Kurgan-Telecom Ru | Информационные технологии

Несколько лет назад к нам обратились с задачей, которая на нефтяном промысле стояла давно и казалась почти рутинной. Печные змеевики, в которых нагревают скважинную жидкость, прогорают регулярно и довольно неожиданно. Замена занимает время: детали приходится заказывать и ожидать их поставки, простой обходился дорого. Хотелось понимать заранее, когда же примерно ждать прогара. Спросили, не получится ли что-то придумать по тем данным, которые уже есть. Мы подумали: а вдруг действительно получится.

Надо сказать, что несмотря на то, что мы регулярно занимаемся задачами имитационного моделирования, а в команде есть вроде как дипломированные физики, мы не нефтяники и не геологи (и даже не геофизики), и на тот момент подобных задач ещё не решали.

Как мы с GPT совместили локальную сеть, отдельные учётки, обмен файлами и Kill Switch — и что пошло не по плану. 10 ноября 2026 года.

Всем привет! Товарищ отдал мне свой старый MacBook Pro. Он грелся, я его продул, привёл в порядок — и задумался: а что теперь с ним делать? У меня уже есть привычный Windows-компьютер, на котором я работаю и рисую. К Mac я пока только привыкаю. Выбрасывать такую машину из рабочего процесса жалко, но и превращать её в дорогую подставку для чашки не хотелось.

Сначала вариантов было два: сделать из Mac отдельное рабочее место — например, для сына или товарища, со своей учёткой и Google, Chat GpT, Claude возможно, — либо отдать его под вычисления, скрипты и задачи, чтобы лишний раз не нагружать основной Windows. А потом пришла мысль: почему обязательно выбирать сейчас? Можно совместить оба сценария. Днём на Mac кто-то работает под своей учёткой, а когда он свободен, я использую его как вспомогательный компьютер для своих задач.

Сразу оговорюсь: я не утверждаю, что это единственный и самый правильный способ. Это просто наш с ИИ вариант домашней настройки, с ошибками и неожиданными находками. Вдруг кому-то пригодится.

Путь к локальному LLM: как требвоания по ИБ и “дух авантюризма” привели меня к 125B-модели под столом - и почему агенты больше не просят облако

ИИ-агенты у меня не демо для презентаций, а производственная сила: пишут код, расследуют инциденты по трассировкам, формируют постанвоки и прототипы, развивают платформы и закрывают кучу процессов бекофиса. Внутри компании у нас уже давно идет процесс ИИзации процессов и повышения личной эффективности за счет ИИ-агентов. Но чем больше они работают, тем настойчивее вопрос - сначала от ИБ Заказчиков, потом и мой собственный для контроля использовании ИИ во внутренних командах: а куда именно уходят постановки задач, куски кода и данные? Рассказываю, как я прошел путь от «это отправлять в облако нельзя» до 125B MoE-модели, которая живет на моей рабочей станции и тянет реальные волны агентных задач - со скоростью 22-25 токенов в секунду, качеством топ-кванта и без единого байта за периметр =)*

Я не претендую на оригинальность - мне много попадаются статьи про разный локальный инференс в целом и про Strata в частности, и решил рассказать свою историю (со своим железом и цифрами на реальных Кейсах использования - а не “запустил и выбил 100-500 генерации токенов”) и историю развития использования своего локального инференса и в целом немного про ИБ, вдруг кому то будут полезны цифры и примеры настроек.

Выводы сразу (для тех кто не любит много читать)

Можно ли предсказать результат на 10 км по двум шагам бегуна? По тысяче финишных видео с забегов сравниваем движения быстрых и медленных участников.

У небольшого UFO Hosting в нашей выборке всего 42 сайта. За последний месяц мы зафиксировали 17 приходов — это 40% от текущего наблюдаемого парка.

А у Timeweb, крупнейшего хостинга в нашей выборке с почти 10 тысячами сайтов, — всего 10 приходов.

Как так получилось?

Мы привыкли считать нетехническое интервью в ИТ фильтром на адекватность: проверить мотивацию, коммуникацию, «культурное соответствие» и передать кандидата техническим специалистам. Но у этого этапа есть задача поважнее. Технологии, процессы и сами роли в ИТ меняются быстрее, чем длится средний контракт, и способность сотрудника перестраиваться под изменения — адаптивная производительность — давно описана в психологии труда как отдельная часть результативности. Для неё есть модели, предикторы и стандартизированные методики. Разберёмся, почему её стоит сделать одной из целей нетехнического интервью и что для этого нужно поменять.

