Kurgan-Telecom Ru | Информационные технологии

Каждый раз, когда вы соединяете ноды в Blueprint и нажимаете Play, Unreal Engine запускает маленький процессор. У него свои инструкции, свой стек, своя защита от бесконечных циклов. Он написан в ~4000 строках C++ и живёт в одном файле. Через него проходит каждый Event Tick, каждый Event BeginPlay, каждый вызов Blueprint-функции.

Этот процессор - Blueprint VM (Virtual Machine). И сегодня мы разберём его по винтикам.

Эта статья продолжает цикл BPMN: Beyond the Basics, и сегодня мы поговорим о том, как BPMN управляет временем. Спойлер: весьма посредственно.

Нотация BPMN изначально создавалась как инструмент для описания последовательности действий, а не временных зависимостей. Основное внимание в моделях BPMN уделяется тому, что должно произойти, в каком порядке, при каких условиях — но не когда именно.

Привет всем, на связи снова Дарья Борисова, системный аналитик из ПСБ. Продолжаю развеивать мифы о REST API.  В первой статье цикла мы разобрали фундаментальные заблуждения о природе REST. Сегодня переходим к более прикладным, но не менее спорным вопросам — к мифам о реализации. Мы разберем тонкости работы с методами, поговорим о настоящем смысле «stateless» и выясним, правда ли, что новые технологии отправляют REST на покой. Погружаемся глубже.

В 1988 году бортовой компьютер с памятью 128 КБ посадил космический корабль в шторм. Сегодня ваш смартфон с многоядерным процессором заикается при скролле списка контактов. Мы привыкли думать, что данные невесомы, а JSON – это «просто текст». В этой статье мы препарируем один обычный fetch-запрос и посчитаем его реальную цену: в байтах, миллисекундах и скрытых архитектурных издержках. Разберемся, почему мы стали «поколением JSON» и как вернуть себе инженерную осознанность в эпоху избыточности.

Привет, Хабр! Меня зовут Владимир и это вторая часть материала о трассировке LLM-агентов. В первой части мы настроили инфраструктуру: подняли LangFuse, организовали трассировку и научились управлять промптами как кодом. Если вы ещё не читали — рекомендую начать с неё.

В этой части перейдём от теории к практике: соберём агента, который пишет сказки. В графе будут задействованы инструменты, условные переходы и циклы обратной связи.

Предыстория. Ну как ИИ-стартап, в общем-то обычный SaaS но с ключевыми задачками в бизнес-процессах для LLM. 

Задача основателю казалась простой. Нужно было построить систему, которая принимает пользовательский запрос, анализирует контекст пользователя, извлекает релевантные данные и формирует ответ.

На первом этапе архитектура ИИ-слоя выглядела очень просто и типично:

user request ⭢ RAG retrieval ⭢ LLM ⭢ answer

В прототипе все работало отлично. Но после запуска в реальном продукте начались первые проблемы. Именно тогда этот стартап и попал ко мне.

«Первый этап любого проекта — неправильно оценить сроки и бюджет проекта.»

История о разработке программы для «Честного знака» с традиционными ироничными сетованиями о том, почему даже простой проект не может быть без подводных камней.

OpenAI недавно объявила о привлечении 110 миллиардов долларов. Тридцать — от SoftBank, тридцать — от Nvidia, пятьдесят — от Amazon. Это больше чем вдвое превышает прошлогодние 40 миллиардов — крупнейшую частную технологическую сделку в истории. Оценка компании взлетела до умопомрачительных 840 миллиардов. При этом, судя по всему, OpenAI урезала планы по расходам: инвесторам сообщили, что к 2030 году компания планирует потратить на вычислительные мощности «всего» около 600 миллиардов — это значительно меньше половины от ранее заявленных 1,4 триллиона.

Денег приходит больше, уходит — вроде бы — меньше. Это поворотный момент? Может ли это превратить OpenAI из чёрной дыры для капитала во что-то хотя бы отдалённо устойчивое?

Если коротко — нет. Совсем нет. 110 миллиардов даже не почувствуются. Сейчас объясню почему.

Разбираюсь, почему рука тянется закрыть вкладку, когда текст очевидно сгенерирован нейросетью — с точки зрения психологии. Параллельно ставлю эксперимент: эту статью я написал сам, а вторую — целиком отдал Claude. Посмотрим, какую заминусят первой.

Time-travel debugging — это возможность сохранять снимки состояния приложения и перемещаться между ними. Традиционно он ассоциируется с инструментами отладки, такими как Redux DevTools. Однако пользователи современных приложений (Figma, Google Docs, VS Code) ожидают функциональности по перемещению между состояниями и от форм и веб-приложений.

Эта статья делится на две части:

Теория (Часть 1): Универсальные паттерны и концепции, которые останутся актуальны независимо от используемых библиотек.

Практика (Часть 2): Туториал по реализации пользовательского time-travel с использованием Nexus State.

Что общего между броском d20 и проверкой гипотезы? Между походом в таверну за информацией и сбором данных от заказчика? Оказывается, довольно много.

