Рецепт пельменей получил офер на фронтендера
Нейросети-рекрутеры окончательно сломались: идеальным кандидатом на Frontend-разработчика оказался… рецепт пельменей «Брестские подушечки» 🥟
Беларус под ником oscarlansky ради эксперимента загрузил на джоб-сайт пошаговую инструкцию варки пельменей вместо CV. ATS-система пришла в восторг: ИИ отметил 99% совпадение навыков и выслал автоприглашение на собеседование.
Наниматель понял подвох только прямо на созвоне, когда кандидат начал с умным видом рассказывать про опыт, а рекрутер наконец-то открыл файл. Итог встречи: оба сошлись на том, что современные автоматические фильтры никуда не годятся.
Пока мы скрупулезно подгоняем свой опыт под требования алгоритмов, система готова заонбордить кастрюлю с кипятком, если в ней правильно расставлены теги.
Сохраняйте 📌 — пригодится, когда в следующий раз будете ломать голову над ключевиками.
А вы адаптируете свои резюме под ИИ-фильтры?
🔥 — Да, играю по правилам машин
😎 — Нет, пишу текст для живых людей
#AI #automation #GenAI
(ИСТОЧНИК)
Нейросети-рекрутеры окончательно сломались: идеальным кандидатом на Frontend-разработчика оказался… рецепт пельменей «Брестские подушечки» 🥟
Беларус под ником oscarlansky ради эксперимента загрузил на джоб-сайт пошаговую инструкцию варки пельменей вместо CV. ATS-система пришла в восторг: ИИ отметил 99% совпадение навыков и выслал автоприглашение на собеседование.
Наниматель понял подвох только прямо на созвоне, когда кандидат начал с умным видом рассказывать про опыт, а рекрутер наконец-то открыл файл. Итог встречи: оба сошлись на том, что современные автоматические фильтры никуда не годятся.
Пока мы скрупулезно подгоняем свой опыт под требования алгоритмов, система готова заонбордить кастрюлю с кипятком, если в ней правильно расставлены теги.
Сохраняйте 📌 — пригодится, когда в следующий раз будете ломать голову над ключевиками.
А вы адаптируете свои резюме под ИИ-фильтры?
🔥 — Да, играю по правилам машин
😎 — Нет, пишу текст для живых людей
#AI #automation #GenAI
(ИСТОЧНИК)
❤3🔥2
Intel Xeon и AMD Zen 3 получили конкурента из Сибири.
Компания «Трамплин» получила первые инженерные образцы процессоров «Иртыш».
Что под капотом:
→ Архитектура LongArch (лицензия куплена у китайской Loongson и доработана в РФ).
→ Младший «Иртыш С616» на 16 ядер (2.2 ГГц).
→ Старший «Иртыш С632» на 32 ядра (2.1 ГГц).
→ Целевой сегмент — прямая конкуренция с Intel Xeon Gold 6338 и AMD Zen 3.
Для инфраструктуры это означает потенциальный уход от монополии x86 и ARM на российском рынке. В теории у нас появляется новая третья сила, но реальные бенчмарки в продакшене мы еще не видели.
Готовы переводить свои сервисы на сибирские процессоры?
🔥 Заверните парочку серверов на тест!
😏Звучит сомнительно, подожду реальных бенчмарков.
👌 x86 наше всё, остальное от лукавого.
#architecture #highload #CloudNative
(ИСТОЧНИК)
Компания «Трамплин» получила первые инженерные образцы процессоров «Иртыш».
Что под капотом:
→ Архитектура LongArch (лицензия куплена у китайской Loongson и доработана в РФ).
→ Младший «Иртыш С616» на 16 ядер (2.2 ГГц).
→ Старший «Иртыш С632» на 32 ядра (2.1 ГГц).
→ Целевой сегмент — прямая конкуренция с Intel Xeon Gold 6338 и AMD Zen 3.
Для инфраструктуры это означает потенциальный уход от монополии x86 и ARM на российском рынке. В теории у нас появляется новая третья сила, но реальные бенчмарки в продакшене мы еще не видели.
Готовы переводить свои сервисы на сибирские процессоры?
🔥 Заверните парочку серверов на тест!
😏Звучит сомнительно, подожду реальных бенчмарков.
👌 x86 наше всё, остальное от лукавого.
#architecture #highload #CloudNative
(ИСТОЧНИК)
❤3🔥2
RL-агенты уже забирают работу у менеджеров по закупкам. 📦
Институт ИИ МФТИ выкатил систему управления запасами на базе Reinforcement Learning. Пока классические решения вроде SAP и Oracle жестко привязывают автозаказ к математическим формулам, агент обучается на цифровом двойнике склада и бьет напрямую в бизнес-метрики.
Что под капотом:
→ Нейросеть управляет парой «товар-склад» автономно, но расшаривает опыт на всю номенклатуру.
→ Тренировка 10 000 таких пар занимает меньше суток на стандартном сервере.
→ На исторических данных крупного дистрибьютора алгоритм накинул 7% к валовой прибыли и поднял удовлетворенный спрос с 80% до 90%.
Следующий шаг — тесты на свежих данных и интеграция в ERP (включая 1С). Сначала как адвайзер, затем — на полный автопилот.
#AI #ML #MLOps #productmanagement
(ИСТОЧНИК)
Институт ИИ МФТИ выкатил систему управления запасами на базе Reinforcement Learning. Пока классические решения вроде SAP и Oracle жестко привязывают автозаказ к математическим формулам, агент обучается на цифровом двойнике склада и бьет напрямую в бизнес-метрики.
Что под капотом:
→ Нейросеть управляет парой «товар-склад» автономно, но расшаривает опыт на всю номенклатуру.
→ Тренировка 10 000 таких пар занимает меньше суток на стандартном сервере.
→ На исторических данных крупного дистрибьютора алгоритм накинул 7% к валовой прибыли и поднял удовлетворенный спрос с 80% до 90%.
Следующий шаг — тесты на свежих данных и интеграция в ERP (включая 1С). Сначала как адвайзер, затем — на полный автопилот.
#AI #ML #MLOps #productmanagement
(ИСТОЧНИК)
❤4
Nvidia хакнула архитектуру LLM, скрестив Mamba, Transformer и MoE
Вышел Nemotron 3 Super — open-source монстр для агентного ИИ (120B параметров, активных всего 12B).
→ Архитектура: Инновационный LatentMoE сжимает токен перед отправкой к 512 экспертам. Это дает высокую специализацию без раздувания вычислительного бюджета.
→ Память: Слои Mamba-2 держат окно в 1M токенов без распухания KV-кеша, а Transformer-внимание страхует фактологическую точность.
→ Скорость (x5): Технология Multi-Token Prediction (MTP) дает нативное спекулятивное декодирование — генерация ~3.45 токена за один шаг.
→ Железо: Модель с первого дня обучалась в 4-битном формате NVFP4 под новые GPU Blackwell.
Nvidia открыла всё: веса, рецепты и датасет на 10 трлн токенов. Идеальная база для развертывания корпоративных multi-agent систем без привязки к платным API.
Готовы разворачивать этого зверя локально? 👇
🔥 — Уже считаю, сколько нужно VRAM
😀 — Только API, мои сервера этого не вынесут
#LLM #AIAgents #AI #architecture
(ИСТОЧНИК)
Вышел Nemotron 3 Super — open-source монстр для агентного ИИ (120B параметров, активных всего 12B).
→ Архитектура: Инновационный LatentMoE сжимает токен перед отправкой к 512 экспертам. Это дает высокую специализацию без раздувания вычислительного бюджета.
→ Память: Слои Mamba-2 держат окно в 1M токенов без распухания KV-кеша, а Transformer-внимание страхует фактологическую точность.
→ Скорость (x5): Технология Multi-Token Prediction (MTP) дает нативное спекулятивное декодирование — генерация ~3.45 токена за один шаг.
→ Железо: Модель с первого дня обучалась в 4-битном формате NVFP4 под новые GPU Blackwell.
Nvidia открыла всё: веса, рецепты и датасет на 10 трлн токенов. Идеальная база для развертывания корпоративных multi-agent систем без привязки к платным API.
Готовы разворачивать этого зверя локально? 👇
🔥 — Уже считаю, сколько нужно VRAM
😀 — Только API, мои сервера этого не вынесут
#LLM #AIAgents #AI #architecture
(ИСТОЧНИК)
❤5
"Novel GenAI usage" — именно так в корпоративных постмортемах элегантно описывают удаление прода нейросетью
В марте Amazon столкнулся с серией тяжелых сбоев Sev‑1. Один из сервисов лежал 13 часов из-за того, что корпоративный ИИ-ассистент Kiro взялся чинить минорный баг. Нейросеть пришла к радикально эффективному решению проблемы: просто снести всё окружение к чертям и пересоздать его с нуля.
Самое ироничное в этой истории — человеческий фактор. Система запросила апрув на деструктивное действие. Обычно для такого нужны апрувы двух инженеров, но из-за расширенных прав доступа хватило одного "ОК" от сотрудника, который нажал кнопку не глядя.
На внутреннем разборе полетов руководство пришло к «революционной» мысли: вайбкодинг — это весело, но критический ИИ-сгенерированный код всё-таки нужно вдумчиво читать глазами опытных разработчиков.
ИИ усложняет системы, но базовые инженерные практики вроде нормального разделения прав доступа спасают миллионы долларов.
Сохраняйте 📌 — пригодится, когда будете настраивать CI/CD для своих AI-агентов.
#AIcoding #AIAgents #SRE #DevOps #zerotrust
(источник)
В марте Amazon столкнулся с серией тяжелых сбоев Sev‑1. Один из сервисов лежал 13 часов из-за того, что корпоративный ИИ-ассистент Kiro взялся чинить минорный баг. Нейросеть пришла к радикально эффективному решению проблемы: просто снести всё окружение к чертям и пересоздать его с нуля.
Самое ироничное в этой истории — человеческий фактор. Система запросила апрув на деструктивное действие. Обычно для такого нужны апрувы двух инженеров, но из-за расширенных прав доступа хватило одного "ОК" от сотрудника, который нажал кнопку не глядя.
На внутреннем разборе полетов руководство пришло к «революционной» мысли: вайбкодинг — это весело, но критический ИИ-сгенерированный код всё-таки нужно вдумчиво читать глазами опытных разработчиков.
ИИ усложняет системы, но базовые инженерные практики вроде нормального разделения прав доступа спасают миллионы долларов.
Сохраняйте 📌 — пригодится, когда будете настраивать CI/CD для своих AI-агентов.
#AIcoding #AIAgents #SRE #DevOps #zerotrust
(источник)
❤4
Сэм Альтман официально признал, что ИИ сломал капитализм
На саммите BlackRock на этой неделе CEO OpenAI признал: баланс между трудом и капиталом сломан, и никто не знает, как это чинить.
Дословно: «Если в большинстве нынешних профессий сложно обогнать GPU по производительности — это меняет всё. Простого решения нет — иначе мы бы его уже нашли».
Это не теория. Вот что происходит прямо сейчас:
→ Atlassian на той же неделе уволил 1 600 человек (10% штата), из них 900+ в R&D. Причина — «перестройка под AI»
→ Block (Дорси) месяцем ранее сократил 4 000 ради «intelligence-native» модели
→ 45 000+ увольнений в tech с начала 2026 по данным RationalFX — AI в топе причин
→ Альтман лично встречал фаундеров, строящих стартапы с нулём сотрудников — код, юридика, саппорт на промптах
Цель OpenAI по Альтману — сделать интеллект «коммунальной услугой, как электричество». К концу 2028 года вычислительная мощность в дата-центрах превысит совокупные когнитивные возможности всех людей за их пределами.
Самое важное для нас: CEO компании, которая это строит, публично говорит — «ближайшие несколько лет будут болезненной адаптацией». А его план — не замедлиться, а «залить мир интеллектом».
Вопрос не в том, заменит ли AI разработчиков. Вопрос в том, что значит «разработчик» через 3 года.
Что думаете — это честное признание или PR-ход перед инвесторами BlackRock? 👇
#AI #AIAgents #GenAI #architecture #productmanagement
(источник)
На саммите BlackRock на этой неделе CEO OpenAI признал: баланс между трудом и капиталом сломан, и никто не знает, как это чинить.
Дословно: «Если в большинстве нынешних профессий сложно обогнать GPU по производительности — это меняет всё. Простого решения нет — иначе мы бы его уже нашли».
Это не теория. Вот что происходит прямо сейчас:
→ Atlassian на той же неделе уволил 1 600 человек (10% штата), из них 900+ в R&D. Причина — «перестройка под AI»
→ Block (Дорси) месяцем ранее сократил 4 000 ради «intelligence-native» модели
→ 45 000+ увольнений в tech с начала 2026 по данным RationalFX — AI в топе причин
→ Альтман лично встречал фаундеров, строящих стартапы с нулём сотрудников — код, юридика, саппорт на промптах
Цель OpenAI по Альтману — сделать интеллект «коммунальной услугой, как электричество». К концу 2028 года вычислительная мощность в дата-центрах превысит совокупные когнитивные возможности всех людей за их пределами.
Самое важное для нас: CEO компании, которая это строит, публично говорит — «ближайшие несколько лет будут болезненной адаптацией». А его план — не замедлиться, а «залить мир интеллектом».
Вопрос не в том, заменит ли AI разработчиков. Вопрос в том, что значит «разработчик» через 3 года.
Что думаете — это честное признание или PR-ход перед инвесторами BlackRock? 👇
#AI #AIAgents #GenAI #architecture #productmanagement
(источник)
❤4
🧪 AI в тестировании: 88% хотят, 12% делают
90% разработчиков уже используют AI в работе каждый день (DORA 2025, почти 5000 респондентов). Но когда дело доходит до тестирования — ситуация интереснее.
Свежее исследование Leapwork (300+ инженеров и QA-лидов): 88% команд называют AI приоритетом в стратегии тестирования. При этом только 12.6% реально встроили AI в ключевые тест-воркфлоу.
Почему такой разрыв:
→ 54% боятся за точность и качество AI-тестов
→ 41% тестов в среднем автоматизировано — остальное руками
→ 71% говорят, что создание тестов — главный bottleneck
Данные Keyhole Software (150+ enterprise-организаций, март 2026) подтверждают: 67% компаний уже внедрили AI/ML в разработку, продуктивность выросла на 25–40%. Но при этом DORA фиксирует парадокс — скорость растёт, стабильность падает. 30% разработчиков всё ещё не доверяют AI-генерируемому коду.
AI в тестировании — пока больше стратегия, чем реальность. Вопрос не «внедрять или нет», а «когда ваши тесты перестанут ломаться чаще, чем код».
#AI #AIcoding #DevOps #CICD #automation
(источник)
90% разработчиков уже используют AI в работе каждый день (DORA 2025, почти 5000 респондентов). Но когда дело доходит до тестирования — ситуация интереснее.
Свежее исследование Leapwork (300+ инженеров и QA-лидов): 88% команд называют AI приоритетом в стратегии тестирования. При этом только 12.6% реально встроили AI в ключевые тест-воркфлоу.
Почему такой разрыв:
→ 54% боятся за точность и качество AI-тестов
→ 41% тестов в среднем автоматизировано — остальное руками
→ 71% говорят, что создание тестов — главный bottleneck
Данные Keyhole Software (150+ enterprise-организаций, март 2026) подтверждают: 67% компаний уже внедрили AI/ML в разработку, продуктивность выросла на 25–40%. Но при этом DORA фиксирует парадокс — скорость растёт, стабильность падает. 30% разработчиков всё ещё не доверяют AI-генерируемому коду.
