AI для Разработки — Claude | Cursor | Copilot

Пять строк миграции, которые кладут прод Coding-агент шикарен в рутине: протянул поле через модель, поправил тесты, сгенерил миграцию. И вот последнее выглядит совсем невинно — ORM сама делает DDL, diff крохотный, тесты зелёные. Что могло пойти не так? А то, что миграция — это не обычный код. Пять строк тут страшнее, чем тысяча строк бизнес-логики. Питон падает — ломается один путь. Неудачный ALTER TABLE — и запросы ко всей таблице встают в очередь, пул соединений выжирается, а «мелкая правка схемы» превращается в лежащий сервис. Агент теперь клепает изменения схемы почти бесплатно, а проверять их дешевле не стало. Поэтому я отношусь к такой миграции как к привилегированному артефакту — примерно как к правке Terraform или Kubernetes RBAC. Пусть агент готовит, но пропуск в прод выдаёт отдельный набор проверок, а не «ну тесты же зелёные». Классика: агент видит медленный фильтр, лепит db_index=True, makemigrations рожает обычный AddIndex. На тесте — молниеносно. На таблице в сотни миллионов строк — привет, блокировка. PostgreSQL не зря разделяет CREATE INDEX и CREATE INDEX CONCURRENTLY: второй не блокирует записи. Вопрос не «валиден ли файлик?», а «что он сотворит с боевой базой?». 😁 — знаю эту боль 🤔 — теперь буду читать миграции Источник: habr.com @ai_for_dev

Поручили ИИ-агенту нудные тикеты DBA и запустили на 800+ баз У ребят из СберТеха парк из 800+ инстансов PostgreSQL, и вместо ручной рутины они собрали агента, который сам разгребает типовые тикеты: чистит диск, гоняет VACUUM/ANALYZE и планирует остановки БД. Классика жанра «пусть машина работает, а я пойду пить кофе». Внутри два режима на одной кодовой базе: - интерактивный — чат в Streamlit поверх графа LangGraph с 32 инструментами, для ручной диагностики; - автономный — cron сканит тикеты и раскидывает их по обработчикам. Самое приятное: LLM (GigaChat) тут не «думает за всех», а вызывается один раз — вытаскивает из тикета хост, точку монтирования, дату и действие. Дальше уже честная жёсткая логика на SSH и SQL, без магии. Плюс отдельно ИИ разбирает метрики Prometheus и логи, ловит аномалии и выдаёт выводы по-русски. В статье — полный код, реальный пример с автономным VACUUM/ANALYZE и лента событий, чтобы видеть, что агент творит. Глянуть на Хабре 🔥 — забираю идею 🤡 — а мои тикеты всё я @ai_for_dev

Свой шлюз к Claude: как не словить бан по IP Anthropic на днях массово раздала баны — без объяснений, без возврата денег, апелляции почти не помогают. Похоже, триггерил российский IP и часовой пояс, светившиеся на аккаунте. Логика простая: пусть все запросы к Claude всегда уходят с одного IP сервера в нормальной стране. Рецепт: на VPS в Docker крутится CLIProxyAPI — прокси, который держит ваш OAuth-вход и отдаёт совместимый API на 127.0.0.1:8317. Комп цепляется через SSH-туннель, наружу торчит только 22-й порт. Claude Desktop и Claude Code смотрят на этот адрес как на свой шлюз. По минусам: VPS свой — платить и няньчить самому; расход в Claude Code прикручивается отдельно; и да, способ неофициальный — риск бана не обнуляется, просто становится меньше. Зато работает без VPN и можно подключить несколько аккаунтов. 🔥 — поднимаю себе такой 🤷 — а вдруг снова прилетит Источник: habr.com @ai_for_dev

155 строк, чтобы агент перестал звучать как робот Современный синтез звучит прилично, и на телефонной линии с её 8 кГц никто не услышит разницу между хорошим и отличным TTS. Палит агента другое — как он читает числа. «Привезём 15.07.2026» превращается в «пятнадцать точка ноль семь», а телефон читается одним десятизначным монстром, который на слух не запишешь. И каждый такой момент собеседник вспоминает, что говорит с программой. Хорошая новость: это самый дешёвый в устранении маркер. Идея простая — не давать движку видеть цифры вообще. Всё разворачиваем в слова до синтеза. Почему так, а не через настройки движка? Детерминизм (как прочитается «1 490 ₽» — зависит от версии и фазы луны, а текст без цифр читается одинаково) и переносимость (слой не знает, какой TTS за ним, и переезжает без правок). Одна зависимость — num2words, дальше регулярки и окончания. Закрывает даты, телефоны, деньги, проценты, номера заказов. Плюс автор честно рассказал про три грабли, на которые наступил сам (num2words упорно говорит в мужском роде — привет, склонение). Код целиком в статье: habr.com 🔥 — забираю в бота 🤷 — у меня и так ок @ai_for_dev

