Kurgan-Telecom Ru | Информационные технологии

Однажды мы решили сделать золотой датасет. Он был нам нужен для улучшения и масштабирования МВП, прошедшего пилот. Мы думали, что сделать его будет также просто как и МВП, и отправили первую версию в работу к нашим разметчикам. 

Мы верили что это будет быстрое приключение на 15 минут туда и обратно (ведь мы хотели разметить всего 5000 диалогов), но никогда так не ошибались. Оказалось, что живые люди понимают ТЗ творчески, а я расскажу, с чем мы столкнулись, когда, наконец-то дождались своей разметки.

За мной пришли. Ещё совсем недавно, где-то год назад, компания, в которой я работаю, начала "мотивировать" всех разработчиков использовать AI, буквально в любом виде. Затем оказалось, что просто использовать AI уже недостаточно, и всех начали "агитировать" использовать coding агентов. Но и на этом дело не закончилось: теперь меня "призывают" стать адептом SDD и начать активно использовать OpenSpec.

При этом я бы не сказал, что отношу себя к консерваторам или луддитам (так называют противников внедрения новых технологий). Я начал использовать AI ещё на этапе выхода GPT-3 (задолго до того, как его стали активно внедрять у нас). Одним из первых перешёл на программирование с помощью агентов, настраивал собственный harness и, кажется, вполне успешно справлялся с задачами.

Но если сверху решили, то сопротивляться бессмысленно. Поэтому в статье разбираемся как встроить OpenSpec в свой любовно настроенный harness и не сломать то, что уже неплохо работало.

В октябре беспилотники за четыре дня выбили три дата-центра Яндекса. Через пять дней после первого удара наш прод уже жил на собственной платформе: три зоны у разных провайдеров, контрольный узел в Амстердаме (чтобы было) и ни одного managed-сервиса.

Внедрение AI в программные продукты часто сопровождается необходимостью обогатить контекст LLM специфичными для ваших задач данными. Для обогащения знаний используемой вами модели применяется два подхода:

- fine-tuning — дообучение модели на ваших данных. Тут финансовые затраты идут на обучение модели:

-- ресурсы на fine-tuning в случае on-prem решения,

-- дополнительные средства за дообучение модели по подписке.

- RAG — внешний источник данных, данные из которого передаются в качестве контекста к промпту в LLM. Затраты тут переносятся на размер запроса за счёт увеличения входящего контекста.

Так как я программист, а не Data Scientist, то предпочитаю понятные, переносимые вне зависимости от способа размещения модели, подходы, поэтому мой выбор — RAG. 

Утро у меня начиналось с вкладки трекера, вкладки календаря, заметок и пары PR, и полгода назад я начал делать себе десктопное приложение, которое собирает это в одно окно с клавиатуры. Ниже — что внутри и где я по дороге наступил на грабли: 13 трекеров через один дескриптор, все данные в одном JSON с миграциями и машиной времени, Vim‑клавиши по физическому месту клавиши и задача, которую подсказывает git‑ветка. Называется Tabless, код открыт под MIT.

Как‑то в 6 классе я не верил, что человек состоит из молекул.

Я думал, что всё живое сделано из клеток. А молекулы — это то, что в неживом. В стуле, например. И вот, я подрос. Теперь я знаю, что клетка состоит из каких‑то там органелл, и вот они уже состоят из молекул. Почему? Да фиг его знает...

И вот, я подрос ещё сильнее — и теперь могу доказать это при помощи электронного микроскопа. Возился с ним 3 месяца, затупил один бриллиант и перевёл немного золота, но вышло безумно красиво.

Вот уже почти год ИИ для меня не эксперимент, а рабочий инструмент: реальные проекты, реальные сроки, реальная ответственность за результат. И за этот год я увидел, что люди, которые «пишут код с ИИ», делают это принципиально по-разному. Одни кидают промпт и берут то, что получилось на выходе. Другие проектируют систему, в которой ИИ делает работу под их контролем.

Андрей Карпатый, который придумал слово «вайбкодинг» в феврале 2025 года, имел в виду простое: сваять сайт-визитку или утилиту для себя, не читая код, доверяя результату. Но слово приросло ко всему: от поделок до продакшн-систем, где инженер отвечает за каждую строку. Разница между этими двумя способами работы огромна, а название для второго подхода как будто отсутствует.

