Kurgan-Telecom Ru | Информационные технологии

Последние несколько месяцев я довольно плотно занимаюсь агентом на OpenClaw и постепенно подключаю его к рабочим системам, добавляю инструменты, пробую автоматизировать разные процессы. Иногда все получается довольно быстро, а иногда приходится возвращаться к тому, что уже давно работало и разбираться почему оно вдруг начало ломаться.

За это время накопилось несколько историй, которые решил собрать в одной статье. В основном это внутренние рабочие задачи, без каких‑то необычных архитектурных решений, но мне самому интересно наблюдать, как постепенно развивается агент, что ему можно поручить, а где лучше вообще не привлекать LLM и оставить обычный код.

Расскажу про три вещи, которыми занимался — разбор зависшего обработчика лидов, выгрузку задач из 1С прямо через телегу и эксперимент с отдельным агентом для отдела продаж. 

Давайте посмотрим на заголовки новостей за последние пару месяцев:

1. Побег из тестовой среды и атаки агентов OpenAI

В августе и октябре 2026 года стало известно о серьезных инцидентах с автономными ИИ-агентами от OpenAI. Выяснилось, что разработанные модели ИИ в ходе тестов на безопасность самостоятельно вышли в интернет через скрытые уязвимости, которые они сами же и обнаружили. 

«Здравствуйте, служба безопасности банка…» — дальше всё по нотам: авторитет, срочность, изоляция («не кладите трубку»), подмена канала проверки. Ровно та же конструкция работает против ИИ‑ассистента: zero‑click промпт‑инъекция EchoLeak (CVE-2025-32711) в Microsoft 365 Copilot и июльский инцидент 2026 года с автономными агентами в инфраструктуре Hugging Face, которых никто не взламывал — они уговорили себя сами.

Причина одна и архитектурная: ни у человека, ни у языковой модели на входе нет разделения «данных» и «инструкций», а разница между нами — лишь в наличии выхода из разговора. При этом список рычагов — ложный авторитет, искусственная срочность, изоляция от проверки, подмена канала, социальное доказательство, эскалация малыми шагами — один и тот же для бухгалтера, пенсионерки, школьника и автономного агента. Он не меняется веками, меняются только декорации. Разбираю, почему телефонный мошенник и промпт‑инъекция в LLM — одна и та же песня, и что из этого следует для обучения людей.

Привет, Хабр. Это продолжение истории студии из одного человека. В прошлый раз я рассказывал, как собрал детектив-ARG на чистой статике, а бэкенд моих двух приложений жил на serverless в Яндекс Облаке: Cloud Functions, YDB, Object Storage. Инфраструктура стоила ноль рублей в месяц, и я этим гордился.

В ночь на 8 октября беспилотники атаковали дата-центр Яндекса в Сасово. 9 октября - дата-центр в Калуге. В ночь на 11 октября - третий, во Владимире, после чего Yandex Cloud перешёл в аварийный режим: две зоны доступности недоступны, «оставшуюся конфигурацию ресурсов считаем неустойчивой». Пострадавших среди людей нет, и это главное. А у меня на этом облаке жили бэкенды двух опубликованных приложений и сайт с игрой.

12 октября я провёл собственную эвакуацию: за один день перенёс 40 роутов и 39 таблиц на один VPS, а утром 13-го у меня уже были алерты в телеграме, своя метрика посещаемости без сторонних скриптов и античит, которого не было никогда. Приложения в поле не заметили ничего.

Под катом - хронология, почему serverless эвакуировать труднее всех, и пять уроков, каждый из которых стоил мне пары часов.

<cut>

Идея была простая и не новая: у большой языковой модели два неприятных свойства — она стоит денег на каждый ответ и держит в памяти десятки гигабайт весов, а ещё она может уверенно написать то, чего нет нигде. Захотелось собрать систему, у которой ответ выбирается из существующего текста, а не порождается: корпус лежит на диске файлами, кандидатов находит обычный код, а нейросеть-судья только выбирает строку и проверяет её. Судья — классификатор с типизированными примитивами: «выбери один из вариантов», «это правда?», «оцени по шкале». Текст она не пишет вообще. Ответ — дословная цитата с источником, и выдумать фразу, которой нет в корпусе, система не может по построению.

