Kurgan-Telecom Ru | Информационные технологии

Контейнеры живут секунды - что здесь вообще считать активом? А в облаке половину работы делает провайдер, но какую именно? Разбираем специфику управления уязвимостями в Docker, Kubernetes и облаках, класс решений container security и CNAPP, и главную ошибку - наивную веру, что “мы в облаке, провайдер за все отвечает”.

Когда сборка привязана к ПК и стационарному сканеру, сотрудник несёт найденный товар к рабочему месту, подтверждает его и снова идёт к полкам. Чем больше заказов, тем чаще повторяется этот маршрут. ТСД с приложением «Маркетплейс 15» переносит точку сканирования к товару: сотрудник за один обход подбирает позиции сразу для нескольких заказов, а у упаковочного стола распределяет их по заказам и печатает этикетки. Серверная часть продукта служит связующим слоем между Ozon, Wildberries, мобильным рабочим местом и «Честным знаком». Пятым подключаемым компонентом станет 1С.

В интерактивном демо можно переключиться между сборкой у стационарного ПК и подбором с ТСД, а затем сравнить длину маршрута. Та же разница показана на схеме ниже.

Ещё несколько лет назад работа программиста выглядела достаточно привычно. Нужно было разобраться в задаче, выбрать архитектуру, написать код, найти ошибки, исправить их, протестировать результат. При необходимости обратиться к документации, поискать решение в Google и на Stack Overflow или посмотреть, как аналогичная задача реализована в чужом проекте.

Сегодня значительную часть этой работы можно поручить искусственному интеллекту. Причём речь уже не только об автодополнении строк или генерации отдельных функций. Современные ИИ-инструменты способны анализировать проекты, предлагать архитектурные решения, писать целые модули, создавать тесты, искать ошибки и вносить изменения сразу в десятки файлов.

Возникает вопрос: что именно изменилось в программировании? Стало ли оно просто быстрее или мы наблюдаем более глубокую перестройку самой профессии?

Вот некоторые наблюдения:

1. Программист перестал быть единственным автором кода

Раньше программист практически всегда самостоятельно писал код. Даже если он использовал готовые библиотеки, копировал примеры или адаптировал чужие решения, основная работа по созданию программы выполнялась вручную.

Теперь ситуация другая. Программист может описать задачу обычным языком, получить готовую реализацию, проверить её и включить в проект. Более того, ИИ способен самостоятельно изучить существующий код и предложить изменения с учётом структуры приложения.

Это существенно меняет распределение работы. Раньше основное время уходило на непосредственное программирование: написание классов, методов, обработчиков событий, настройку взаимодействия между компонентами.

Бесплатная расшифровка без облака: черновик субтитров сразу во встречу, чистовик после встречи в хорошем качестве

В прошлой части я выяснил, что модель T-one даёт живые субтитры с задержкой около секунды, но не ставит точки и заметно уступает облаку. В этот раз я поставил за ним вторую модель: после звонка GigaAM переписывает черновик начисто. На 2 ч 21 мин моих рабочих созвонов чистовик исправил 11,9% слов черновика и испортил 1,5%, а на записи, которую я переслушал вручную, вышел на уровень Deepgram. По дороге выяснилось, что эталон ошибался в каждом четвёртом спорном месте, а каскад со второй моделью, который хорошо работал у коллеги, у меня сделал только хуже. Внутри схема двух проходов, таблицы, расчёт денег и описание с ссылками в репо, чтобы повторить.

Данный текст переполнен фантазиями моего больного воображения, совпадение с реальными людьми, избирательными участками, городами и происшествиями - чистая случайность, вызванная хаотичными и хтоничными переключениями нейронов внутри моей естественной нейросетки. Я ни в коем случае не претендую не просто на объективность, а даже на существование своего собственного я.

После прошлой статьи вышли 16 релизов Sextant — бесплатного open-source клиента Kubernetes на Rust и Tauri, замены Lens без аккаунта и подписки. Сначала за сутки вышел весь роадмап 0.12–0.15. Потом в комментариях нас сравнили с Radar; мы составили список того, чего у нас нет, и к ночи выпустили 0.16–0.19: граф живого трафика, проверки best practices, диагностику «почему Service не получает трафик», файлы образа прямо из registry и разделы для Argo Rollouts, Crossplane, Kyverno и других операторов. Код по-прежнему целиком пишет ИИ (Claude Code), а человек ставит задачи, делает ревью и проверяет каждое изменение тестами. Под катом — дайджест всех релизов, обзор новых функций и честно о том, что пока не получилось.

ИИ в багхантинге перестал быть экзотикой. Сегодня агент помогает искать уязвимости почти у всех, и вопрос давно не в том, пользоваться им или нет, а в том, как пользоваться так, чтобы это приносило валидные находки, а не поток мусора.