AI в тестировании — пока больше стратегия, чем реальность. Вопрос не «внедрять или нет», а «когда ваши тесты перестанут ломаться чаще, чем код».
#AI #AIcoding #DevOps #CICD #automation
(источник)
❤5
⚡️ «По счётчику» — три раза, когда нам обещали коммуналку из будущего
Альтман на саммите BlackRock: «Мы видим будущее, где интеллект — коммунальная услуга, как электричество.
Люди покупают его у нас по счётчику».Фраза «too cheap to meter» впервые прозвучала в 1954 году. Глава Комиссии по атомной энергии США Льюис Штраус пообещал, что ядерная энергия станет настолько дешёвой, что ставить счётчики будет дороже, чем раздавать электричество бесплатно.
Спустя 70 лет атомные станции так и не стали дешёвыми — зато фраза стала мемом в энергетике.
В 2006 году AWS запустил EC2 и S3 — и тоже пообещал вычисления «как электричество». Pay-as-you-go, никаких серверных. Джефф Безос буквально описывал compute как утилиту.
Это обещание сбылось — но средний счёт за облако вырос настолько, что появилась целая дисциплина FinOps и обратный тренд: компании тащат нагрузки обратно on-prem.
Теперь третий заход. Альтман хочет продавать токены по счётчику.
API OpenAI уже так работает — от $0.10 за миллион токенов (GPT-4.1 Nano) до $150 (GPT-5.2 Pro). Разброс в 1 500 раз.
Это как если бы ваш кран с водой мог стоить от копейки до $150 за куб в зависимости от «качества» воды.
Модели монетизации, которые нас ждут:
→ Подписка (фиксированная цена — как сейчас ChatGPT Plus)
→ По счётчику (чистый pay-per-token)
→ Гибрид (N токенов включено + доплата за превышение)
→ Freemium с рекламой и лимитамиЗнакомо? Это ровно те же 4 модели, через которые прошёл cloud. Мы уже видели этот фильм.
#AI #LLM #cloudarchitecture #GenAI #architecture
(источник)
Альтман на саммите BlackRock: «Мы видим будущее, где интеллект — коммунальная услуга, как электричество.
Люди покупают его у нас по счётчику».Фраза «too cheap to meter» впервые прозвучала в 1954 году. Глава Комиссии по атомной энергии США Льюис Штраус пообещал, что ядерная энергия станет настолько дешёвой, что ставить счётчики будет дороже, чем раздавать электричество бесплатно.
Спустя 70 лет атомные станции так и не стали дешёвыми — зато фраза стала мемом в энергетике.
В 2006 году AWS запустил EC2 и S3 — и тоже пообещал вычисления «как электричество». Pay-as-you-go, никаких серверных. Джефф Безос буквально описывал compute как утилиту.
Это обещание сбылось — но средний счёт за облако вырос настолько, что появилась целая дисциплина FinOps и обратный тренд: компании тащат нагрузки обратно on-prem.
Теперь третий заход. Альтман хочет продавать токены по счётчику.
API OpenAI уже так работает — от $0.10 за миллион токенов (GPT-4.1 Nano) до $150 (GPT-5.2 Pro). Разброс в 1 500 раз.
Это как если бы ваш кран с водой мог стоить от копейки до $150 за куб в зависимости от «качества» воды.
Модели монетизации, которые нас ждут:
→ Подписка (фиксированная цена — как сейчас ChatGPT Plus)
→ По счётчику (чистый pay-per-token)
→ Гибрид (N токенов включено + доплата за превышение)
→ Freemium с рекламой и лимитамиЗнакомо? Это ровно те же 4 модели, через которые прошёл cloud. Мы уже видели этот фильм.
#AI #LLM #cloudarchitecture #GenAI #architecture
(источник)
❤4
🦞 Лобстер, который сожрал облако
AMD только что показала, как запустить 6 AI-агентов одновременно на обычном ПК. Без облака, без подписок, без отправки данных куда-либо.
Проект называется OpenClaw — и это самый быстрорастущий open-source проект в истории GitHub: 285 000 звёзд за ~4 месяца. Для сравнения: React набирал столько 10 лет. Linux — 30 лет. Глава Nvidia Дженсен Хуанг назвал OpenClaw «возможно, самым важным софтом из когда-либо выпущенных».
AMD зашла с железом.
Две конфигурации:
→ RyzenClaw — процессор Ryzen AI Max+ (128 ГБ unified memory): ~45 токенов/сек, 6 агентов параллельно, контекст 260K токенов. Модель Qwen 3.5 35B крутится локально
→ RadeonClaw — видеокарта Radeon AI PRO R9700 (32 ГБ VRAM): ~120 токенов/сек, быстрее в 2.7 раза, но меньше контекст
Технически: WSL2 + LM Studio + llama.cpp + Memory.md для локальной памяти агента. Всё on-device.
AMD вводит термин «Agent Computer» — компьютер, где основной пользователь не человек, а AI-агент. Ты делегируешь в Telegram/Slack — агент делает. Ночью, пока ты спишь, он разбирает почту, готовит брифинг, мониторит метрики.
Цена входа: от $2 700 за мини-ПК с Ryzen, +$1 300 за Radeon. Пока для разработчиков и энтузиастов. Но сигнал ясный: локальный AI — следующий фронт, и AMD ставит на то, что не всё должно жить в дата-центрах Альтмана.
Самый интересный вопрос для нас: prompt injection — это «новый SQL injection» для эпохи агентов. У OpenClaw уже был инцидент «ClawHavoc», когда скиллы-бэкдоры заразили инстансы, торчащие в интернет.
Вы бы доверили AI-агенту доступ к своей файловой системе? 👇
#AIAgents #AI #cybersecurity #cloudarchitecture #DevOps
(источник)
AMD только что показала, как запустить 6 AI-агентов одновременно на обычном ПК. Без облака, без подписок, без отправки данных куда-либо.
Проект называется OpenClaw — и это самый быстрорастущий open-source проект в истории GitHub: 285 000 звёзд за ~4 месяца. Для сравнения: React набирал столько 10 лет. Linux — 30 лет. Глава Nvidia Дженсен Хуанг назвал OpenClaw «возможно, самым важным софтом из когда-либо выпущенных».
AMD зашла с железом.
Две конфигурации:
→ RyzenClaw — процессор Ryzen AI Max+ (128 ГБ unified memory): ~45 токенов/сек, 6 агентов параллельно, контекст 260K токенов. Модель Qwen 3.5 35B крутится локально
→ RadeonClaw — видеокарта Radeon AI PRO R9700 (32 ГБ VRAM): ~120 токенов/сек, быстрее в 2.7 раза, но меньше контекст
Технически: WSL2 + LM Studio + llama.cpp + Memory.md для локальной памяти агента. Всё on-device.
AMD вводит термин «Agent Computer» — компьютер, где основной пользователь не человек, а AI-агент. Ты делегируешь в Telegram/Slack — агент делает. Ночью, пока ты спишь, он разбирает почту, готовит брифинг, мониторит метрики.
Цена входа: от $2 700 за мини-ПК с Ryzen, +$1 300 за Radeon. Пока для разработчиков и энтузиастов. Но сигнал ясный: локальный AI — следующий фронт, и AMD ставит на то, что не всё должно жить в дата-центрах Альтмана.
Самый интересный вопрос для нас: prompt injection — это «новый SQL injection» для эпохи агентов. У OpenClaw уже был инцидент «ClawHavoc», когда скиллы-бэкдоры заразили инстансы, торчащие в интернет.
Вы бы доверили AI-агенту доступ к своей файловой системе? 👇
#AIAgents #AI #cybersecurity #cloudarchitecture #DevOps
(источник)
❤4
📊 Кто пишет код лучше всех в марте 2026 по данным LogRocket
LogRocket обновил свои AI Power Rankings за март — ранжирование моделей и инструментов для разработки по 50+ фичам: SWE-bench, usability, цена, контекст, code quality, accessibility, enterprise-фичи.
Вот что изменилось.
Модели — топ-5 марта:
→ #1 Claude Opus 4.6 (new) — 75.6% SWE-bench, контекст 1M (бета), output 128K. Agent Teams, adaptive thinking. $5/$25 за 1M токенов
→ #2 Gemini 3.1 Pro (new) — 77.1% ARC-AGI-2 (удвоение reasoning vs предыдущего поколения). Цена $2/$12 — не изменилась vs Gemini 3 Pro при значительном скачке качества
→ #3 Claude Sonnet 4.6 (new) — 1M контекст в бета, $3/$15. В Claude Code предпочитается вместо Opus 4.5 в 59% случаев
→ #4 GPT-5.3 Codex — $1.25/$10, 100+ языков, быстрее на автокомплит на 25%
→ #5 GLM-5 (new) — вытеснил GPT-5.2. MIT-лицензия, 744B MoE (40B active), $0.30/$2.55. Обучен целиком на Huawei Ascend, без NVIDIA. Нативная генерация .docx/.pdf/.xlsx
Главный сюрприз: GLM-5 на пятом месте вместо GPT-5.2. Open-source с MIT-лицензией по цене в 10× дешевле Opus при frontier-level перформансе.
Инструменты — топ-5:
→ #1 Windsurf — удерживает лидерство. Arena Mode (слепое A/B сравнение моделей), Plan Mode, параллельные мульти-агент сессии с Git worktrees. Free–$60
→ #2 Antigravity — бесплатный (preview). Мульти-агент оркестрация + встроенная автоматизация Chrome. Поддержка Gemini 3 Pro, Claude Sonnet/Opus 4.5, GPT-OSS
→ #3 Cursor IDE — Cursor 2.0: Composer-модель (4× быстрее), до 8 агентов параллельно, Plan Mode. Free–$200
→ #4 Kimi Code — open-source терминальный агент, визуальный дебаг (видео/изображения на вход), интеграция с VSCode/Cursor/Zed, Agent Swarm от K2.5
→ #5 Codex (new) — вернулся: cloud-native agent от OpenAI, параллельные sandbox-ы, автосоздание PR, нативная интеграция с GitHub. $20–$200. Вытеснил Claude Code из топ-5
Главная интрига: Claude Code выпал из пятёрки инструментов, хотя Claude-модели лидируют в рейтинге моделей. Codex зашёл с козырями — headless-режим в облаке не блокирует локальную разработку.
Что реально выбирать:
Сложный дебаг, рефакторинг монорепо → Opus 4.6 (89% root cause accuracy) Быстрый автокомплит, полиглот-проекты → GPT-5.3 Codex Баланс цена/качество → Sonnet 4.6 (75.2% SWE-bench за треть цены Opus) Self-hosted, приватность → Llama 4 Code или Qwen 3.5 (397B MoE, 17B active, бесплатно) Бюджет → MiniMax M2.5: $0.30/$1.10 за 1M — дешевле всех в топ-10
Тренд, который многие упускают: open-source модели (GLM-5, Qwen 3.5, MiMo-V2-Flash) уже теснят коммерческие в соотношении цена/качество. Вопрос не «какая модель лучшая», а «какая лучшая для вашего конкретного workflow по конкретной цене».
#AIcoding #AI #LLM #DevOps #GenAI
(источник)
LogRocket обновил свои AI Power Rankings за март — ранжирование моделей и инструментов для разработки по 50+ фичам: SWE-bench, usability, цена, контекст, code quality, accessibility, enterprise-фичи.
Вот что изменилось.
Модели — топ-5 марта:
→ #1 Claude Opus 4.6 (new) — 75.6% SWE-bench, контекст 1M (бета), output 128K. Agent Teams, adaptive thinking. $5/$25 за 1M токенов
→ #2 Gemini 3.1 Pro (new) — 77.1% ARC-AGI-2 (удвоение reasoning vs предыдущего поколения). Цена $2/$12 — не изменилась vs Gemini 3 Pro при значительном скачке качества
→ #3 Claude Sonnet 4.6 (new) — 1M контекст в бета, $3/$15. В Claude Code предпочитается вместо Opus 4.5 в 59% случаев
→ #4 GPT-5.3 Codex — $1.25/$10, 100+ языков, быстрее на автокомплит на 25%
→ #5 GLM-5 (new) — вытеснил GPT-5.2. MIT-лицензия, 744B MoE (40B active), $0.30/$2.55. Обучен целиком на Huawei Ascend, без NVIDIA. Нативная генерация .docx/.pdf/.xlsx
Главный сюрприз: GLM-5 на пятом месте вместо GPT-5.2. Open-source с MIT-лицензией по цене в 10× дешевле Opus при frontier-level перформансе.
Инструменты — топ-5:
→ #1 Windsurf — удерживает лидерство. Arena Mode (слепое A/B сравнение моделей), Plan Mode, параллельные мульти-агент сессии с Git worktrees. Free–$60
→ #2 Antigravity — бесплатный (preview). Мульти-агент оркестрация + встроенная автоматизация Chrome. Поддержка Gemini 3 Pro, Claude Sonnet/Opus 4.5, GPT-OSS
→ #3 Cursor IDE — Cursor 2.0: Composer-модель (4× быстрее), до 8 агентов параллельно, Plan Mode. Free–$200
→ #4 Kimi Code — open-source терминальный агент, визуальный дебаг (видео/изображения на вход), интеграция с VSCode/Cursor/Zed, Agent Swarm от K2.5
→ #5 Codex (new) — вернулся: cloud-native agent от OpenAI, параллельные sandbox-ы, автосоздание PR, нативная интеграция с GitHub. $20–$200. Вытеснил Claude Code из топ-5
Главная интрига: Claude Code выпал из пятёрки инструментов, хотя Claude-модели лидируют в рейтинге моделей. Codex зашёл с козырями — headless-режим в облаке не блокирует локальную разработку.
Что реально выбирать:
Сложный дебаг, рефакторинг монорепо → Opus 4.6 (89% root cause accuracy) Быстрый автокомплит, полиглот-проекты → GPT-5.3 Codex Баланс цена/качество → Sonnet 4.6 (75.2% SWE-bench за треть цены Opus) Self-hosted, приватность → Llama 4 Code или Qwen 3.5 (397B MoE, 17B active, бесплатно) Бюджет → MiniMax M2.5: $0.30/$1.10 за 1M — дешевле всех в топ-10
Тренд, который многие упускают: open-source модели (GLM-5, Qwen 3.5, MiMo-V2-Flash) уже теснят коммерческие в соотношении цена/качество. Вопрос не «какая модель лучшая», а «какая лучшая для вашего конкретного workflow по конкретной цене».
#AIcoding #AI #LLM #DevOps #GenAI
(источник)
🙏4❤1
🦞 OpenClaw на AMD
AMD выложила BKC (Best Known Configuration) для запуска OpenClaw-агентов на двух конфигурациях. Звучит как маркетинг, но давайте в цифры — потому что дьявол в bandwidth.
Стек: WSL2 → LM Studio → llama.cpp (Vulkan backend) → Qwen 3.5 35B A3B (MoE, ~3B активных параметров на токен из 35B total). Память агента — Memory.md, локальные эмбеддинги без облака.
RyzenClaw — Ryzen AI Max+ 395:
→ 128 ГБ LPDDR5X-8000, шина 256 бит, ~215 ГБ/с реальной пропускной способности
→ До 96 ГБ отдаётся под VRAM через Variable Graphics Memory
→ 45 tok/s decode на Qwen 3.5 35B, prefill 10K токенов за 19.5 сек
→ Контекст 260K, до 6 агентов параллельно (Unified KV Cache)
RadeonClaw — Radeon AI PRO R9700 (RDNA 4):
→ 32 ГБ GDDR6, ~512 ГБ/с bandwidth
→ 120 tok/s decode, prefill 10K за 4.4 сек
→ Меньше контекст, меньше параллельных агентов — но в 2.7× быстрее на генерации
Зачем вообще новое железо, если есть RTX 5090?
