Kurgan-Telecom Ru | Информационные технологии

Джун закрывает задачи быстрее, PR проходят ревью, метрики радуют руководителя. Но на первом серьёзном инциденте выясняется, что разработчик с трудом понимает устройство сервиса, над которым работал несколько месяцев. Разбираемся, как AI‑агенты меняют привычный процесс обучения новичков, какие ошибки допускают руководители при онбординге и что поможет вырастить самостоятельных инженеров.

Сразу оговорюсь: хотел опубликовать недоверия пост, но не хватило символов, поэтому статья, но небольшая.

Речь об одной маленькой лакуне в действующем законодательстве России. Смотрим пп. «ц» п. 5 Национальной стратегии развития искусственного интеллекта на период до 2030 года, утв. Указом Президента РФ от 10.10.2019 № 490:

| доверенные технологии искусственного интеллекта – ...

Всем привет!

Сделал для себя небольшой инструмент, который позволяет добавлять сессии клода в избранное. Решил поделиться, может кому-нибудь тоже пригодится.

Код Чароита я пишу в Claude Code. Каждое изменение до мержа читает другая модель и пишет вердикт. Такую модель я зову головой, а один прогон — кругом. За два месяца в головах побывали Codex, GLM, Gemini, DeepSeek, две локальные Qwen, MiMo, Sonnet и Opus. Вердикты Sonnet ещё перечитывает Haiku. Посредников я перебрал три: Fireworks, OpenRouter, Nebius. Ниже — кто пришёл, кто ушёл и какие замеры это решили.

Часто бывает, что первый вариант произведения (экранизация или оригинал) определяют отношение к тому, что ты воспринимаешь потом. Право первой ночи, так сказать.  Если ты читаешь книгу после фильма, то тебе легко представлять героев и локации, потому что кто-то уже взял себе за труд все это визуализировать за тебя. И, наоборот, подчас выливаются тонны желчи, когда, посмотрев экранизацию после книги, ты обнаруживаешь что режиссер имеет наглость воплощать свое собственное восприятие прочитанного, а вовсе не твое =)

«!throws выглядит как not». Этой фразы хватило, чтобы Claude отказался от своего синтаксиса эффектов. А на синтаксис объявления метода понадобилось пять раундов. Иногда Claude переубеждает и меня.

Я делаю Nova — язык для бэкенда, похожий на Go и Rust. Почти у каждого заметного решения в его синтаксисе есть история спора с ИИ. Вот одиннадцать таких историй, почему язык устроен именно так, и чек-лист: когда стоит спорить с ИИ, а когда соглашаться.

Всем привет! В этом разборе расскажу, как в оценке агентных систем перейти от ощущений к измеримым показателям: как проверять траекторию вызовов инструментов, как калибровать LLM-судью, когда звать асессоров, а когда хватит команды. А в конце покажу, как мы собрали всё это в единый пайплайн с гейтами, через который проходит каждая фича перед продом.

Те, кто любит сериалы, аниме и ролевые игры, наверняка слышали про Character.AI. А если слышишь впервые, не страшно: сейчас всё расскажу.

Там можно было ночами переписываться с любимыми персонажами, от эльфийки Фрирен до самовлюблённого Драко Малфоя. А 12 октября Character.AI подала на банкротство. Первым покупателем вызвался Disney, тот самый, что год назад грозился подать в суд за использование своих персонажей. За бывшего единорога студия предлагает 20 млн $ (около 1,6 млрд ₽), хотя Google когда-то заплатил за его технологии 2,7 млрд $.

Разбираю по порядку:
- Как двое разработчиков из Google сделали стартап, на который набежали миллионы фанатов?
- Как они стали единорогами?
- Почему обанкротились?
- При чём тут Disney?
- Что будет с персонажами, которых пользователи собирали годами?

А в конце сравниваю, куда можно переехать: Idol AI, SillyTavern, Janitor и не только.