Хабр, привет! Меня зовут Вячеслав Демин, я больше пяти лет работаю в сфере Data Science. Сейчас я руководитель направления аналитики данных в Сбере и эксперт на курсе «Специалист по Data Science» в Яндекс Практикуме. Начинал с этого же курса в 2020 году, после чего работал в сфере страхования и нефтехимии. 

А ещё я Dungeon Master в «Подземельях и драконах». В этой статье я расскажу, чем моя любимая игра похожа на мою работу и чем она может полюбиться дата-сайентистам.

Эта статья не о том, что Puppeteer плохой инструмент. Puppeteer — отличный. И грамотный TLS-фингерпринтинг вынесет большинство защит. Но есть класс задач, где даже идеальный сетевой стек не спасает — потому что детект давно приземлился на уровень поведения рендеринг-движка. Разберём, как Cloudflare и Akamai палят вас через WebGL и Canvas, и почему "чистый" код больше не работает.

Бывает, менеджера нанимают на одну роль, а работать предлагают в другой. Например, в требованиях — нужен Delivery-менеджер: отвечать за поставку ценностей, сроки и результат. На практике — координируй, передавай задачу, уточняй статус. При этому команда менеджеру не подчиняется, приоритеты меняют тоже без него, а к заказчику доступ ограничен. Но зато если всё плохо — виноват менеджер, это его ответственность. 

Так выглядит работа с низким уровнем агентности. Это когда вы формально отвечаете за результат, а фактически — координируете чужие решения. В этом нет ничего плохого, если человека устраивает обычная административная роль. Но если от вас ждут управления и изменений, а полномочий и ресурсов не дают — всё обычно кончается конфликтами, выгорание и увольнение по причине «не сработались». И виноват в этом не менеджер. 

Я Степан Сорокин, Delivery Manager в Outlines Tech. За 10+ лет в ИТ я несколько раз попадал в компании, где ответственность отделяли от полномочий, а название роли не совпадало с реальной задачей. В статье разберу, что такое агентность в работе менеджера, почему её мало и что с этим делать.

Разрабатываю AI-агента персональной аналитики для себя вместе с Claude Code. Любопытной инженерной задачей оказалась архитектура памяти. Как сделать, чтобы агент помнил не только последний разговор, но и паттерны, накопленные за месяцы? В этой статье описана архитектура, рабочие решения и грабли, на которые я наступила.

Product Radar — здесь каждую неделю публикуются лучшие онлайн-сервисы и железки от русскоязычных команд. Это площадка, где энтузиасты из мира технологий делятся своими идеями, обсуждают и создают вместе новые продукты, чтобы делать жизнь людей лучше.

Вот пример внедрения который я непосредственно воплощал, когда подхватил умирающий цех на металлургическом комбинате. Я планировал заняться улучшением технологии в сторону качества, в первую очередь улучшением механических свойств проката, геометрией, только всё это пришлось отложить. Хороший цех для наших реалий, запустили его только нещадно и показатели цеха были гораздо хуже того, как он бы мог работать даже при среднем уровне менеджмента.

Первое что меня сильно удивило когда начал вникать в цифры - цеховой баланс по металлу не сходился - цех получал заготовки значительно больше чем было годной продукции. Куда исчезала разница, на тот момент было непонятно. Пересчитал баланс - по отчётам цеха, по отчётам ОТК, технологов, экономистов цеха и других ситуация была стабильно средняя - средненькое качество продукции, с планом справлялись; только по отчёту коммерческих служб комбината мы не выполняли план по отгрузке продукции; это было сразу понятно по количеству завершённых контрактов. То есть цех работал, получал заготовку и ресурсы, продукция выпускалась, а вот с отгрузкой продукции потребителям были постоянные проблемы - мы не могли закрыть контракты в полном объёме, постоянно видели долги по поставкам продукции.

Изначально я переписал склад на бумагу, без особой точности - склад был забит браком, но кто и когда это сделал вообще не понятно. Имеет ли это отношение к текущему производству тоже не понятно, поскольку маркировка скрыта в горах такой продукции. То есть учётам тоже верить нельзя. С такого старта начал.

Бывают ситуации, когда есть список значений, и нужно найти значения, которых нет в БД. Прямым SQL-запросом найти отсутствующие значения невозможно, так как из базы нельзя получить значения, которых там нет. В статье рассмотрим какие есть замены временным таблицам в SQL.

Когда ты больше десяти лет в IT, кажется, что поиск новой работы — дело пары недель. Просто рассылаешь свой идеальный одностраничный PDF и ждешь приглашений.

Реальность - автоматические отказы еще до этапа знакомства с HR. Оказывается, впихнуть весь свой опыт в одну страницу под требования конкретной вакансии физически невозможно.

Нормальный человек в этой ситуации просто открыл бы Word и потратил сорок пять минут на ручные правки. Но я же инженер. Поэтому вместо отправки отклика я написал свою CMS для управления карьерным опытом и оптимизации резюме под вакансию.

Стоила ли неделя медитаций над консолью того, чтобы автоматизировать задачу, и как это взломало конверсию на первичном скрининге?

Самые трендовые события и полезные материалы по искусственному интеллекту за неделю. Без нудных технических релизов. Кратко.

Небольшая инструкция для всех, кто работает в Unreal Engine и пишет на C++ или иных языках + компилирует файлы для Андроид.