Бенчмарки из llama.cpp discussions (Qwen 3.5 35B, Q4_K_XL):
→ RTX 5090: ~190 tok/s decode, GDDR7, 1.8 ТБ/с bandwidth, 32 ГБ VRAM. Цена ~$4 300
→ R9700: ~127 tok/s decode, GDDR6, ~512 ГБ/с. Цена ~$1 300
→ Разница в скорости генерации: 1.5×. Разница в цене: 3.3×. Два R9700 (64 ГБ VRAM) дешевле одной 5090
Но главный аргумент AMD не в дискретке. Он в APU. Ryzen AI Max+ с 128 ГБ unified memory позволяет запускать модели, которые физически не влезут в 32 ГБ VRAM у 5090: DeepSeek R1 70B, Llama 4 Scout 109B, GPT-OSS 120B. Через TTM kernel parameter в Linux можно выделить до 120 ГБ VRAM на ноде. А через llama.cpp RPC кластер из 4 мини-ПК = 480 ГБ и триллионная модель Kimi K2.5 локально.
Ложка дёгтя: bandwidth у Strix Halo — 215 ГБ/с vs 546 ГБ/с у Apple M4 Max (128 ГБ). На dense 70B-моделях M4 Max быстрее: 6.3 vs 5.0 tok/s. Но на MoE-моделях, где активны 3–6B из 35–100B, bandwidth-bottleneck не так критичен — и AMD выигрывает за счёт ёмкости памяти и цены ($2 566 Framework Desktop vs $4 000+ MacBook Pro 128 ГБ).
Prompt injection — новый attack vector. У OpenClaw уже был инцидент ClawHavoc: вредоносные скиллы через ClawHub заражали инстансы. AMD сами пишут в disclaimer: «запускайте на чистой машине или в VM». Появился проект ClawSec — security-suite с drift detection для SOUL.md/IDENTITY.md и сканированием скиллов через VirusTotal.
AMD по сути говорит: inference переезжает на клиент, и мы продаём железо для этого. Не «AI PC для Copilot», а полноценный Agent Computer, где primary user — не человек, а LLM.
Кто уже гонял OpenClaw локально — на чём? 👇
#AI #AIAgents #cloudarchitecture #cybersecurity #LLM
(источник)
AMD выложила BKC (Best Known Configuration) для запуска OpenClaw-агентов на двух конфигурациях. Звучит как маркетинг, но давайте в цифры — потому что дьявол в bandwidth.
Стек: WSL2 → LM Studio → llama.cpp (Vulkan backend) → Qwen 3.5 35B A3B (MoE, ~3B активных параметров на токен из 35B total). Память агента — Memory.md, локальные эмбеддинги без облака.
RyzenClaw — Ryzen AI Max+ 395:
→ 128 ГБ LPDDR5X-8000, шина 256 бит, ~215 ГБ/с реальной пропускной способности
→ До 96 ГБ отдаётся под VRAM через Variable Graphics Memory
→ 45 tok/s decode на Qwen 3.5 35B, prefill 10K токенов за 19.5 сек
→ Контекст 260K, до 6 агентов параллельно (Unified KV Cache)
RadeonClaw — Radeon AI PRO R9700 (RDNA 4):
→ 32 ГБ GDDR6, ~512 ГБ/с bandwidth
→ 120 tok/s decode, prefill 10K за 4.4 сек
→ Меньше контекст, меньше параллельных агентов — но в 2.7× быстрее на генерации
Зачем вообще новое железо, если есть RTX 5090?
Бенчмарки из llama.cpp discussions (Qwen 3.5 35B, Q4_K_XL):
→ RTX 5090: ~190 tok/s decode, GDDR7, 1.8 ТБ/с bandwidth, 32 ГБ VRAM. Цена ~$4 300
→ R9700: ~127 tok/s decode, GDDR6, ~512 ГБ/с. Цена ~$1 300
→ Разница в скорости генерации: 1.5×. Разница в цене: 3.3×. Два R9700 (64 ГБ VRAM) дешевле одной 5090
Но главный аргумент AMD не в дискретке. Он в APU. Ryzen AI Max+ с 128 ГБ unified memory позволяет запускать модели, которые физически не влезут в 32 ГБ VRAM у 5090: DeepSeek R1 70B, Llama 4 Scout 109B, GPT-OSS 120B. Через TTM kernel parameter в Linux можно выделить до 120 ГБ VRAM на ноде. А через llama.cpp RPC кластер из 4 мини-ПК = 480 ГБ и триллионная модель Kimi K2.5 локально.
Ложка дёгтя: bandwidth у Strix Halo — 215 ГБ/с vs 546 ГБ/с у Apple M4 Max (128 ГБ). На dense 70B-моделях M4 Max быстрее: 6.3 vs 5.0 tok/s. Но на MoE-моделях, где активны 3–6B из 35–100B, bandwidth-bottleneck не так критичен — и AMD выигрывает за счёт ёмкости памяти и цены ($2 566 Framework Desktop vs $4 000+ MacBook Pro 128 ГБ).
Prompt injection — новый attack vector. У OpenClaw уже был инцидент ClawHavoc: вредоносные скиллы через ClawHub заражали инстансы. AMD сами пишут в disclaimer: «запускайте на чистой машине или в VM». Появился проект ClawSec — security-suite с drift detection для SOUL.md/IDENTITY.md и сканированием скиллов через VirusTotal.
AMD по сути говорит: inference переезжает на клиент, и мы продаём железо для этого. Не «AI PC для Copilot», а полноценный Agent Computer, где primary user — не человек, а LLM.
Кто уже гонял OpenClaw локально — на чём? 👇
#AI #AIAgents #cloudarchitecture #cybersecurity #LLM
(источник)
❤4
Рой вместо одного агента: YC-стартап показал, как обойти Opus 4.6
Random Labs (YC S24) выпустил Slate V1 — первый «swarm native» coding agent. Суть: вместо одного AI, который пытается удержать контекст огромной задачи, работает рой специализированных агентов параллельно.
Почему это интересно технически:
Главная проблема текущих агентов — lossy compaction. Когда контекстное окно заканчивается, Claude Code или Cursor сжимают историю, теряя критические куски проектного состояния. Вы наверняка это видели: агент «забывает» решения, принятые 20 минут назад.
Slate решает это архитектурой Thread Weaving:
→ Центральный оркестратор «программирует в пространстве действий» — отделяет стратегию от тактики, чтобы модель не тонула в деталях реализации (концепция Knowledge Overhang из RLM)
→ Worker-потоки выполняют задачи и возвращают не полные логи, а «эпизоды» — сжатые саммари успешных tool-вызовов и выводов
→ Эпизоды шарят контекст с оркестратором напрямую, без brittle message passing — формируя «swarm intelligence»
Результат: можно параллельно запустить Claude Sonnet на рефакторинг, GPT-5.4 на исполнение кода, GLM-5 на поиск по документации. Каждый на своём, все в одном проекте.
По данным VentureBeat, на задаче make-mips-interpreter (Terminal Bench 2.0) ранняя версия threading-системы Slate прошла 2/3 тестов. Для контекста: даже Opus 4.6 в стандартных harness-ах проходит эту задачу менее чем в 20% случаев.
Нюансы: сам автор Slate пишет, что агент работает в ~5× дольше, чем Claude/Codex на тех же задачах. Выигрыш не в скорости, а в способности доводить до конца сложные многочасовые задачи, где одиночный агент теряет нить. Пока waitlist — open-source обещан, но ещё не опубликован.
Планы: интеграция с Codex и Claude Code как orchestration layer поверх. Это не замена существующих инструментов — это дирижёр для них.
Swarm-подход вообще набирает обороты: Kimi K2.5 уже умеет 100 sub-агентов, Claude Code получил Agent Teams. Но Slate — первый, кто строит архитектуру swarm-first, а не добавляет параллелизм поверх.
#AIAgents #AIcoding #architecture #systemdesign #GenAI
(источник)
Random Labs (YC S24) выпустил Slate V1 — первый «swarm native» coding agent. Суть: вместо одного AI, который пытается удержать контекст огромной задачи, работает рой специализированных агентов параллельно.
Почему это интересно технически:
Главная проблема текущих агентов — lossy compaction. Когда контекстное окно заканчивается, Claude Code или Cursor сжимают историю, теряя критические куски проектного состояния. Вы наверняка это видели: агент «забывает» решения, принятые 20 минут назад.
Slate решает это архитектурой Thread Weaving:
→ Центральный оркестратор «программирует в пространстве действий» — отделяет стратегию от тактики, чтобы модель не тонула в деталях реализации (концепция Knowledge Overhang из RLM)
→ Worker-потоки выполняют задачи и возвращают не полные логи, а «эпизоды» — сжатые саммари успешных tool-вызовов и выводов
→ Эпизоды шарят контекст с оркестратором напрямую, без brittle message passing — формируя «swarm intelligence»
Результат: можно параллельно запустить Claude Sonnet на рефакторинг, GPT-5.4 на исполнение кода, GLM-5 на поиск по документации. Каждый на своём, все в одном проекте.
По данным VentureBeat, на задаче make-mips-interpreter (Terminal Bench 2.0) ранняя версия threading-системы Slate прошла 2/3 тестов. Для контекста: даже Opus 4.6 в стандартных harness-ах проходит эту задачу менее чем в 20% случаев.
Нюансы: сам автор Slate пишет, что агент работает в ~5× дольше, чем Claude/Codex на тех же задачах. Выигрыш не в скорости, а в способности доводить до конца сложные многочасовые задачи, где одиночный агент теряет нить. Пока waitlist — open-source обещан, но ещё не опубликован.
Планы: интеграция с Codex и Claude Code как orchestration layer поверх. Это не замена существующих инструментов — это дирижёр для них.
Swarm-подход вообще набирает обороты: Kimi K2.5 уже умеет 100 sub-агентов, Claude Code получил Agent Teams. Но Slate — первый, кто строит архитектуру swarm-first, а не добавляет параллелизм поверх.
#AIAgents #AIcoding #architecture #systemdesign #GenAI
(источник)
❤4💩1
ChatGPT всё? Дженсен Хуанг только что отменил инвестиции в OpenAI на $100 млрд
Вместо этого CEO Nvidia в эфире CNBC назвал OpenClaw «следующим ChatGPT» и крупнейшим open-source проектом в истории. Если LLM просто генерируют текст, то автономные ИИ-агенты OpenClaw делают работу:
→ Сами принимают решения
→ Используют сторонние тулзы
→ Закрывают таски с минимальным участием белковых
Nvidia не была бы собой, если бы не попыталась возглавить тренд. Они уже выкатили NemoClaw — enterprise-версию со своим стеком для безопасного запуска агентов в бизнесе. Рынок оценил: акции связанных со стеком компаний улетели в исторические максимумы. Эра чат-ботов заканчивается, начинается эра агентов.
#AI #AIAgents #GenAI
CNBC Interview with Jensen Huang
Вместо этого CEO Nvidia в эфире CNBC назвал OpenClaw «следующим ChatGPT» и крупнейшим open-source проектом в истории. Если LLM просто генерируют текст, то автономные ИИ-агенты OpenClaw делают работу:
→ Сами принимают решения
→ Используют сторонние тулзы
→ Закрывают таски с минимальным участием белковых
Nvidia не была бы собой, если бы не попыталась возглавить тренд. Они уже выкатили NemoClaw — enterprise-версию со своим стеком для безопасного запуска агентов в бизнесе. Рынок оценил: акции связанных со стеком компаний улетели в исторические максимумы. Эра чат-ботов заканчивается, начинается эра агентов.
#AI #AIAgents #GenAI
CNBC Interview with Jensen Huang
👍3❤2💩1
Валидол для безопасника, или 5 альтернатив дырявому OpenClaw 💊
Тащить дефолтный OpenClaw в прод — настоящее ИТ-самоубийство. 💀
Свежая уязвимость CVE-2026-25253 (кража токенов) и root-доступ из коробки делают его ночным кошмаром. Но отказываться от локальных агентов не нужно.
Вот 5 архитектурно безопасных замен:
→ NanoClaw (TypeScript). Изоляция на уровне ОС. Агенты крутятся в песочницах Docker/Apple Container. Словит галлюцинацию — умрет только контейнер.
→ PicoClaw (Go). Single static binary. Жрет <10MB RAM, стартует за секунду. Находка для Edge-устройств.
→ TrustClaw (SaaS). Managed-решение с чистым OAuth-флоу. Инфраструктура в облаке — ключи физически отделены от вашего железа.
→ Nanobot (Python). Разработка HKU. Всего ~4000 строк кода с фокусом на MCP. Идеальный baseline-фреймворк для R&D.
→ IronClaw (Rust). Тяжелая артиллерия от разработчиков NEAR AI.
Исполнение в изолированных Wasm-контейнерах со строгой capability-based моделью (нулевые права по дефолту).
Будущее агентов — за Wasm/Docker-изоляцией и легковесными бинарниками.
Какую архитектуру выберете для своего пет-проекта? 👇
😀 Wasm/Rust (IronClaw)
😱Docker-песочницы (NanoClaw)
🥴 Edge-минимализм (PicoClaw)
🤡Я подожду, пока агенты перестанут ломать прод
#architecture #AIAgents #cybersecurity #zerotrust
SonicWall Blog
Тащить дефолтный OpenClaw в прод — настоящее ИТ-самоубийство. 💀
Свежая уязвимость CVE-2026-25253 (кража токенов) и root-доступ из коробки делают его ночным кошмаром. Но отказываться от локальных агентов не нужно.
Вот 5 архитектурно безопасных замен:
→ NanoClaw (TypeScript). Изоляция на уровне ОС. Агенты крутятся в песочницах Docker/Apple Container. Словит галлюцинацию — умрет только контейнер.
→ PicoClaw (Go). Single static binary. Жрет <10MB RAM, стартует за секунду. Находка для Edge-устройств.
→ TrustClaw (SaaS). Managed-решение с чистым OAuth-флоу. Инфраструктура в облаке — ключи физически отделены от вашего железа.
→ Nanobot (Python). Разработка HKU. Всего ~4000 строк кода с фокусом на MCP. Идеальный baseline-фреймворк для R&D.
→ IronClaw (Rust). Тяжелая артиллерия от разработчиков NEAR AI.
Исполнение в изолированных Wasm-контейнерах со строгой capability-based моделью (нулевые права по дефолту).
Будущее агентов — за Wasm/Docker-изоляцией и легковесными бинарниками.
Какую архитектуру выберете для своего пет-проекта? 👇
😀 Wasm/Rust (IronClaw)
😱Docker-песочницы (NanoClaw)
🥴 Edge-минимализм (PicoClaw)
🤡Я подожду, пока агенты перестанут ломать прод
#architecture #AIAgents #cybersecurity #zerotrust
SonicWall Blog
❤3
Непопулярное мнение: скоро продакты перестанут писать ТЗ
И начнут пушить коммиты прямо вам в репозиторий. Точнее, они уже это делают.
Вышло свежее исследование ProductSense и X5 Group (март 2026, опрошено 1220 специалистов), и цифры заставляют задуматься:
→ В 2025 году менеджеры продуктов тратили больше всего времени не на аналитику, а на ИИ-навыки (17%).
→ 97% уже используют нейронки, а 43% — делают это постоянно.