Сейчас уже ясно, что большие языковые модели (LLM) никуда не денутся и существенно изменят экосистему текстов и изображений в интернете. Исследовательская группа из Оксфорда, Кембриджа, университетов Торонто и Эдинбурга провела эксперимент, что может произойти с GPT‑{n}, когда большинство текстов в интернете будут сгенерированы LLM. Выяснилось, что обучение на сгенерированном контенте приводит к необратимым дефектам в моделях: у них исчезают хвосты исходного распределения контента. Учёные назвали этот эффект «коллапс модели».

Программировать роботов — это как деплоить в прод прямо перед выходными: всегда есть шанс, что что-нибудь пойдет не так. Стандартные системы программирования роботов от производителя пока крайне сложны и неудобны — почти как работать по ssh через терминал. А цена ошибки при обучении ИИ робота — от поломки обучаемого робота до серьезных повреждений на производстве.

Я Артем Лыков, руководитель R&D-направления Physical AI в MWS, и сегодня я расскажу вам о том, как мы вместе с командой придумали, разработали и протестировали универсальный интуитивный интерфейс для обучения роботов совершенно разных конструкций — от обычной тележки до человекоподобного робота. Для решения этой задачи мы решили скрестить смешанную реальность, цифровых двойников и VLM в одной системе — ORCESTRA. А еще про то, с какими проблемами мы столкнулись во время работы, про Mixed Reality, о том, чем отличается кинематика манипулятора от гуманоида, как VLM ищет точки захвата и почему робот с искусственным интеллектом без оператора может случайно уехать в закат стену.

Направление: Квантовая космология, модифицированная гравитация и физика экстремальных состояний

Тема 1. Хаббловское напряжение (Hubble Tension): главный космологический кризис XXI века

Разбор фундаментального противоречия между локальными измерениями скорости расширения Вселенной (по сверхновым и цефеидам) и глобальными расчетами на основе реликтового излучения (миссия Planck). Пятисигмовый кризис стандартной модели космологии Lambda-CDM. Обзор гипотез, пытающихся разрешить этот тупик: ранняя тёмная энергия, динамическая гравитация и вклад стерильных нейтрино. • Для кого интересно: Физики, астрономы, дата-сайентисты, занимающиеся анализом больших астрономических массивов данных.

Тема 2. Математический аппарат Петлевой квантовой космологии (LQC): как занулить сингулярность Большого Взрыва

Подробный разбор модифицированного уравнения Фридмана. Демонстрация того, как введение минимального кванта объема (планковской площади) в петлевой квантовой гравитации (LQG) создает силу квантового отталкивания при достижении критической плотности. Математическое обоснование того, почему Вселенная не сжимается в бесконечно малую точку, а совершает упругий Квантовый Отскок (Big Bounce). • Для кого интересно: Математики, специалисты по теоретической физике, любители строгой геометрии пространства.

Тема 3. Планковские звезды и Белые дыры: решение информационного парадокса Хокинга

• О чём писать: Кризис ОТО Эйнштейна внутри горизонта событий черных дыр. Концепция Планковских звезд Карло Ровелли: расчет реальных физических размеров сверхплотных квантовых ядер для черных дыр типа TON 618. Механизм квантового туннелирования черной дыры в Белую дыру на финальных стадиях испарения и покадровый возврат квантовой информации в пространство с сохранением закона унитарности. • Для кого интересно: Специалисты по квантовой информатике, астрофизики, исследователи парадоксов времени.

Тема 4. Субпротонная метрология: как интерферометры LIGO и Virgo фиксируют искажения пространственной метрики

Инженерно-технический разбор устройства лазерных гравитационно-волновых обсерваторий. Как Майкельсоновская схема и четырехкилометровые вакуумные плечи фиксируют относительное смещение зеркал на величину, которая в тысячи раз меньше диаметра одного протона. Активное подавление сейсмических шумов, теплового шума кварцевых нитей и использование квантовых состояний сжатого света для стабилизации лазерного луча.