Последние полгода мы вдвоём плотно гоняем агентные связки на российских багбаунти-площадках. За это время набралась коллекция типовых граблей, на которые наступает почти каждый, кто сажает ИИ искать баги. Ниже семь таких стоп-факторов, от самого простого к самому болезненному, и то, как мы с каждым из них боремся.

Эта игра получила две номинации IGF, выиграла призы Excellence in Design и Excellence in Audio, вышла на PS3 и PC и собрала хорошие отзывы критиков, а студия, которая её сделала, после успешного релиза фактически развалилась, а один из двух сооснователей выгорел и ушёл в найм. Ни провала, ни скандала, ни закрытого издателя, просто четыре года разработки человеческих жизней были потрачены. Что за игра, если не узнаете, напишу в конце.

Историю постмортема я знаю из первых рук. В начале десятых мой знакомый, сваливший в Штаты за длинным баксом, вдруг вернулся в родной Питер без этого самого длинного бакса, зато с Шеви Тахо и долгами, проработав аутсорсером в той студии от первого коммита почти до закрытия. Тахо ему потом пришлось продать, потому что расход небольшого заводика накладывает некоторые ограничения на бюджет, но история не об этом...

Идея игры возникла случайно, когда команда делала техническое демо для совсем другой игры и добавила туда отладочный режим, чтобы отматывать время назад и повторять участки геймплея, обычная сейчас вещь, без которой ловить баги в динамичной игре довольно больно. В итоге они решили превратить саму перемотку времени в кор механику игры.

У меня есть ИИ-агент Андреич. Он берёт трубку на моей телефонной линии, отвечает в чате на сайте и сидит в Telegram. На днях он переехал ещё и в вырез экрана макбука, который в народе зовут чёлкой. Там он стал пушистым 3D-енотом. Слушает меня весь день, ведёт протокол, вытаскивает из болтовни задачи и по моему «ок» отправляет их в нужную сессию Claude Code. Заодно показывает, сколько недельного лимита подписки можно потратить сегодня.

Приложение открытое, лицензия MIT. Внутри Swift без Xcode и three.js, около 4900 строк. От первой просьбы до публикации на GitHub прошли сутки, и весь код написан в диалоге с Claude Code. Руками я не правил ни строчки. Ниже о том, как оно устроено, и о трёх местах, где я наступил на грабли. Самые дорогие из них стоили мне часа записи: распознавание речи отвалилось молча, а микрофон продолжал гореть.

Раньше ChatGPT мог объяснить незнакомое слово, но через пару дней я его уже забывал. Теперь достаточно написать "Добавь эти слова в мой словарь", и они автоматически появятся в мобильном приложении, где их можно учить через интервальные повторения.

Покажу, как это работает и как настроить все за несколько минут.

На проектах миграции данных есть промежуточный этап, когда новая платформа данных уже достаточно большая, чтобы начать создавать проблемы, но ещё недостаточно зрелая, чтобы вокруг неё успела появиться полноценная observability-инфраструктура.

Появляются десятки и сотни DAG, Spark-приложений, таблиц Iceberg и цепочек зависимостей. Часть процессов уже переведена на новую платформу, часть всё ещё живёт в legacy, постоянно что-то догружается, пересчитывается и меняется.

И довольно быстро простой вопрос: «Что сейчас вообще происходит на платформе?» перестаёт иметь очевидный ответ.

Чтобы понять причину задержки витрины, инженер идёт в Airflow. Потом открывает upstream DAG. Потом ещё один. Затем Spark History Server. Потом логи. Потом Grafana. Потом смотрит метаданные таблицы. А через двадцать минут обнаруживает, что проблема вообще началась тремя уровнями выше по линеджу.

При этом построение полноценного внутреннего инструмента наблюдаемости платформы почти никогда не является первым приоритетом проекта. Бизнес ждёт миграцию, аналитики ждут данные, команда исправляет пайплайны, инфраструктуру и производительность.

И здесь я хотела бы поделиться тем, какие инструменты мониторинга и операционного контроля для платформы данных можно быстро навайбкодить собрать за относительно короткий срок.

OpenAI опубликовала пост о том, как ее модели справляются с “малоресурсными” языками программирования – COBOL, Fortran, Visual Basic, OCaml. Компания выложила новый бенчмарк MultiLangBench и привела результаты второго, закрытого теста на перенос старого кода. Цифры выглядят как опечатка: прошлое поколение моделей переписывало программы с COBOL на современные языки в 5,4% случаев, новая GPT-6.1 Sol при тех же настройках – в 86,6%, а если дать ей подумать подольше – в 97,9%.