Я долго думал, стоит ли вообще писать эту статью. Не хочется, чтобы она выглядела как очередная история о том, какой я молодец, как сделал успешный продукт и теперь собираюсь рассказывать другим, как правильно жить. Тем более что я совершенно не уверен, что мой подход к созданию продуктов правильный. Более того, были моменты, когда я всерьез думал, что занимаюсь полной ерундой.

Поэтому эта статья скорее не про успех, а про один довольно интересный выбор, с которым, как мне кажется, сталкиваются многие разработчики, когда решают сделать что-то свое. И про то, к чему этот выбор может привести.

Исследование поведения ИИ-агентов с вызовом функций, имеющих реальный эффект, проводилось на основании методологии, основные положения которой мы излагали ранее (https://doi.org/10.5281/zenodo.23556771,https://habr.com/ru/articles/1098088/). Прогоны проведены по методологии версии 3.1; тестовая система этой версии не публиковалась.

Напомним, что методология позволяет проверить, вызовет ли ИИ-агент функцию, которая совершает действие с реальным эффектом, когда вызывать ее нельзя, потому что не выполнены неназванные условия ее применения, а также сопоставить с этим действием ответ агента, который он дает при этом пользователю. Срывы удержания условия считаем критическими сбоями, поскольку действие дает реальный эффект и может привести к необратимым (с трудом обратимым) последствиям.

Тестирование в этой версии проходило в два этапа и завершалось подтверждающей проверкой:

Давайте посмотрим на текущие тенденции рынков широким взглядом, потому что то, что комплектующие уже год как дорожают из-за кризиса памяти мы видим узким заплаканным взглядом.

Последние месяцы я всё чаще работаю с ИИ-агентами для кодинга: Gemini CLI, Claude Code, Codex и Antigravity. Они невероятно хороши в решении сложных задач, но у них есть одно фундаментальное неудобство — они привязаны к терминалу. Запустил задачу, сидишь жди, а отойти от монитора или проверить код со смартфона, находясь в дороге, до недавнего времени было проблематично.

Хотелось получить ту же свободу, что дает расширение Claude Code для VS Code, но прямо в мессенджере — чтобы агент шуршал по кодовой базе на домашнем или рабочем сервере, пока я занимаюсь своими делами, а я мог в любой момент глянуть прогресс или одобрить критический шаг.

Так родился AcpGram — открытый Telegram-шлюз, который запускает консольных агентов в качестве подпроцессов и позволяет управлять ими через привычный чат. Проект написан на чистом Node.js 24 без единой npm-зависимости, работает на Windows, Linux и macOS и уже полностью готов к использованию.

Недавно я решал две задачи. Личную и по работе. Личная, это настроить Nanabot, ИИ-агента, который автоматизирует мою деятельность как программиста. По работе, это написание MCP-сервера по управлению продуктами компании. И я столкнулся с проблемами. Если методов MCP очень много, то их подробные описания сильно раздувают контекст LLM. Если их прячешь за Code Mode MCP, то LLM иногда при поиске подходящего метода MCP не находит то, что ему нужно, или вообще не догадывается, что их надо поискать.

EAN-13 на пачке, сфотографированной телефоном без автофокуса. Code 128 на коробке под углом, SSCC на паллетной этикетке, которая проезжает под камерой конвейера. Мы сравнили, как такие снимки читают zxing-cpp, ZBar, OpenCV и движок линейных штрихкодов нашего универсального ридера кодов (unir). Снимки — из открытых наборов с чужой разметкой, их может скачать любой, и любую цифру можно проверить.

Коротко:

Всего прочитано: unir — 72 % из 6899 штрихкодов, ZBar — 56 %, zxing-cpp — 54 %, OpenCV — 42 %.

Главная разница — на размытых снимках. На наборе Artelab-2 unir читает 93 %, соперники — от 15 до 42 %.

Ложных чтений нет у unir, zxing-cpp и ZBar на 4231 снимке без кода; у OpenCV — 7.

По скорости ридеры почти равны: на обычном снимке у всех, кроме ZBar, 10–20 мс. Если на кадр дано 60 мс, чёткие коды все читают почти одинаково, а трудные — только unir.

Слабое место unir: на снимке, который он не может прочитать, он долго перебирает варианты. И часть кодов соперники читают, а он нет — о них ниже.

Разработчик Пит Миллспо (Pete Millspaugh) сравнил шесть популярных AI‑сервисов для создания сайтов. У всех сервисов было одно задание: разработать сайт для выступлений о создании персональных сайтов.

Бывают релизы, а бывают релизы. Cozystack 1.7.0 из вторых. В нем не просто набор новых фичей, а такие фичи, которые снимают сразу несколько блокеров миграции на это решение. Этот релиз понравится тем, кто уже использует Proxmox, собирается переезжать с VMware, не хочет выставлять базы данных в мир без шифрования, а бэкапить планирует не только PostgreSQL. Но обо всем по порядку.

Машина GMKtec EVO-X2 на 96 ГБ, Ubuntu 26.04, LM Studio, кванты Q4.

В отборочном круге было 12 моделей. В финал вышли четыре лидера и два новых претендента, которых я докачал уже после отбора, так что всего через тесты прошло 14.

Плотная Qwen3.8 27B выдаёт 12,8 токена в секунду, а MoE-модель Gemma 4 26B A4B на том же железе 63, хотя файлы у них почти одного размера.

Размер окна контекста на скорость и баллы не повлиял, если запрос один и тот же. А вот длинный контекст модели читают минутами, 200K токенов занимают от 8 до 23 минут.

На длинном контексте лучше всех отработала Qwen3.8, и это главная причина, по которой она у меня осталась.

В памяти теперь постоянно подгружены две модели. Gemma 4 26B Uncensored отвечает в разговорном боте, Qwen3.8 27B с MTP берёт задачи сложнее и фоновую работу.

Эта книга стала для меня настоящим откровением. Если вы ещё не читали Рубаи, а тем более не знаете, о чём они, то что приходит в голову? Имя автора-то наверняка слышали, оно частенько где-нибудь да попадается. Он, к слову, жил в 11-12 веках. Какие ассоциации возникают?

Я представлял себе что-то мудрёное, философское, с моралью, поучениями, советами. Наверное, что-то вроде Хагакурэ. Поэтому «Рубаи» ждали своего часа на полке довольно долго – вместе с Конфуцием, Декартом, Ницше. Ждали с пометкой «это что-то тяжёлое и с моралью тысячелетней давности».

Оказалось же, «Рубаи» - самая позитивная, добрая, даже пофигистическая книга о том, что нас ждёт в конце. В ней не грустное доброе сожаление, как у Марка Аврелия, а его итог. Говоря современным языком, у Марка Аврелия во время написания книги ещё шло принятие, а Омар Хайям его уже прошёл. И как бы говорит: так, ребята, подь сюды, я жизнь прожил, всё повидал, щас расскажу, на что тратить время, а что – обойти за версту.

Прочтите вот:
Я познал бытие и небытие,
Я постиг и высокое и низкое бытие,
Но, клянусь, после всех этих долгих трудов
Выше хмеля не знаю я в мире житье!

Это, кстати, и есть рубаи – четверостишие. Из них вся книга и состоит. Слово «рубаи» не склоняется (хотя очень хочется сказать «я прочитал рубаю»

Некоторое время назад я тестировал свои наработки, которые изначально не имели к VPN никакого отношения. Мне нужен был реальный сценарий, в котором можно проверить развертывание приложений, передачу конфигурации и управление удаленными серверами. Таким сценарием стал AmneziaWG, а результатом эксперимента - awg-admin.

Предполагалось, что это будет небольшая вспомогательная панель. Инструмент использоваться для решения вполне реальных задач: настройки серверов и интерфейсов, добавления пользователей и построения туннелей. Со временем эксперимент перерос первоначальную задачу, и архитектура awg-admin потребовала переосмысления.

Во-первых, вся система была построена вокруг одного протокола. Во-вторых, туннель фактически воспринимался как связь двух серверов, тогда как на практике хотелось собирать цепочки произвольной длины. В-третьих, список серверов не давал целостного представления об инфраструктуре: где находятся узлы, как они связаны и по какому пути проходит трафик.

Так появился vpn-admin - уже не панель для AmneziaWG, а визуальная система управления VPN-инфраструктурой с поддержкой разных провайдеров, картой серверов и редактором сетевой топологии.

Дрон может отлично выглядеть в спецификации, но оказаться бесполезным в реальных условиях. Например, заявленного времени полёта не хватит для инспекции ЛЭП, а выбранная камера не обеспечит нужную точность измерений. Чтобы избежать таких ошибок, стоит начинать с полётного задания и требований к полезной нагрузке. Разберём, как на их основе определить характеристики платформы, учесть ограничения эксплуатации и составить техническое задание на разработку БПЛА.

В данном тексте я выполнил обзор широко известного open source проекта прошивки для PCAN-Pro. Код которой лежит на Github. Мне удалось портировать и завести прошивку на покупной учебной отладочной плате JZ-F407VET6.

В каждой разработке с CAN нужны средства отладки. Я узнал, что в интернете есть открытый проект прошивки для культового прибора PCAN и попробовал его портировать на учебную отладочную плату JZ-F407VET6.

Как писать софт на современном ПК для SDK которой больше 20 лет?

У Nokia N70 снова есть непрочитанные. Как я сделал Telegram-пейджер для Symbian 8.1.