Карточка в каталоге обычно ведёт на detail page. Для прямого перехода нужен отдельный URL вроде /events/123. Для просмотра нескольких карточек подряд удобнее оставить список на экране и открыть detail поверх него. Если modal хранится только в useState, адрес страницы не меняется. Прямую ссылку на открытый объект получить нельзя. После reload остаётся список, а поисковый робот видит только исходную страницу.
App Router поддерживает другую схему. Один detail URL открывается как modal при client-side переходе из списка и как обычная страница при прямом запросе или reload. Для этого используются Parallel Routes и Intercepting Routes. Next.js описывает тот же паттерн для modal поверх gallery или другого списка. В учебном EventMap этот маршрут используется для событий.

Привет, Хабр! Сегодня я хочу рассказать о том, как один невзрачный .js-файл превратился в шесть слоёв упаковки, и в самом центре этой матрёшки сидел старый знакомый Remcos.

Тест упал на пятом часу, на переходе с 16 800 до 21 000 ВРМ. Потом запрос, который выполнялся меньше секунды, вдруг стал занимать десятки секунд. После этого отчёт вместо 5 секунд начал строиться 800. Во второй части мы разбираем, как с этим справились: от LWLock:PgStatsHash и сбежавшего плана запроса до гигабитной сетевой карты и 3 миллионов файлов временных таблиц. В итоге на 21 000 ВРМ получили APDEX = 0,975.

Я преподаю в университете дисциплину «Алгоритмы и структуры данных». Как и многие преподаватели программирования, значительную часть практических заданий я проверяю автоматически. Долгое время для этого использовал Stepik. Создавал собственные задания, готовил тестовые наборы, настраивал проверку решений и затем использовал всё это при проведении лабораторных работ.

В целом такой подход меня устраивал. Студенты могли отправлять свои решения на Python или R и практически сразу получать результат проверки. Мне же не приходилось вручную запускать десятки программ и сравнивать полученные ответы с эталонными. Однако недавно ситуация изменилась.

После инцидента, затронувшего инфраструктуру Яндекса, возникли серьёзные проблемы с доступностью ряда сервисов. Сложности затронули и Stepik, использовавший соответствующую инфраструктуру. В результате привычный инструмент проверки студенческих работ оказался недоступен именно тогда, когда он был необходим. Разумеется, можно было временно вернуться к ручной проверке. Но мне показалось интереснее воспользоваться ситуацией и разработать собственное приложение, которое решало бы ту же задачу, но полностью локально.

Так появился Algorithm Judge – небольшое настольное приложение для автоматизированной проверки решений алгоритмических задач на Python и R.

Как известно, всё новое - это хорошо забытое старое. Всё чаще и чаще я читаю комментарии читателей о том, что как же было классно в нулевых, когда аккумулятор телефона можно было заменить без разборки, и если оный в дороге разряжался - то всегда можно было достать из кармана запасной и продолжить пользоваться гаджетом. А в комплекте к некоторым моделям даже шли внешние ЗУ - чтобы дополнительный аккумулятор можно было зарядить не вынимая батарейку из основного.

Учитывая вышесказанное, я считаю символичным выход нового бюджетного бронесмартфона от Cubot - KingKong Dura, в котором аккумуляторы меняются также легко, как и в телефонах нулевых, а в комплекте идёт вторая батарейка вместе с станцией для зарядки. Несмотря на нишевость, устройство не обделили приличным железом и оно получилось очень сбалансированным для цены в 15.000 рублей. Подробнее читайте под катом.

Сегодня компьютерная томография решает гораздо больше задач, чем просто визуализация внутренней структуры объекта. В медицине важно снижать лучевую нагрузку и получать больше информации о тканях, в промышленности — исследовать сложные объекты без разборки и разрушения, а в научных задачах — работать с нестандартной геометрией съемки и сложными типами данных.

Smart Engines разрабатывает технологии, которые расширяют возможности КТ на уровне алгоритмов реконструкции и анализа данных.

За Неделю Smart Tomo Engine мы рассказали и показали, как наши разработки помогают снижать лучевую нагрузку, определять состав исследуемого объекта, получать больше информации о мягких тканях, проводить неразрушающий контроль сложных изделий и создавать портативные томографические системы.

Собрали главное за Неделю Smart Tomo Engine в одном дайджесте