→ Главный инсайт продактов за прошедший год — вайб-кодинг. Они сами собирают прототипы и MVP через промпты, минуя разработку.
→ К 2027 году 40% из них ожидают появления чисто ИИ-ролей в продуктовом менеджменте.
Готовьтесь: на следующем груминге вместо абстрактной задачи в таск-трекере вам могут принести кривоватый, но работающий франкенштейн-код из LLM с просьбой «просто задеплоить это на прод».
#AI #productmanagement #MVP #GenAI #AIcoding
(источник)
И начнут пушить коммиты прямо вам в репозиторий. Точнее, они уже это делают.
Вышло свежее исследование ProductSense и X5 Group (март 2026, опрошено 1220 специалистов), и цифры заставляют задуматься:
→ В 2025 году менеджеры продуктов тратили больше всего времени не на аналитику, а на ИИ-навыки (17%).
→ 97% уже используют нейронки, а 43% — делают это постоянно.
→ Главный инсайт продактов за прошедший год — вайб-кодинг. Они сами собирают прототипы и MVP через промпты, минуя разработку.
→ К 2027 году 40% из них ожидают появления чисто ИИ-ролей в продуктовом менеджменте.
Готовьтесь: на следующем груминге вместо абстрактной задачи в таск-трекере вам могут принести кривоватый, но работающий франкенштейн-код из LLM с просьбой «просто задеплоить это на прод».
#AI #productmanagement #MVP #GenAI #AIcoding
(источник)
❤4
Google Labs обновила Stitch, AI-канвас для дизайна интерфейсов
18 марта Google Labs представила обновлённый Stitch — инструмент эволюционировал из генератора макетов в полноценный AI-native canvas для проектирования UI. Суть обновления в том, что Stitch теперь работает не как генератор отдельных экранов, а как среда, в которой дизайн-агент оперирует контекстом всего проекта, включая его историю изменений.
Ключевое архитектурное изменение — появление бесконечного канваса, на который можно подавать в качестве контекста изображения, текст и код. Канвас дополнен Agent Manager, который позволяет параллельно вести несколько ветвей дизайна, по сути реализуя паттерн ветвления, знакомый разработчикам по системам контроля версий. Google также представила формат DESIGN.md — markdown-файл, описывающий дизайн-систему проекта. Его можно экспортировать и импортировать между проектами и сторонними инструментами, что снимает проблему переноса визуальных правил между средами. Дизайн-систему можно извлечь из любого URL.
Из практически важного: статичные макеты теперь превращаются в интерактивные прототипы, экраны связываются в пользовательские флоу, а Stitch умеет автоматически генерировать логически следующие экраны по клику. Добавлен голосовой ввод, позволяющий получать критику макета и вносить правки в реальном времени через диалог с агентом. Для интеграции в пайплайн разработки выпущен MCP-сервер и SDK, через которые возможности Stitch доступны как skills и tools. Экспорт идёт в AI Studio и Antigravity.
В целом, Google явно целится в категорию «от промпта до прототипа за минуты» и делает ставку на то, что дизайн в ближайшем будущем станет полностью диалоговым процессом. Термин «vibe design», который они вводят по аналогии с «vibe coding», звучит маркетингово, но за ним стоит конкретная инженерная реализация, как нам кажется, заслуживающая внимания.
(источник)
18 марта Google Labs представила обновлённый Stitch — инструмент эволюционировал из генератора макетов в полноценный AI-native canvas для проектирования UI. Суть обновления в том, что Stitch теперь работает не как генератор отдельных экранов, а как среда, в которой дизайн-агент оперирует контекстом всего проекта, включая его историю изменений.
Ключевое архитектурное изменение — появление бесконечного канваса, на который можно подавать в качестве контекста изображения, текст и код. Канвас дополнен Agent Manager, который позволяет параллельно вести несколько ветвей дизайна, по сути реализуя паттерн ветвления, знакомый разработчикам по системам контроля версий. Google также представила формат DESIGN.md — markdown-файл, описывающий дизайн-систему проекта. Его можно экспортировать и импортировать между проектами и сторонними инструментами, что снимает проблему переноса визуальных правил между средами. Дизайн-систему можно извлечь из любого URL.
Из практически важного: статичные макеты теперь превращаются в интерактивные прототипы, экраны связываются в пользовательские флоу, а Stitch умеет автоматически генерировать логически следующие экраны по клику. Добавлен голосовой ввод, позволяющий получать критику макета и вносить правки в реальном времени через диалог с агентом. Для интеграции в пайплайн разработки выпущен MCP-сервер и SDK, через которые возможности Stitch доступны как skills и tools. Экспорт идёт в AI Studio и Antigravity.
В целом, Google явно целится в категорию «от промпта до прототипа за минуты» и делает ставку на то, что дизайн в ближайшем будущем станет полностью диалоговым процессом. Термин «vibe design», который они вводят по аналогии с «vibe coding», звучит маркетингово, но за ним стоит конкретная инженерная реализация, как нам кажется, заслуживающая внимания.
(источник)
❤5
Сеньоры стали кодить в 2 раза быстрее. Но AI всё ещё пасует перед сложной архитектурой 📉
Консалтинговый гигант Zinnov и инжиниринговая компания Ness выкатили свежее исследование (март 2026). Они проанализировали работу 100+ инженеров через платформу Matrix, детально замеряя качество и скорость при использовании Copilot и CodeWhisperer.
Сухие цифры:
→ Время на апдейт существующего кода упало на 70%.
→ Сеньоры закрывают задачи на 48% быстрее.
→ 70% разрабов отметили рост вовлеченности — ИИ стирает барьеры при погружении в чужой код.
Но есть нюанс. В проектах с высокой комплексностью кода магия исчезает — прирост продуктивности падает до скромных 10%. Вывод: ИИ отлично забирает рутину и бойлерплейты, но проектировать сложные системы всё ещё придётся нам самим.
Чей лагерь выберете? 👇
🔥 — AI реально бустит мою продуктивность
🧊 — Пока больше исправляю за ним, чем пишу
👀 — Пишу всё сам по старинке
#AIcoding #GenAI #AI #architecture
The Economic Times
Консалтинговый гигант Zinnov и инжиниринговая компания Ness выкатили свежее исследование (март 2026). Они проанализировали работу 100+ инженеров через платформу Matrix, детально замеряя качество и скорость при использовании Copilot и CodeWhisperer.
Сухие цифры:
→ Время на апдейт существующего кода упало на 70%.
→ Сеньоры закрывают задачи на 48% быстрее.
→ 70% разрабов отметили рост вовлеченности — ИИ стирает барьеры при погружении в чужой код.
Но есть нюанс. В проектах с высокой комплексностью кода магия исчезает — прирост продуктивности падает до скромных 10%. Вывод: ИИ отлично забирает рутину и бойлерплейты, но проектировать сложные системы всё ещё придётся нам самим.
Чей лагерь выберете? 👇
🔥 — AI реально бустит мою продуктивность
🧊 — Пока больше исправляю за ним, чем пишу
👀 — Пишу всё сам по старинке
#AIcoding #GenAI #AI #architecture
The Economic Times
❤4👍1🔥1
Лаборатория METR опубликовала обновление своего эксперимента по продуктивности
Ранние данные 2025 года показывали, что AI‑ассистенты иногда даже замедляли задачи, но в начале 2026 года наблюдается очевидный рост выигрыша по скорости.
Но свежая статистика начала 2026 года отрезвляет:
→ Техдолг летит в космос: По данным бенчмарков 2026 года, после внедрения AI технический долг вырастает на 30-41%, а PR содержат в 1.7 раза больше проблем, чем написанные человеком.
→ Иллюзия скорости: Весь профит у новых проектов сгорает к шестому месяцу. Причина — резкий рост когнитивной сложности кодовой базы (почти на 40%).
→ Кризис доверия: В отчете Sonar 96% инженеров признались, что не доверяют AI-коду. 61% жалуются на самую опасную иллюзию: сгенерированный код выглядит идеально, но содержит скрытые архитектурные баги.
→ Даже ученые в тупике: В февральском отчете METR исследователи признали, что замерять продуктивность стало невозможно. Качество итоговой работы (особенно покрытие тестами и документация) при делегировании агентам сильно деградирует.
В итоге мы не стали писать код быстрее. Мы просто тратим сэкономленное время на дебаг и ревью чужих галлюцинаций.
#AIcoding #AIAgents #LLM
METR: We are Changing our Developer Productivity Experiment Design
Ранние данные 2025 года показывали, что AI‑ассистенты иногда даже замедляли задачи, но в начале 2026 года наблюдается очевидный рост выигрыша по скорости.
Но свежая статистика начала 2026 года отрезвляет:
→ Техдолг летит в космос: По данным бенчмарков 2026 года, после внедрения AI технический долг вырастает на 30-41%, а PR содержат в 1.7 раза больше проблем, чем написанные человеком.
→ Иллюзия скорости: Весь профит у новых проектов сгорает к шестому месяцу. Причина — резкий рост когнитивной сложности кодовой базы (почти на 40%).
→ Кризис доверия: В отчете Sonar 96% инженеров признались, что не доверяют AI-коду. 61% жалуются на самую опасную иллюзию: сгенерированный код выглядит идеально, но содержит скрытые архитектурные баги.
→ Даже ученые в тупике: В февральском отчете METR исследователи признали, что замерять продуктивность стало невозможно. Качество итоговой работы (особенно покрытие тестами и документация) при делегировании агентам сильно деградирует.
В итоге мы не стали писать код быстрее. Мы просто тратим сэкономленное время на дебаг и ревью чужих галлюцинаций.
#AIcoding #AIAgents #LLM
METR: We are Changing our Developer Productivity Experiment Design
❤6👍1👎1
This media is not supported in your browser
VIEW IN TELEGRAM
Наконец-то: вайбкодинг, не выходя из Telegram 📱
Когда вы в последний раз фиксили баги, стоя в очереди за кофе?
Anthropic официально выкатила интерфейс Channels для подключения своего AI-агента Claude Code к Telegram и Discord.
Как это работает на практике:
→ Создаёте бота (например, через BotFather в Telegram).
→ Подключаете канал к локальной сессии Claude Code через MCP-сервер.
→ Отправляете промпты и команды агенту прямо в чат мессенджера.
→ Получаете уведомления о выполнении тасок, ошибках или собранном билде.
Почему это важно: ИИ-разработка выходит за пределы терминала и IDE. Теперь можно делегировать агенту рутинный рефакторинг с телефона, а с ноутбука уже просто провести код-ревью готового пулл-реквеста. (Доступно на платных тарифах Claude).
#AIcoding #AIAgents #LLM
Claude Code Docs: Channels
Когда вы в последний раз фиксили баги, стоя в очереди за кофе?
Anthropic официально выкатила интерфейс Channels для подключения своего AI-агента Claude Code к Telegram и Discord.
Как это работает на практике:
→ Создаёте бота (например, через BotFather в Telegram).
→ Подключаете канал к локальной сессии Claude Code через MCP-сервер.
→ Отправляете промпты и команды агенту прямо в чат мессенджера.
→ Получаете уведомления о выполнении тасок, ошибках или собранном билде.
Почему это важно: ИИ-разработка выходит за пределы терминала и IDE. Теперь можно делегировать агенту рутинный рефакторинг с телефона, а с ноутбука уже просто провести код-ревью готового пулл-реквеста. (Доступно на платных тарифах Claude).
#AIcoding #AIAgents #LLM
Claude Code Docs: Channels
❤5👍1
«Skynet работает в кредит»: почему экономика ИИ не сходится
Главная угроза ИИ — это не восстание машин, а банальный кассовый разрыв. Мы в восторге от новых моделей, но забываем про беспрецедентное кредитное плечо бигтеха.
Индустрия пошла ва-банк, и математика пугает:
→ $2 трлн — такую выручку ежегодно должна генерировать отрасль к 2030 году, чтобы просто окупить железо и дата-центры (данные Bain & Company).
→ Провал технологии гарантирует каскад дефолтов по долгам за инфраструктуру.
→ Но сценарий успеха еще мрачнее. Чтобы отбить вложения, нужна агрессивная автоматизация.
По свежим оценкам Goldman Sachs, ИИ затронет 300 млн рабочих мест.
Парадокс: глобальный демпинг зарплат обрушит покупательную способность. Корпорации сэкономят на людях, но кто тогда будет покупать их сервисы? На фоне мировой закредитованности оба пути ведут к жесткой рецессии.
Верите, что AI-пузырь лопнет в ближайшие пару лет?
🔥 — Да, экономику не обманешь, это доткомы 2.0
❌ — Нет, продуктивность взлетит и покроет все долги
#AI #GenAI #LLM #productmanagement
(источник)
Главная угроза ИИ — это не восстание машин, а банальный кассовый разрыв. Мы в восторге от новых моделей, но забываем про беспрецедентное кредитное плечо бигтеха.
Индустрия пошла ва-банк, и математика пугает:
→ $2 трлн — такую выручку ежегодно должна генерировать отрасль к 2030 году, чтобы просто окупить железо и дата-центры (данные Bain & Company).
→ Провал технологии гарантирует каскад дефолтов по долгам за инфраструктуру.
→ Но сценарий успеха еще мрачнее. Чтобы отбить вложения, нужна агрессивная автоматизация.
По свежим оценкам Goldman Sachs, ИИ затронет 300 млн рабочих мест.
Парадокс: глобальный демпинг зарплат обрушит покупательную способность. Корпорации сэкономят на людях, но кто тогда будет покупать их сервисы? На фоне мировой закредитованности оба пути ведут к жесткой рецессии.
Верите, что AI-пузырь лопнет в ближайшие пару лет?
🔥 — Да, экономику не обманешь, это доткомы 2.0
❌ — Нет, продуктивность взлетит и покроет все долги
#AI #GenAI #LLM #productmanagement
(источник)
❤4
ИИ ускорил написание кода в разы, но...
Свежее исследование Harness (март 2026) подтвердило то, о чем многие догадывались: мы разогнали этап написания кода нейросетями, но забыли перестроить пайплайны. Инфраструктура, тесты, безопасность и CI/CD просто не вывозят такие объемы.
Суровая статистика по разработчикам, которые очень часто используют AI-инструменты:
→ 69% регулярно ловят проблемы при деплое.
→ Время восстановления после инцидентов (MTTR) выросло с 6.3 до 7.6 часов по сравнению с теми, кто пишет руками.
→ 96% (!!) таких разработчиков теперь перерабатывают по вечерам и выходным, разгребая завалы после релизов.
Вывод: генерировать фичи со скоростью света — это круто. Но если процессы доставки и тестирования не автоматизированы на том же уровне, вы просто ускорили поставку багов.
#AIcoding #DevOps #CICD #SRE
(ИСТОЧНИК)
Свежее исследование Harness (март 2026) подтвердило то, о чем многие догадывались: мы разогнали этап написания кода нейросетями, но забыли перестроить пайплайны. Инфраструктура, тесты, безопасность и CI/CD просто не вывозят такие объемы.
Суровая статистика по разработчикам, которые очень часто используют AI-инструменты:
→ 69% регулярно ловят проблемы при деплое.
→ Время восстановления после инцидентов (MTTR) выросло с 6.3 до 7.6 часов по сравнению с теми, кто пишет руками.
→ 96% (!!) таких разработчиков теперь перерабатывают по вечерам и выходным, разгребая завалы после релизов.
Вывод: генерировать фичи со скоростью света — это круто. Но если процессы доставки и тестирования не автоматизированы на том же уровне, вы просто ускорили поставку багов.
#AIcoding #DevOps #CICD #SRE
(ИСТОЧНИК)
❤3😈1