Beam — западный ответ китайцам, только дешевле Reflection AI выкатили Beam — свою первую открытую модель. Заявка смелая: уровень GLM-5.2 в рассуждении, но в 3-4 раза дешевле по инференсу. То есть та же мощь за меньшие деньги на железо — звучит как мечта любого, кто считает счёт за GPU. Под капотом MoE на 501 млрд параметров (активных всего 23 млрд), контекст — целый 1 млн токенов. Обучали под код, рассуждение и агентов. По их же тестам Beam обгоняет Inkling от команды Миры Мурати на задачах по коду — правда, цифры пока никто со стороны не перепроверял. Самое вкусное: веса обещают в этом месяце, так что скоро можно будет пощупать самому. За спиной стартапа — Nvidia, Sequoia и $4.7 млрд инвестиций, так что это не однодневка. Детали тут. 🔥 — скачаю как выложат 🤩 — опять гонка, обожаю @ai_for_dev

Код пишет Claude, а шишки набивать кому? Вайбкодинг прёт по планете семимильными шагами: накидал промпт в чат Claude Code — и за пару часов готов MVP. Красота же? Порог входа упал до «умею внятно объяснить ИИ, чего хочу». Но есть нюанс. Когда код генерится по кнопке, джуны пропускают всё то, на чём раньше росли мозги: ловлю утечек памяти, попытки впихнуть хотелки бизнеса в адекватную архитектуру, нудную отладку в три часа ночи. А ИИ не проектирует — он решает твой запрос самым дешёвым для себя способом, здесь и сейчас. Кто будет это поддерживать через два года, модельке глубоко безразлично. И это не вкусовщина. GitClear прогнал 623 млн изменений кода за 2023–2026 и насчитал +81% дублирующихся блоков: нейронке проще налепить новую функцию, чем найти старую. А вайбкодер этого даже не замечает. В итоге рискуем вырастить поколение, которое виртуозно раздаёт команды нейросети, но не шарит, как оно всё работает внутри. Заваривайте чаёк, думайте. ☕ 🔥 — грешен, сам так кодю 🤔 — да ладно, паникёры Источник: habr.com @ai_for_dev

Yandex выкатил в опенсорс YTsaurus Flow — стриминг без потерь и дублей Если вы хоть раз строили real-time пайплайны со строгими требованиями, то знаете, сколько там инфраструктурной боли: низкие задержки даже в высоких перцентилях, партиционирование под плавающую нагрузку, восстановление после отказа целого дата-центра. И самое противное — как гарантировать exactly-once, чтобы ничего не потерялось и не задублировалось. Yandex решил это за вас и открыл YTsaurus Flow под Apache 2.0. Это фреймворк потоковой обработки с сохранением состояния между событиями и exactly-once по умолчанию. Он живёт поверх платформы YTsaurus и использует её хранилище, очереди и транзакции — так что управление состоянием и восстановление после сбоёв берёт на себя сам, а вы пишете только прикладную логику. Вишенка: на реальном сервисе переход на Flow ужал задержку данных для дообучения моделей с десятка часов до двух. Как это устроено внутри — разобрали на Хабре. 🔥 — self-hosted gang 👀 — надо потрогать на выходных @ai_for_dev

«ИИ заменит всех?» А почему мы тогда до сих пор пилим руками? Многие ждут, что ИИ-агент станет волшебной палочкой: кинул задачу — получил результат «под ключ». На деле архитектура, отладка, интеграция, безопасность и понимание домена никуда не пропали. С продуктивностью вообще забавно. В исследовании METR опытные ребята на знакомом коде с ИИ справлялись на 19% дольше. У тех, кто вернулся в замеры, вышло +18% скорости — но разброс от −38% до +9%, так что точную цифру авторы честно назвать не рискнули. А работа NBER с говорящим названием «Writing Code vs. Shipping Code» добила: коммитов стало на 180% больше, готовых проектов — только +50%, а реальных релизов — всего +30%. Классический «слабый эффект звена»: код генерится быстро, а ревью, тесты и интеграция остаются на людях и всё тормозят. Итог: накидать код и реально доставить фичу — это по-прежнему две разные истории. 😎 — ну очевидно же 🤔 — а у нас так же Источник: habr.com @ai_for_dev

OpenBPM 2.0 — наша «камунда» доехала до Spring Boot 4 Команда «Хоулмонт» выкатила OpenBPM Engine v.2.0. Если коротко: это российский форк Camunda 7, который теперь живёт на Spring Boot 4 и дружит со Spring AI. Приятное: по схеме данных и API всё по-прежнему совместимо с Camunda 7 CE, так что, цитируя авторов, «вот так сразу ничего не сломается». Крутится на Java 17, 21 и 25. Старые Spring Boot 3.4/3.5 уже без патчей безопасности, так что миграцию всё равно планировать придётся — а тут хотя бы гайды завезли. Разбор на Хабре 🔥 — наконец-то родное 👀 — надо потыкать @ai_for_dev

Две RTX 5090, 40 прогонов и одна злая гонка в пуле соединений История простая: в продакшене потекли соединения. Пул забивался до 200/200, хотя реально работала от силы дюжина запросов, а рестарт лечил всё лишь на время. Автор попросил Claude разобраться — тот покопался в коде, написал тесты, воспроизвёл баг и ткнул пальцем в редкую гонку httpcore5 5.3.6 (пофикшена в 5.4.3). Можно было бы обновить библиотеку и забыть. Но две видеокарты скучали без дела, а отопление ещё толком не включили 😎 Так что баг превратился в экзамен: сможет ли локальная 27B-модель провести то же расследование? Спойлерить не буду — читайте на Habr. 🔥 — грею комнату нейронкой 👀 — чем всё кончилось @ai_for_dev

PolicyLM-1.7B: модерация без переобучения, да ещё и с открытыми весами Ребята из Musubi выкатили малышку на 1.7B параметров — decision-модель специально под модерацию контента. И, что приятно, с открытыми весами — можно крутить у себя. Фишка такая: пишешь политику модерации обычным текстом, и модель применяет её к сообщениям меньше чем за 50 мс. Поменял правила — ничего переобучать не надо, просто правь текст сколько влезет. По цене и скорости как обычные классификаторы соцсетей, но гибкая как нормальная LLM. На выходе не простыня текста, а бинарное «да/нет»: подходит сообщение под категорию или нет. Именно за счёт такого узкого вывода оно и бегает быстро и дёшево. Детали — на techcrunch.com. 🔥 — заберу на сервер 👀 — сначала потыкаю @ai_for_dev

ИИ-ревьюер на 4000 PR в день: как это работает у Яндекса Знакомо? Тесты зелёные, компиляция ок, апрув поставили — а баг всё равно вылезает в проде. Ручками такое ловить больно, поэтому в Яндексе прикрутили NeuroReview — бота, который смотрит пул-реквесты до живого ревьюера. Масштаб бодрый: ~4 тысячи PR в день, около 40% всех пул-реквестов в монорепе Аркадии. Подключение добровольное, только внутренний код. Самое вкусное — два агента. Первый жадно читает дифф и файлы и выгребает максимум проблем (его девиз — ничего не проморгать). Второй играет в злого критика и выкидывает ложные срабатывания. Сверху — рабочий процесс на Temporal, который рулит этапами и ретраями. Ловит он ровно ту рутину, от которой у ревьюеров дёргается глаз: необработанные исключения, перепутанные параметры, забытые крайние случаи. Как подбирали модели — в статье. 🔥 — хочу такого бота 🤔 — а он мне апрув не испортит? @ai_for_dev

Одна дверь к нейросети — и спи спокойно Ребята делают умный поиск для магазинов: пишешь «нужно вырыть траншею под кабель на даче» — и модель понимает, чего ты хочешь. Но цепляет другое: они с самого начала ждали, что модель однажды отвалится. Поэтому во всём коде только одно место говорит с моделью — одна функция. Контракт простой до безобразия: вернёт словарь или None. Всё сломалось? None. Лимиты кончились? None. Модель выдала бред? Снова None. Никаких исключений наружу, никакой боли, размазанной по всему сервису. Бонусом — смена провайдера одной строкой. Сейчас крутится DeepSeek, но путь на Claude тоже живой и проверенный. Все модельные грабли — в одном файле на сотню строк. Та самая скучная архитектура, которая реально спасает прод: почитать на Хабре 🔥 — одна дверь, красота 🤷 — у меня-то зоопарк @ai_for_dev