Как масштабировать Git-инфраструктуру, разгрузить память Kubernetes-узлов и построить потоковую платформу поверх объектного хранилища?

В новом дайджесте к свежим материалам за последние семь дней добавили записи докладов HighLoad++ 2025. Сравните подходы GitHub и Cloudflare с продакшен-кейсами GitLab и Kafka, а Node Swap — с тем, как память на самом деле ведёт себя на уровне Linux и JVM.

Почитать:

🔴Building Git infrastructure for agent-scale development.
GitHub объясняет, почему рост числа коммитов, push-операций и запусков CI требует новой архитектуры хранения репозиториев. Внутри — ограничения текущей схемы с пятью репликами, разделение compute и storage и результаты внутренних тестов: до 35 раз больше пропускной способности на запись.

🔴Announcing Cloudflare K2: serverless event streams.
Архитектурный разбор K2 — бессерверного журнала событий, построенного поверх объектного хранилища R2. Cloudflare рассказывает, как реализовала партиционирование, порядок сообщений и независимое масштабирование хранения и вычислений, а также разбирает ограничения подхода и отличия от очередей и Kafka.

🔴Scaling Kubernetes Workloads with Node Swap.
Бенчмарк Node Swap с NVMe-дисками для CI-сборок, изолированных Python-сред и браузерных sandbox-контейнеров. Авторы показывают, когда swap позволяет разместить на узле до трёх раз больше ворклоадов без заметного роста задержки, а где начинается падение производительности.

Посмотреть:

🔴От одного контейнера до 4000 RPS: как мы масштабировали GitLab в трех дата-центрах. Максим Степанов.
Кейс масштабирования GitLab: переход к распределённой установке, миграция хранения и бэкапов в S3, вынос очередей, Kubernetes, балансировка VCS и разделение нагрузки между Redis/Valkey-кластерами.

🔴Эволюция Kafka as a Service: от факапа до чилаута. Анастасия Цепелева.
Опыт перехода от одной большой Kafka к отдельным кластерам как сервису. В докладе — GitOps, Strimzi, автоматические обновления без простоя, пресеты конфигураций и middleware для упрощения авторизации.

🔴Beyond the OOM: Decoding Java Memory Behavior. Михаил Поливаха.
Практический разбор потребления памяти Java-приложениями. Почему NMT, VisualVM, JConsole и метрики ОС могут показывать разные результаты, как связаны физическая память, RSS/PSS, COW, cgroups и пулы JVM и где искать причину проблем с памятью в продакшене.

Кидайте подборку в «сохранённое», чтобы потом не grep’ать историю чата, и пересылайте коллегам — пригодится, когда очередное узкое место всплывёт уже в проде 🙌

Как встроить AI-агентов в процесс разработки, не потерять архитектуру и не собирать контекст заново при каждой передаче задачи? Как проверить агента не на уровне демо, а на всём пути от первого прототипа до тестов, инцидентов и сопровождения?

На HighLoad++ 2026 эти задачи разберём в докладе и деловой игре.

🔴Агенты в SDLC энтерпрайза: как не потерять архитектуру по дороге. Илья Кудряшов и Игорь Симонов (МТС Веб Сервисы).
Доклад для архитекторов, системных аналитиков, тимлидов и руководителей разработки, у которых узким местом стали постановка задачи, сбор контекста и проверка результата. Илья и Игорь покажут, как хранить знания о продукте в Git, передавать между ролями готовые артефакты и проводить изменения через ревью. Одну задачу спикеры проведут по процессу целиком — от сбора контекста до передачи в разработку.

🔴ИИ-агент за 90 минут: от идеи до продакшена. Евгений Денисов (Ингосстрах).
Деловая игра для тех, кому нужно пройти полный цикл создания ИИ-агента и понять, как не остановиться на быстром прототипе. Игра состоит из четырёх раундов: от первого прототипа до мультиагентной системы. Участники будут искать слабые места, готовить тесты, разбирать ошибки и улучшать агента. Глубокий ML- или AI-бэкграунд не требуется.

Ждём вас 30 ноября и 1 декабря в Москве на HighLoad++ 2026 🙌

Узнать подробнее о программе можно на сайте.

*Программа ещё формируется

Вы работаете с системой, которую нельзя остановить и спокойно переписать с нуля. База растёт, legacy остаётся, новые функции цепляют старые решения, а после релиза всплывают вопросы, которых не было на схеме.

Когда выбираете следующий шаг, одной документации мало. Важно увидеть, как похожую задачу решали другие команды: с какими ограничениями столкнулись, что проверяли, где ошиблись и почему в итоге выбрали именно такой вариант.

На HighLoad++ 2026 вы можете собрать программу под свою текущую задачу.

🔴Готовите миграцию? → смотрите разборы архитектуры и баз данных.
🔴Разбираетесь с надёжностью и релизами? → выбирайте доклады по тестированию, SRE и Platform Engineering.
🔴Внедряете AI в разработку? → сравните кейсы, в которых он помог команде, и ситуации, когда работы на ревью и проверку стало больше.

Ищите в докладах ответы на вопросы, которые важны именно для вашей системы:
- где решение может упереться в рост нагрузки;
- что стоит измерить до изменений;
- какие риски нужно обсудить с командой.

Посмотрите программу и начните с задачи, которую решаете сейчас ✅

📍HighLoad++ 2026 пройдёт 30 ноября и 1 декабря в Кампусе СКОЛКОВО и онлайн.

Как повысить точность RAG, выбрать подходящую архитектуру и сохранить сервис при сбое AI-агента — открыли записи трёх докладов HighLoad++ 2025, где спикеры показывают, как решали эти задачи в своих проектах.

🔴Как RAG ускоряет поддержку RUTUBE: от гибридного поиска до мониторинга галлюцинаций. Виктор Леньшин.
Если ваш RAG часто отвечает «не знаю» или не справляется с растущей базой знаний, доклад поможет пересмотреть подход к поиску и оценке качества. Сравните первую версию RAG с подходом на основе гибридного поиска, разберётесь в роли BM25 и FRIDA, изучите альтернативы Milvus и сможете выбрать метрики, которые точнее покажут качество системы.

🔴RAG → GraphRAG → LightRAG: как мы трижды переписывали медицинский AI и кратно снизили издержки. Андрей Носов.
Когда нужно выбрать RAG-архитектуру и обосновать её стоимость, сравните три подхода на примере одного проекта. Доклад поможет оценить, когда обычного RAG уже недостаточно, во сколько может обойтись GraphRAG и как LightRAG меняет баланс между качеством ответов и затратами на индексацию.

🔴Как сохранить высокую надежность при GenAI-трансформации. Вячеслав Кудряшов.
Если AI-агент становится частью критичной системы, заранее спроектируйте её поведение при сбоях. В докладе разберёте, как отслеживать действия агента, ограничивать зацикливание, продолжать работу без него и откатывать критичные операции. Эти решения можно использовать как основу для собственных требований к надёжности GenAI.

Продуктивного просмотра и отличных выходных 🙌