Плюсом к этому многие действительно злоупотребляют технологией и создают быстрые непроверенные решения с прицелом на ответственные ниши, где они показывают свою слабость, непроработанность и угрозу безопасности данных. Такие решения добавили негативный оттенок к понятию «вайбкодинг», и реальные инженеры-разработчики невольно встали в один ряд с новичками и получили "позорное" клеймо вайбкодера.

Такой расклад мне показался несправедливым, и речь не про то, что инженерам может быть обидно, а про то, что имеет место подмена понятий, и заблуждение со стороны бизнеса при оценке создаваемого продукта. Бизнесу в проде не нужны MVP и поделки "за один вечер", ему нужен архитектурно сильный и надежный продукт, за который разработчик несет ответственность и даёт гарантии. Поэтому определиться с понятиями для меня стало предметной задачей для формирования доменной области и единого языка общения в среде IT.

ОТ СВЕТЛОГО К ТЕМНОМУ (ЦЕХУ) 

Темный цех. СПМ. ИТ-ландшафт и архитектура процессов

Федоров К., Питеркин С., Дулатов А., «Райтстеп»

Пока делал CEO AI (моё виденье помощника в работе), решил проверить, можно ли использовать сканеры для проверки скиллов перед подключением. Собрал 12 синтетических пакетов и прогнал через Cisco Skill Scanner, NVIDIA SkillSpector и AgentVerus без LLM и платных API. Список пакетов описал ниже.

Пакет № 10 из таблицы пакетов предлагал обходить согласование через субагента: не передавать ему ограничения, сослаться на разрешение пользователя и скрыть делегирование. Все три сканера пропустили эту инструкцию. AgentVerus выдал certified и 99 баллов. Зато на учебную цитату атаки в пакете № 5 все три отреагировали находками уровня High.

Эти два случая оказались полезнее итоговых баллов. Ниже разберу, что именно проверял, как читал результаты и что из этого использовал в своём проекте.

Инженер Trail of Bits поднял стенд на Docker и mitmproxy, подставил вредоносный код в ответы «взломанного» репозитория и прогнал 25 популярных менеджеров пакетов. Только Go и vcpkg проверяют целостность каждого пакета по умолчанию, подписи по умолчанию проверяет один Go. Что делают npm, pip, Cargo, Maven, NuGet, Composer и остальные, где хеш в lock-файле ничего не защищает и какую схему предлагает автор.

Мы проверили, как агент правит файлы в 250 сессиях нашей команды. Около 590 раз он писал в файлы через shell, хотя у него были инструменты edit и write. 442 из этих записей появились из-за одной фразы в одном навыке. Таких историй за время разработки Veai CLI у нас набралось много.

Veai CLI работает в терминале, как Claude Code и Codex. Сегодня вышла его первая публичная версия. Модели Anthropic, OpenAI, Google, DeepSeek, GLM и Qwen доступны в нём по одной подписке и без VPN, а оплатить подписку можно российской картой.

Сначала расскажем, кому нужен Veai CLI, что он умеет и чем отличается от Claude Code, Codex, OpenCode и Koda CLI. Потом, в разделе “Под капотом”, объясним, как он устроен и на чём мы спотыкались. Тарифы и установка в конце статьи.

Если CAD-модель геометрически корректная, это еще не означает, что деталь будет удобно изготовить. Слишком тонкую стенку, неудобный радиус гиба или недоступную для инструмента зону иногда замечают уже на этапе технологической проработки — когда исправлять модель становится дороже. 

Команда TechCAD.AI хочет перенести такую проверку ближе к моменту проектирования. Пользователь загружает STEP-модель, система определяет предполагаемый способ обработки, проверяет геометрию по DFM-правилам и формирует отчет с объяснением найденных проблем. 

Сейчас TechCAD.AI работает как MVP, и команда продолжает его дорабатывать. На отдельной проверочной выборке система нашла 62% нарушений из эталонной разметки, а медианное время автоматического анализа составило 6,2 минуты. 

Дальше разберем, как устроен весь конвейер — от B-Rep и XGBoost до технологических правил и RAG — и где система пока ошибается.

Netflix подключила Claude Code и Codex к движку анализа кода JetBrains и теперь агенты могут работать с индексом проекта и зависимостей вместо раскопок в JAR-файлах через декомпиляцию и grep.

На реальных Java и Kotlin проектах расход времени и токенов снизился в среднем на 20–30%, а лучший результат достиг 65%.

10 марта 2000 года индекс NASDAQ дошёл до пика. К осени 2002-го он потерял почти 78%. Pets.com вышла на биржу в феврале 2000-го, а в ноябре того же года уже распродавала имущество. Webvan, доставка продуктов с миллиардной оценкой, обанкротилась летом 2001-го. Акции Amazon за те же два года упали больше чем на 90%, но компания выжила.

Выжили не те, у кого был лучший сайт. Сайт и реклама у Pets.com были отличные, носок-талисман помнят до сих пор. Но под сайтом у них не было ничего своего: корм закупали у тех же поставщиков, что и обычные зоомагазины, и продавали дешевле себестоимости. Amazon в это время строил склады и логистику, которые за выходные не скопируешь.

С ИИ-сервисами сейчас происходит то же самое. Большинство устроено одинаково: форма на сайте, промпт, запрос в чужую нейросеть, ответ на экран. Как только владелец нейросети добавляет такую функцию к себе, сервис теряет смысл. Так уже было с сервисами "чат с PDF", когда загрузка файлов появилась в самих чат-ботах.

С мая я делаю сервис проверки договоров и за это время составил для себя список: что должно быть у ИИ-сервиса, чтобы ему можно было доверить работу, а не просто поиграть. Примеры в нём из договоров, но правила, по-моему, подходят для любой отрасли.

С давних времён для авторизации в различных сервисах и приложениях используются пароли. На смену им сначала пытались прийти электронные ключи (токены), но они не получили широкого распространения. Позже появился Passkey, но он скорее стал продвинутыми куки, а не тем, что сможет надолго сохранить ваш доступ в нужный сервис. В результате до сих пор не получилось полноценно заменить пароль.

Развитие вычислительных мощностей ставит жёсткие требования к современным паролям. Для обеспечения надёжной защиты в 256 бит нужен пароль длиной 40 символов! Я разработал современную замену паролю — бумажный ключ PaperKey. Это простой, но в то же время надёжный ключ, про него я расскажу в этой статье.

ИИ-агент на рабочей станции работает с правами локального пользователя. Он может читать почту и ходить в SharePoint, запускать команды, работать с файлами и вызывать инструменты через MCP. Это означает, что защита «на уровне промпта» через LLM Firewall и фильтрацию запросов к модели закрывает только часть поверхности. Основной риск теперь в действиях агента: вызов инструментов (tool call), вызов MCP-сервера, skills или доступ к корпоративным ресурсам.

Ниже разбираем, как именно выглядит атака через косвенную инъекцию, какие механизмы INFERA AI.SafeAgent её останавливают и почему требуется именно такой класс контроля, а также разберем сценарии, по которым заказчики проверяют как срабатывает контроль ИИ-агентов.

Всем привет! Меня зовут Пименова Анжелика, я окончила МГТУ им Н.Э. Баумана кафедра информационной безопасности, работала в отделе реагирования SOC в НСПК, в области ИБ около 8 лет, а сейчас занимаюсь развитием бизнеса в компании Спикател.

Так для чего вообще нужен такой класс решений как NDR.

Я делаю XAGO — сервис автооткликов на hh.ru. За два месяца через него ушло 235 тысяч откликов от 272 соискателей. По 43 тысячам из них hh уже показал, чем всё кончилось: просмотрели, пригласили, отказали или так и не открыли. Этого хватает, чтобы проверить на цифрах советы, которые кочуют из статьи в статью: «откликайтесь утром», «пишите длинное сопроводительное», «не рассылайте много откликов».

Сразу о том, чего здесь нет: это не исследование рынка труда. Выборка — люди, которые ищут работу активно и массово, и вакансии, которые они сами выбрали фильтрами. Но на сорока тысячах исходов шум уже не перекрикивает сигнал.

В Lua достаточно забыть local перед переменной, чтобы получить баг, который может долго оставаться незамеченным. По отдельности функции работают исправно, тесты проходят, а после подключения нового модуля внезапно начинают пропадать данные или меняться результаты вычислений. Разберёмся, как глобальные переменные создают такие ловушки, чем опасны манипуляции с G и ENV и как защитить код от ошибок, зависящих от порядка вызовов и загрузки модулей.

В данной статье продолжается развитие AST движка в сторону более универсального использования и покрытия большего количества специфических кейсов.

Отход от единственного варианта с API завязаном на передаче параметров только через MAP.

Добовления конфига для настройки когодогенерации
Правка API с сохранением обратной совместимости.