Я не так давно начал менять профессию и уходить в информационную безопасность. CJCA я выбрал как первую сертификацию начального уровня. Меня подкупили две вещи. Она полностью построена на практике, в отличие, например, от Security+, и на текущий момент ее можно сдать из России.

Когда я впервые открыл задание, я был уверен, что не сдам. Эта статья то, что я хотел бы прочитать до того момента.

К сожаленью не нашел в русскоязычном комьюнити, рассширеного писания правил того как сейчас складывается практика по CLAUDE.md или AGENTS.md , хотя за более чем год она должна была сложиться. Поэтому решил провести свое исследование чтобы можно было говорить не на уровне персональной экпертности, а на уровне цифр и того как эти подходы помогают продвигать продукты.

Файл правил для AI-агента — CLAUDE.md или AGENTS.md в корне репозитория — сейчас пишут почти все, кто работает с агентами всерьёз. Советов, что туда класть, много, и почти все они — личный опыт. Мне захотелось посмотреть на практику: что реально лежит в популярных репозиториях.

Я собрал четыре выборки по 1000 проектов, прогнал по ним 70 шаблонов правил и свёл результат в 20 базовых правил. А потом взял проект с самым высоким покрытием — garrytan/gstack — и прочитал его файлы глазами. Вторая часть оказалась полезнее первой: она показала, где мой собственный метод врёт.

Сбор и подсчёт я делал вместе с агентом (Claude Code): он писал и запускал скрипты, я ставил задачи и перепроверял. Об этом тоже расскажу.

Искусственный интеллект подтолкнул продажи микросхем к самому быстрому росту с 1980-х годов, при этом TSMC и Samsung показали рекордные прибыли, пишет издание The Economist.

Тем не менее, акции компаний, занимающихся производством микросхем, упали более чем на 10% в этом месяце, поскольку инвесторы задаются вопросом, как долго продлится этот бум.

Разговор с вендором, который приносит на маркетплейс ИИ-агента, почти всегда начинается с цены за миллион токенов. Вендор знает ее наизусть, он сравнивал ее с конкурентами и выбрал модель на 30% дешевле. Потом я задаю один вопрос: сколько стоит один решенный тикет вашего агента? И в разговоре нависает пауза.

Я могу ее объяснить. Цена токена остается единственным числом, которое написано в прайсе. Все остальное приходится считать самому, а считать неприятно, потому что результат обычно не похож на слайд.

Ниже я разбираю модельный кейс с полной арифметикой: из чего складывается цена одного полезного ответа, почему токены в ней занимают 5% и что это меняет для тех, кто продает ИИ-сервис, а не только покупает его.

Статья пригодится трем группам читателей: тем, кто выбирает модель и инфраструктуру для своего агента; тем, кто назначает цену на ИИ-сервис; и тем, кто такой сервис покупает и хочет понимать, за что платит. Все цены на модели, инфраструктуру и комиссию площадки я взял из публичных тарифов, потому что они у меня под рукой и их легко перепроверить. Остальные параметры я пометил как допущения, их можно заменить своими.

Если вы не сильно знакомы с фронтендом и разработкой сайта с нуля, и вам нужен сайт, вы могли задуматься об ИИ как инструменте. И это может быть правильным, эффективным и рациональным решением — но только если правильно составить ТЗ и выбрать нужную модель. Ведь один и тот же лендинг разные инструменты доводят до рабочего состояния по-разному.

В этой статье мы проведём практическое тестирование инструментов на одном конкретном ТЗ. Наша методика не претендует на научную работу, ведь результат работы нейросети недетерминированный и различается от случая к случаю. В этой статье мы разберём модели GPT-6, Claude 5.5, DeepSeek V4.1, Qwen 3.8 и GLM 5.3. Мы также изучим замеры бенчмарков, хоть и фокус будет на наш практический тест.

Эта статья не является топом, так как из каждого юзкейса вытекают свои требования к модели, и абстрактная лучшая модель не всегда будет востребованной именно в вашем конкретном кейсе с вашими требованиями.

15 октября 2026 года в Москве в кластере «Ломоносов» и в онлайн-формате состоялся масштабный форум о проектировании, цифровизации и инновациях в строительстве «СИЛА ПЛАТФОРМЫ». Мероприятие собрало 1450 очных участников и несколько тысяч зрителей онлайн-трансляции.

Форум представил участникам актуальную картину цифровизации строительной отрасли: с какими инструментами работают передовые проектные компании, как российские решения применяются на реальных объектах и для каких прикладных задач инженеры уже сегодня используют искусственный интеллект. В деловой программе прозвучали десятки практических кейсов от команд Сбера, ДОМ.РФ, ПИК, Sminex, MARKS GROUP, ФСК, Росатома, Setl Group, «Татнефти», «ЕвроХима» и других компаний.

Авторы: Кирилл Гончаров, Сергей Адамов (BusinessPad)

Представим ситуацию. Вы настроили ИИ-агента и за две недели собрали с его помощью новый продукт — например, систему согласования заказов. В ней менеджер создает заказ, финансист его проверяет, руководитель согласовывает, после чего запускается доставка. Система работает, и пользователи могут пройти весь процесс от начала до конца. Но вдруг выясняются детали, которые сложно было предусмотреть заранее: оказалось, что перед отправкой заказа руководителю нужна дополнительная проверка, а заказы дороже 100 000 рублей должен подтверждать директор.

Вы открываете код, чтобы внести эти изменения, и сталкиваетесь с проблемой. Требование об обязательном согласовании крупных заказов директором прописано сразу в трех местах: в интерфейсе, серверной части и инструкции для ИИ-агента. При этом формулировки отличаются, и непонятно, какая из них правильная. Если поменять лимит в одном месте, остальные продолжат функционировать по-старому: интерфейс не выведет на экран уведомление о согласовании с новым человеком, сервер пропустит крупный заказ без директора, а ИИ-агент будет подсказывать пользователям прежний порядок работы. Чем больше появляется новых требований, тем сложнее понять, где находятся связанные с ними правила, что нужно изменить и не нарушит ли эта правка работу других частей системы.

Из этого часто делают вывод, что с помощью вайб-кодинга нельзя строить серьезные продукты. Я предлагаю свежий взгляд — не требовать идеального кода от первой версии продукта, а параллельно с разработкой создавать полное описание сервиса. Далее расскажу, что оно дает, как его составить и где хранить. 

Почему в git fetch origin master пробел, а в git switch -c my-feature origin/master слеш? Алексей Кладов (matklad) много лет пользовался Git, представляя его контентно-адресуемой базой коммитов, и только недавно разглядел рядом с ней обычное изменяемое хранилище «ключ — значение» — ссылки в .git/refs. Разворачиваем сокращения fetch до полной формы refs/heads/master:refs/remotes/origin/master, разбираемся, зачем Git держит у себя копию чужих веток и почему git switch -c refs/heads/x создаёт refs/heads/refs/heads/x.

У меня два аккаунта Claude. Первый корпоративный. Второй личный, за него я плачу сам и пользуюсь им в своих проектах. Оба живут на одной машине, и довольно быстро стало ясно, что держать их желательно раздельно.

Причин несколько. Рабочий код должен идти через рабочий аккаунт, потому что у компании на этот счёт свои правила. Свои проекты я, наоборот, не хочу гонять за счёт работодателя и оставлять в корпоративной истории. Переключаться вручную через /logout и /login можно, но "разве это жизнь".

Хотелось, чтобы аккаунт выбирался сам, в зависимости от того, какой проект я открыл. Оказалось, это очень легко было сделать.