Представим агента, которому поручили оформить подрядчика. Он создал карточку исполнителя, подготовил договор и отправил его на подпись. Сервисы приняли запросы, ошибок в журнале нет. Но по внутреннему регламенту договор можно отправлять только после проверки статуса подрядчика. Агент этот этап пропустил, а сервер позволил продолжить работу.

6 октября OpenAI выложила 722 математические статьи, и одна из них заявила доказательство квазигипотезы Римана: все нетривиальные нули дзета-функции лежат в полосе более узкой, чем известная с XIX века. Специалисты по теории чисел за две недели разобрали доказательство и в основном согласны, что оно верно. Новых понятий в нём нет — модель нашла упущенное семейство функций и свела воедино давно известные методы, включая формулу, которую Радзивилл и Данн доказали в 2021 году. При этом статьи «написаны ужасно», и это единственная из 722, которую правил человек: кто он и почему правили только её, OpenAI не ответила. Рассказываем, что именно доказано, почему последствия называют ошеломляющими и почему до самой гипотезы Римана, возможно, так же далеко, как раньше. Хотя ещё несколько недель назад так сказали бы и о квазигипотезе.

Сейчас сайт есть почти у каждого второго предпринимателя и крупного бизнеса – ведь это отличный и быстрый инструмент, чтобы рассказать о себе, своих услугах/товарах, стоимости и получить сразу деньги за заказ без контакта с самим клиентом. Только вот помимо красивого оформления и продающего текста не следует забывать, что ваш сайт должен быть упакован и защищен и с юридической стороны от проверок и штрафов надзорных органов. 

Как же должен быть оформлен ваш сайт и что должно на нем быть? Вот вам небольшой чек-лист.

В статье я расскажу, как мы запускаем ИИ‑агентов для простых повторяющихся задач в Gitlab‑CI с помощью opencode‑cli.

Я всё таки родом из QA, так что в качестве примера буду использовать типичную для тестеров задачу — анализ прогона авто‑тестов. Но в целом подход сгодится и для других задач, не связанных с написанием кода напрямую.

Упор постараюсь сделать на том, как исполнить это достаточно безопасно на обычной и всем привычной инфраструктуре: gitlab‑ci + раннеры в докере.

Apple MLX создавался для эффективной работы с моделями на Apple Silicon, но при дообучении он может оказаться в несколько раз медленнее PyTorch MPS. Зато там, где MPS упирается в ограничения памяти, MLX позволяет запустить модель вдвое крупнее. Откуда берётся такой разрыв, насколько виновато квантование и какой стек выбрать для локального SFT? Ответы дают 10 запусков Qwen 2.5 с разными размерами моделей и длиной контекста.

Всем привет! Скажу честно: я как программист очень устал читать горы текста, которые выдают ИИ-кодинг-агенты. Это прямо больно. В частности, когда ты просишь создать файл plan.md, в котором необходимо описать, что нужно сделать, чтобы написать код с нуля или добавить новую фичу в уже существующий проект, я получаю простыню текста в формате Markdown. Ни прототипов интерфейсов, ни диаграмм, которые визуально объясняют, как все работает и выглядит. Читать - тоска зеленая. Вот куда интереснее смотреть на прототипы UI-интерфейса и диаграммы со стрелочками, которые показывают, как всё работает. Как говорят, лучше один раз увидеть, чем сто раз услышать - пардон, прочитать.

Теперь, когда мы выпустили бета-версию Vapor 5, пришло время посмотреть, что на самом деле изменилось! В этом посте мы расскажем о том, как работает Vapor 5, какие изменения мы внесли и как будет выглядеть ваш новый код. Этот пост — часть серии публикаций, посвящённых Vapor Week. Подробнее читайте в основном посте блога.

В 2026 году интеграция LLM-моделей (OpenAI, DeepSeek) и тяжелой гео-инфраструктуры (Google Maps, Яндекс.Карты, DaData) есть практически в каждом Enterprise-продукте. И всё бы хорошо, но счета за токены и лимиты API растут нелинейно. Когда наш проект столкнулся с тем, что корпоративный чат-бот и аналитические модули начали «проедать» шестизначные суммы в месяц, мы сели анализировать логи.

Выяснилась классическая вещь: до 40% запросов от пользователей или внутренних сервисов — это чистой воды дубли. Люди по десять раз переспрашивают у модели схожие аналитические промты, а фронтенд-модули тоннами гоняют идентичные запросы к гео-кодерам. Первая мысль — давайте закроемся кэшем. Но тут мы упёрлись в архитектурный тупик.

Почему Nginx и классические прокси здесь не помощники

Обычно для кэширования трафика берут Nginx, Varnish или HAProxy. Но все они создавались для классического веба, где правит бал GET-запрос, а уникальным ключом кэширования выступает URL.

Современные ИИ-модели и гео-сервисы работают строго через POST. Внутри тела (payload) лежит тяжелый JSON. И этот JSON постоянно мутирует: