🔗 One developer, team power: The future of AI-driven DevSecOps

📖 tgf

📌 Будущее AI-driven DevSecOps: один разработчик как команда

✏ Введение

Распространённое представление о том, что продвинутые AI-инструменты позволят инженерам обходиться без коллег, — ошибочно.
Искусственный интеллект действительно повышает планку того, чего может достичь один разработчик, но одновременно растут и требования к его знаниям.
Инженер, использующий AI для генерации инфраструктурного кода, по-прежнему должен оценивать его безопасность.
Тот, кто применяет AI для сканирования уязвимостей, обязан понимать бизнес-логику сканируемого продукта.
Чем больше задач берёт на себя AI, тем шире должен быть кругозор для проверки его результатов.

[Полное описание в прикрепленном файле]

#AI #DevOps #программирование

🔗 Why Agents Need Ontology

📖 tgf

📌 Почему агентам нужна онтология

✏ Введение

Современные AI-агенты сталкиваются с фундаментальной проблемой: они обрабатывают разрозненные данные из множества систем, но не понимают, как эти данные связаны между собой.
Большинство основателей ошибочно полагают, что онтология — это вопрос проектирования баз данных.
На деле это задача бизнес-моделирования.
Онтология — это перевод вашего бизнеса на язык, который агенты могут интерпретировать и использовать для рассуждений.
Без неё агенты обречены работать с изолированными фрагментами информации и неизбежно ломаться в реальных сценариях.

————————

✏ Онтология vs схема vs модель данных

[Полное описание в прикрепленном файле]

#AI #бизнес #datamodeling

У вас так же?

🔗 How I built an agent that works at Amazon while I sleep (10 steps)

📖 tgf

📌 Как я создал агент, который работает в Amazon, пока я сплю: 10 шагов

✏ Введение

Большинство инженеров используют ИИ как продвинутый поисковик или младшего разработчика, которого нужно микроменеджить.
Они копируют контекст, уточняют промпты и построчно проверяют код.
Такой подход быстро упирается в потолок — скорость ввода ограничена.
Автор статьи, работающий в Amazon, понял, что нужно сместить свою роль: вместо того чтобы выполнять работу самому, необходимо проектировать системы, которые выполняют работу.
Результатом стала команда агентов (TPM для триажа тикетов, Developer для реализации и Reviewer для обработки комментариев), которая экономит команде эквивалент более одного инженера, занимающегося рутинными задачами.

————————

[Полное описание в прикрепленном файле]

#AI #программирование #DevOps

🔗 What Happens When a PM Runs a Coding Agent (almost) Full-Time

📖 tgf

📌 Опыт PM, работающего с Claude Code почти полный рабочий день

✏ Введение

Автор статьи — product manager в компании Astronomer, ранее занимавший позиции CEO и data engineer.
При трудоустройстве он поставил себе цель: стать «agent-native» PM — выстраивать все рабочие процессы так, чтобы Claude Code мог их ускорить.
Первые 90 дней традиционно рекомендуют слушать и изучать организацию, но автор совместил это с активным использованием ИИ-агента.
За четыре недели он создал систему из 73 markdown-файлов, провёл около 19 клиентских разговоров и запустил open-source репозиторий.
Ключевой тезис: инвестиции в структуру, доступную для агентов, окупаются экспоненциально.

————————

✏ Система организации знаний

[Полное описание в прикрепленном файле]

#AI #продукт #бизнес

🔗 Steve Yegge on AI Agents and the Future of Software Engineering

📖 tgf

📌 Steve Yegge об AI-агентах и будущем программной инженерии

Стив Йегге — программный инженер с более чем 40-летним опытом работы в GeoWorks, Amazon, Google и Grab.
Автор книги «Vibe Coding», созданной совместно с Гином Кимом, а также разработчик Gas Town — открытого оркестратора AI-агентов.
В этом интервью он делится своим видением того, как LLMs трансформируют индустрию разработки ПО и почему считает, что «дни ручного кодирования сочтены».

————————

✏ 1.
От скептика к убеждённому стороннику: S-кривая развития LLMs

[Полное описание в прикрепленном файле]

#AI #программирование #llm

🔗 2603.01213

📖 tgf

📌 Способны ли LLM-агенты достигать консенсуса?
Исследование Byzantine-согласия

✏ Введение

Крупные языковые модели всё чаще используются как автономные агенты, которые должны совместно принимать решения.
Однако исследователи из ETH Zurich обнаружили, что надёжное достижение консенсуса не является устойчивой способностью современных LLM-агентов — даже в благоприятных условиях без вредоносных участников.
Эксперименты показывают, что группы агентов на базе Qwen3 часто не могут договориться о едином значении, а добавление даже одного Byzantine-агента (намеренно нарушающего протокол) резко снижает вероятность успеха.

————————

✏ Экспериментальная установка

[Полное описание в прикрепленном файле]

#AI #llm #исследования

🔗 How Claude Code is built

📖 tgf

📌 Как устроен Claude Code: архитектура, процессы и философия разработки

Claude Code стал одним из самых быстрорастущих инструментов для разработчиков в 2024 году.
С момента общего релиза в мае инструмент генерирует более 500 млн долларов годового регулярного дохода, а использование выросло более чем в 10 раз за три месяца.
Автор статьи побеседовал с создателями Claude Code — инженерами Борисом Черным (автор оригинального прототипа) и Сидом Бидасарией (второй инженер проекта), а также продюсером Кэт У.
Из интервью стало ясно, как работает «AI-first» команда разработки и какие уроки из этого могут извлечь другие инженерные организации.

————————

✏ 1.
История создания: от музыки к файловой системе

[Полное описание в прикрепленном файле]

#AI #программирование #продукт

🔗 Top AI Skills in Demand for 2026 and How to Build Them

📖 tgf

📌 Саммари: Востребованные навыки AI в 2026 году

✏ Введение

К 2026 году разговор в индустрии кардинально изменился: больше не достаточно просто «понимать AI на высоком уровне».
Компании ищут профессионалов, которые могут применять навыки AI для решения реальных бизнес-задач, работать совместно с интеллектуальными системами и принимать решения быстрее, качественнее и с большей уверенностью.
Это фундаментальный сдвиг — от теоретических знаний к практическому использованию.
Тот, кто умеет работать с AI-системами, а не конкурировать с ними, станет наиболее ценным специалистом на рынке труда.

————————

✏ Рынок труда AI в 2026: что действительно меняется

[Полное описание в прикрепленном файле]

#AI #бизнес #образование

Лекун ставит $1 млрд на «мировые модели» — альтернативу LLM

Янн Лекун привлёк рекордные $1 млрд для своего нового стартапа AMI, делая ставку на принципиально иной подход к сильному ИИ. В отличие от текущего тренда на масштабирование больших языковых моделей, AMI будет развивать «мировые модели» — системы, которые понимают физическую реальность, причинно-следственные связи и способны рассуждать, а не просто предсказывать следующее слово в тексте.

Это крупнейшееseed-финансирование в истории европейских AI-стартапов при оценке $3,5 млрд привлекло Nvidia, Temasek и Bezos Expeditions. Лекун открыто называет веру в LLM «полной чушью» и утверждает, что человеческий интеллект в основе своей опирается на физический мир, а не на язык.

Параллель интересна: пока весь мир гоняется за очередными версиями ChatGPT, один из главных AI-учёных современности уходит в радикально другую нишу — промышленные применения, робототехника, биомедицина. Успех AMI

Источник: https://www.wired.com/story/yann-lecun-raises-dollar1-billion-to-build-ai-that-understands-the-physical-world/

#AI #машинноеобучение #новости

Локальный голосовой AI для Mac — новый уровень приватности

RCLI демонстрирует, что on-device AI уже готов к массовому использованию. Полный голосовой конвейер STT+LLM+TTS работает локально на Apple Silicon без облака, с задержкой менее 200 мс и производительностью до 550 токенов в секунду. 43 системных действия, RAG для документов, полная конфиденциальность — всё это доступно из коробки.

Это не просто ещё один голосовой ассистент. RCLI показывает, что локальный AI может быть быстрее и приватнее облачных решений, при этом оставаясь полнофункциональным. Тренд на перенос AI на устройство набирает обороты, и Apple Silicon с MetalRT становится одной из лучших платформ для таких решений.

Для рынка это сигнал: пользователи и бизнес устали от зависимости от облачных API и хотят контролировать свои данные. RCLI — один из первых продуктов, который делает это практично и удобно.

Источник: https://github.com/RunanywhereAI/rcli

Почему вашим AI-агентам нужен не просто доступ к данным, а полноценный контекст

ИИ-агенты обещают революцию в аналитике — они могут сами планировать, рассуждать и действовать от имени компании. Но есть одна фундаментальная проблема: без правильного контекста эти агенты бесполезны. Они не могут ответить даже на элементарные бизнес-вопросы вроде «какой был рост выручки в прошлом квартале?», потому что не понимают, как компания определяет выручку, какие источники данных правильные и почему.

Изначально казалось, что проблема в недостаточных способностях языковых моделей к генерации SQL. Но оказалось всё сложнее. Агент сталкивается с десятками подводных камней: какую именно метрику считать — ARR или run rate, какой квартал использовать — фискальный или календарный, какую таблицу брать — fct_revenue от финансовой команды или mv_revenue_monthly от команды данных. Семантический слой, который работает для BI-дашбордов, здесь не поможет — он слишком узкий и часто устаревший.

Решение — контекстный слой, который объединяет канонические сущности, бизнес-правила, неявные знания команд и политики управления данными. Это не просто ещё один слой в стеке, а фундамент для работы агентов. Построение такого слоя требует пяти шагов: обеспечить доступ ко всем данным, автоматически собрать начальный контекст, добавить человеческую экспертизу для критических связей, подключить агентов через API и настроить самообновляющиеся потоки.

Рынок уже реагирует. Платформы вроде Databricks и Snowflake развивают аналитические AI-продукты, новые компании фокусируются на построении контекста, а крупные игроки вроде Palantir давно делают на этом бизнес. Gartner прогнозирует, что к 2026 году 40% корпоративных приложений будут содержать специализированных AI-агентов.

Вывод прост: без контекста ваши данные агенты — это дорогие игрушки, которые не могут решить реальные задачи. Контекст — это то, что превращает сырые данные в работающий интеллект.

Источник: https://a16z.com/your-data-agents-need-context/

#AI #analytics #llm

🔗 What Claude Code Actually Chooses

📖 tgf

📌 Что на самом деле выбирает Claude Code

✏ Введение

Claude Code становится новым «шлюзом» в мире разработки.
Когда разработчик говорит агенту «добавь базу данных» и позволяет Claude Code всё сделать самому, тот не просто предлагает варианты — он устанавливает пакеты, пишет импорты, настраивает подключения и коммитит код.
Выбранный инструмент становится инструментом, который попадает в продакшен.
По мере того как всё больше разработчиков доверяют Claude Code выбор инструментов, стеки, которые он выбирает, становятся стандартными стеками.

[Полное описание в прикрепленном файле]

#AI #программирование #исследования

🔗 Using skills to accelerate OSS maintenance

📖 tgf

📌 Как OpenAI использует Codex для ускорения поддержки Open-Source проектов

✏ Введение

OpenAI применяет инструмент Codex для автоматизации рутинных инженерных задач в репозиториях Agents SDK.
Комбинация из локальных навыков (skills), файла AGENTS.md и GitHub Actions позволяет превратить повторяющиеся операции — верификацию кода, подготовку релизов, тестирование примеров и проверку PR — в воспроизводимые рабочие процессы.
За три месяца количество смерженных PR выросло с 316 до 457 — прирост составил 45%.

Ключевые метрики (по состоянию на март 2026):

[Полное описание в прикрепленном файле]

#AI #программирование #DevOps

🔗 The Phenomenology of the Senior

📖 tgf

📌 Феноменология старшего: как ИИ разрушает путь к экспертизе

✏ Введение

Искусственный интеллект не заменяет senior-специалистов — он заменяет задачи, которые раньше делали людей старшими.
Это парадоксальное явление, которое остается незамеченным в стандартных дискуссиях об автоматизации, несет в себе системную угрозу: если никто не выполняет junior-задачи, никто не развивает senior-мышление.
Образовательный ответ — обучение работе с конкретными инструментами ИИ — усугубляет проблему, поскольку готовит операторов инструментов вместо системных мыслителей.

————————

✏ Падение найма молодых специалистов

[Полное описание в прикрепленном файле]

#AI #образование #общество

🔗 From IDEs to AI Agents with Steve Yegge

📖 tgf

📌 От IDE к AI-агентам: разговор со Стивом Йегге о будущем программирования

Стив Йегге — один из наиболее влиятельных голосов в мире разработки программного обеспечения.
За десятилетия работы в Amazon и Google, а также благодаря своим знаменитым блог-постам он неоднократно предсказывал ключевые сдвиги в индустрии.
В этом выпуске подкаста Pragmatic Engineer обсуждается, как искусственный интеллект трансформирует инженерную работу, почему ручное кодирование может постепенно уйти в прошлое и на что разработчикам стоит обратить внимание уже сейчас.

————————

✏ Модель «прототип как продукт» вытесняет традиционную разработку

[Полное описание в прикрепленном файле]

#AI #программирование #технологии

🔗 How Human Work Will Remain Valuable in an AI World

📖 tgf

Вопрос, который сегодня доминирует в дискуссиях об искусственном интеллекте: заменит ли ИИ всех нас? Исчезнут ли рабочие места в ближайшие 18 месяцев? Неизбежен ли крах рынка труда? Одни говорят об этом с тревогой, другие — с энтузиазмом. Но почти никто не останавливается, чтобы посмотреть на реальные данные. Эта статья — не слепая защита технологического оптимизма и не отвержение пессимизма. Это попытка прочитать реальность такой, какая она есть: с её трениями, ограничениями и возможностями. Как говорил Фридрих Хайек: «Никто не может быть великим экономистом, если он только экономист, и я даже склонен добавить, что экономист, который является только экономистом, скорее всего, станет помехой, если не прямой угрозой». То же самое применимо сегодня к любому, кт

[Полное описание в прикрепленном файле]

#AI #бизнес #общество

🔗 1M context is now generally available for Opus 4.6 and Sonnet 4.6

📖 tgf

📌 Anthropic выпускает контекстное окно на 1 млн токенов для Claude Opus 4.6 и Sonnet 4.6

✏ Введение

Anthropic объявила о общедоступности (General Availability) полного контекстного окна на 1 миллион токенов для моделей Claude Opus 4.6 и Sonnet 4.6.
Это крупнейшее на сегодняшний день контекстное окно среди ведущих языковых моделей, доступное по стандартным ценам без каких-либо наценок за длинный контекст.
Нововведение уже доступно на платформе Claude Platform, а также через облачные сервисы Microsoft Azure Foundry, Google Cloud Vertex AI и Amazon Bedrock.

————————

✏ Ценообразование и доступность

📚 Стандартные цены без наценки за длинный контекст

[Полное описание в прикрепленном файле]

#AI #llm #новости

Главное узкое место в AI — это не сами модели, а инфраструктура

Когда мы говорим про проваленные AI-проекты, то обычно виним алгоритмы, данные или отсутствие талантов. Но исследование DDN за 2026 год показывает удивительную картину: 65% организаций называют свои AI-среды слишком сложными, а 98% признают критический пробел в компетенциях именно по инфраструктуре. Цифры впечатляют, но реальность еще жестче.

Вот типичная история из практики. Автор одного кейса описывает конвейер данных, который питает дашборды для руководства. Он ломался больше шести раз в месяц. Не катастрофически — просто цифры выручки на совещаниях неожиданно расходились. Причина была не в модели машинного обучения и не в качестве данных. Проблема крылась в архитектуре: таблицы Google Sheets, хрупкие интеграции с HubSpot, синхронизация, которая не выдерживала масштабирования.

Это не редкость. Исследование DataBank выявило, что интеграция, масштабирование и развертывание — главные барьеры для Enterprise AI. Это 24% всех ответов. Модели уже достаточно хороши. Фреймворки зрелые. Но инфраструктура, которая должна держать эти модели в продакшене, просто не выдерживает нагрузки.

Представьте себе традиционный дата-центр, рассчитанный на 5-8 киловатт на стойку. Теперь добавьте AI-нагрузку, которая требует 30-120 киловатт, а некоторые серверы до 600. Это десятикратный рост. Gartner прогнозирует, что потребление электричества дата-центрами удвоится с 448 тераватт-часов в 2025 до 980 к 2030 году. Охлаждение, питание, распределенные архитектуры — все это становится отдельной инженерной задачей, без решения которой любой AI-проект обречен на полумеры.

Но есть и хорошие новости. Переход к надежной инфраструктуре опирается на три простых принципа. Первый: данные должны идти напрямую из источника в централизованное хранилище вроде BigQuery, а не через промежуточные таблицы. Второй: логика расчетов должна быть явной, версионируемой и управляемой в коде, а не разбросанной по формулам. Третий: должно быть предсказуемое время обновления, чтобы руководство понимало, когда цифры актуальны.

Компании, которые строят этот фундамент, получают не просто стабильные дашборды. Они получают основу, на которой уже можно строить полноценный AI. Без надежной инфраструктуры любой интерфейс, чат-бот или copilot — это просто красивая обертка над шаткими данными. Сначала инфраструктура, потом семантический слой, и только потом — интерфейс. Порядок операций имеет значение.

Источник: https://medium.com/@conor.bliss.henaghan/the-real-bottleneck-in-most-ai-initiatives-isnt-ai-it-s-infrastructure-507c41d98a21

#datainfrastructure #AI #бизнес

🔗 Multilingual Reasoning Gym: Multilingual Scaling of Procedural Reasoning Environments

📖 tgf

📌 Multilingual Reasoning Gym: Мультиязычное масштабирование процедурных сред для рассуждений

[Полное описание в прикрепленном файле]

#машинноеобучение #llm #nlp