескольких диалогов с таким сервисом.

И мне стало интересно разобраться, как работают именно ИИ-конструкторы.

Я столкнулся с непониманием того, что тестировщики стали узким горлышком в процессе разработки ПО. Современные программисты, используя кодинг‑агентов по подписке за 20$ в месяц, могут за день своей работы выдать объем кода и функционала, который ранее они делали неделю или даже месяц. Но ведь что толку? Пока тестировщики не проверят то, что выдал программист вместе с LLM, оно не будет выпущено в продакшен или зарелизено и выложено публично для пользователей.

INT8 не виноват: как мы мерили сэмплеры на квантованных flow-моделях и опровергли собственную идею

Я очень долго мечтал об исцелении. Я родился в 1981 году. Ходить я научился достаточно рано, но спотыкался и падал чаще других детей. Мои родители начали беспокоиться, что со мной что‑то не так, что мои мышцы слабее, чем должны быть. В конце концов, в возрасте трёх лет мне диагностировали одну из форм спинальной мышечной атрофии (СМА). В 1980-х годах точные механизмы заболевания ещё не были изучены, но было известно, что оно наследственное и, вероятно, связано с рецессивным геном. Также было известно, что болезнь прогрессирует. С возрастом мои мышцы должны были всё больше отставать в развитии. В восемь лет я начал пользоваться инвалидной коляской для передвижения на большие расстояния. К 18 годам я практически перестал ходить пешком вне дома.

Трудно быть молодым и знать, что ты становишься слабее, а не сильнее. У меня были те же стремления, что и у моих друзей без инвалидности, но я испытывал страх перед будущим, который им не был знаком. Я много размышлял о том, какой была бы моя жизнь, если бы у меня не было СМА. В воображении возникал своего рода двойник: я сам, только избавленный от одного недостатка, не вполне определённого, но где‑то закодированного в моём теле.

В 1990-х годах началось картирование человеческого генома. Медицинская генетика становилась всё точнее. Я смутно осознавал это, понимал, что с каждым годом наследственные заболевания, подобные моему, изучаются всё лучше. А вместе с этим пониманием появлялась пусть и слабая надежда на то, что однажды для меня найдётся какое‑нибудь лечение, помимо бесконечных часов болезненной физиотерапии после школы, от которой почти не было пользы.

Два потока выполняют counter++ по одному разу. Шаги можно чередовать 20 способами, и в 18 из них обновление теряется, но на простаивающем ноутбуке за 10 000 запусков такого не случилось ни разу, а с барьером на старте случилось 4 раза. Фарид Закария, работавший в AWS над RDS, замеряет на этой гонке, сколько порядков реально выполняет обычная машина, простаивающая и загруженная, и сколько их достаёт детерминированная виртуальная машина Rewind VM: под ней обновление теряется в 1371 запуске из 10 000 без барьера и в 2997 с барьером. Заодно он объясняет, почему тесты не видят баги, зависящие от расписания.

Привет, Хабр! Меня зовут Дарья Тихонова, я работаю в МТС чуть больше двух лет. Сначала занималась подбором ИТ-специалистов, а в этом году перешла в команду обучения руководителей. Но эта статья будет не о работе, а о моем хобби. Чуть больше года назад я начала петь в академическом хоре «Ковчег». Теперь три вечера в неделю после работы провожу на репетициях.

С хоровым пением я знакома с детства. В начальной школе я училась в музыкальной школе по этой специальности, поэтому нотная грамота и многие другие моменты были мне знакомы. Правда прошло немало времени, прежде чем я снова вернулась к этому занятию. Расскажу, как хобби, которые приносят удовольствие, позволяют перезагрузиться и какие скиллы развивают.

Мы делаем AI-менеджера маркетплейсов. Это нейросеть, которая работает в кабинетах Wildberries, Ozon и Яндекс Маркета так же, как работал бы нанятый менеджер. Раньше мы писали здесь, как он устроен внутри, и эти статьи были для разработчиков. Эта статья для тех, кто продаёт.

Разберём, какую часть работы менеджера маркетплейсов уже сейчас можно отдать нейросети, как это выглядит в чате и где она ошибается. Скриншоты сняты на демо-магазине мебели: товары и цифры в нём выдуманные, а ответы менеджера настоящие, их писала модель.

Куда уходит день менеджера маркетплейсов

Если убрать стратегию и переговоры, работа менеджера маркетплейсов состоит из повторяющихся проверок:

что заказали и что выкупили;

какой товар скоро закончится, сколько везти и на какой склад;

какие цены поставить и в какие акции идти;

на какие отзывы и вопросы ещё не ответили;

сколько съела реклама и что она принесла;

что поправить в карточках, чтобы они поднялись в выдаче;

какой отчёт собрать к понедельнику.

Каждая проверка занимает немного времени, но их много, и площадок обычно больше одной. Деньги теряются как раз в промежутках между проверками: товар закончился в пятницу, а заметили его в понедельник; ставка выросла, и реклама ушла в минус; отзыв на одну звезду неделю висит без ответа в карточке, которую открывают каждый день.

Эту часть работы мы и отдали нейросети.

Чем ИИ-менеджер отличается от сервиса аналитики и чат-бота

Селлеры уже пользуются двумя видами инструментов. Сервисы аналитики показывают графики и таблицы, а выводы делать и правки вносить приходится самому. Чат-боты отвечают по сценарию и кабинета не видят.

ИИ-менеджер подключается к кабинету продавца по API. Он видит заказы, остатки, цены, отзывы и рекламу, сам считает, что сделать, и вносит правку в кабинет. Задачи ему ставят обычными фразами в чате. Выбирать отчёт в меню или искать нужный фильтр не нужно: достаточно написать «что срочного», «посчитай поставку» или «ответь на отзывы».

Подключение занимает несколько минут:

Wildberries — токен из раздела «Доступ к API» в кабинете продавца. Для рекламы и биддера лучше выпустить отдельный токен с категорией «Продвижение»: с основным площадка разрешает менять ставки всего пару раз в час.

Ozon — Client-Id и Api-Key из настроек Seller API. Для рекламы нужны ещё ключи Ozon Performance.

Яндекс Маркет — Api-Key из кабинета продавца, кампанию менеджер находит сам.

Если у вас несколько кабинетов на одной площадке, подключите их все и переключайтесь между ними прямо в чате.

Что можно поручить уже сейчас

Утренняя проверка

Каждое утро менеджер сам смотрит все подключённые кабинеты и пишет в чат только срочное:

товар закончится в ближайшие пять дней;

отзыв на одну или две звезды остался без ответа;

у ключа площадки заканчивается срок.

Об одном и том же он напоминает не чаще раза в три дня, иначе уведомления быстро превращаются в шум. Раз в неделю на почту приходит сводка с цифрами, советами и таблицей Excel во вло

Продолжаем наши изыскания по следам блога философа Михаила Эпштейна «Нооцен как движущая сила эволюции».

Начну с ударной цитаты: