Завтра утром выкатываю на Хабре неформатную статью 📝

Помните мой недавний пост-размышление про вайбкодинг — про то, что ИИ усиливает не только возможности, но и пробелы? Он собрал хороший отклик и много комментариев, и я понял, что тема заслуживает не короткого поста, а развёрнутого разбора.

Так появилась статья: «Вайбкодинг, увольнения и будущее разработки: что реально происходит и что делать».

Что внутри:

— что реально происходит на рынке: цифры, сокращения, кто кого заменяет
— уволят ли завтра половину разработчиков (спойлер: всё не так однозначно)
— нужны ли ещё джуны и мидлы
— как входить в профессию, когда ИИ пишет код быстрее тебя
— и 4 истории из моей практики, после которых на «навайбкодил, подправь» смотришь иначе

Без хайпа и без розовых очков — только взгляд изнутри, с фактами, кейсами и личными выводами.

Публикую завтра, во вторник, около 10 утра ⏰

Ссылку закину сюда сразу после выхода.

Как и обещал — статья вышла 📝

«Вайбкодинг, увольнения и будущее разработки: что реально происходит и что делать»

Та самая, о которой я писал вчера. Вместо короткого поста-размышления получился развёрнутый разбор.

Что внутри:

— что реально происходит на рынке: цифры со ссылками, сокращения, куда уходят деньги
— уволят ли завтра половину разработчиков (спойлер: всё не так однозначно)
— нужны ли ещё джуны и мидлы и где остаётся спрос
— как входить в профессию и что учить, когда ИИ пишет код быстрее тебя
— как не растерять хватку тем, кто уже в деле
— и два неудобных вопроса начистоту: «а вдруг это всё пузырь» и «зачем заказчику платить команде, если есть ИИ»

Плюс 4 истории из моей практики, после которых на «навайбкодил, подправь» смотришь иначе.

Без хайпа и без розовых очков — только взгляд изнутри, с фактами, кейсами и личными выводами.

UPD Статья на доработке😔

Друзья, небольшая заминка со статьёй. Материал отправился на доработку — постараюсь опубликовать обновлённую версию завтра-послезавтра. Сделаю так, чтобы она полностью соответствовала правилам площадки.

Спасибо за ожидание 🙌

Отредактированная статья опубликована: https://habr.com/ru/articles/1048374/

Можно читать, как минимум, сейчас😂

Вас не напрягают вот эти подсказки снизу, где ИИ буквально предлагает, что ты сейчас должен ему ответить?

Меня — да.

Потому что это уже не просто автодополнение текста. Это ощущается как маленькое предсказание твоего следующего действия.

И самое неприятное — он почти всегда попадает.

Ты ещё сам не сформулировал мысль, а машина уже такая:
«ну давай, спроси его проверить логи».

С одной стороны удобно.
С другой — немного жутковато👻

Друзья, в последнее время я много писал про ИИ-агентов, LLM, LangGraph и всё вокруг этого. Тема важная, но уже хочется от неё выдохнуть. Подозреваю, вы тоже подустали.

Написал статью про штуку, с которой рано или поздно сталкивается каждый разработчик: как задеплоить несколько проектов на один VPS. Чтобы каждый жил на своём домене, под HTTPS, порты наружу не торчали, а новый сервис добавлялся за пару минут.

Без Kubernetes и без девопса в команде. И без привычной в таких делах боли.

Черновик готов, сейчас на вычитке. Если все пойдет по плану, то опубликую статью на следующей неделе.

К данному посту оставьте реакцию или комментарий, если вам, в целом, тема DevOps и прикладного системного администрирования интересна. Посмотрим, сколько нас таких 😄

Успели повеселиться до блокировки?😂

🚀 Статья вышла — и снова в партнёрстве с HOSTKEY

На Хабре опубликован мой новый практический туториал:

👉 Как превратить один VPS в платформу для деплоя нескольких проектов без боли и Kubernetes

Для тех, кто хоть раз слышал от заказчика «ну и когда уже на сервере будет?» — эта статья для вас.

🧠 Один VPS — несколько проектов — ноль открытых портов

Стек технологий:

Docker + Docker Compose + Nginx Proxy Manager

Что внутри статьи:

⚙️ Аренда VPS и домена: от нуля до рабочего сервера

🐳 Docker-сеть вместо торчащих наружу портов — почему это важно

🌐 Nginx Proxy Manager: маршрутизация и HTTPS без конфигов

🔐 PostgreSQL на закрытом контуре + Adminer через домен

🚀 FastAPI-проект внутри Docker-сети — деплой как надо

Три реальных примера:

- traefik/whoami — быстрый старт, чтобы увидеть систему в деле
- FastAPI + Jinja2 + Tailwind — собственный проект в контейнере
- Adminer + PostgreSQL — база без открытого 5432, только через HTTPS

Итог:

Один VPS, любое количество проектов, каждый на своём домене с HTTPS. Снаружи открыты только 80 и 443. Всё остальное — за закрытой дверью.

📦 Исходный код проекта FastApi 👉 GitHub

💬 Если остались вопросы — пишите тут 👇 или в комментариях на Хабре. По возможности всем отвечу.

🚀 ИИ-агенты на собственной инфраструктуре: ChatGPT-интерфейс для ваших LangGraph-агентов 🚀

Третья, финальная часть цикла уже опубликована в Академии Selectel! В материале закрываем полный стек: к готовому агентному бэкенду подключаем production-ready фронтенд — и выкатываем всё на боевой сервер с доменом и SSL.

В статье пошагово показал:

— как подключить agent-chat-ui — официальный Next.js-интерфейс от LangChain — к LangGraph Server за несколько минут
— как кастомизировать фронтенд: перевод на русский, переключатель между агентами, удаление чатов
— как выстроить три агента с разной архитектурой: генералист, диспетчер-мультиагент и узкий эксперт
— как закрыть API Bearer-авторизацией — с разбором нюансов, которых нет в официальной документации
— как задеплоить всё через Nginx и PM2 так, чтобы LangGraph оставался внутри контура

В результате получается полноценный AI-продукт, который:

— выглядит и работает как ChatGPT, но полностью на вашей инфраструктуре
— поддерживает стриминг токенов, историю диалогов и вызовы инструментов в реальном времени
— позволяет переключаться между несколькими агентами прямо в интерфейсе
— не открывает бэкенд наружу — LangGraph API доступен только внутри машины
— не зависит от OpenAI и не передаёт данные во внешние сервисы

Деплой проекта делал на сервере от @Selectel, который можно запустить за пару минут.

Материал будет полезен разработчикам и командам, которые хотят дать своим LangGraph-агентам красивый продакшн-фронтенд и полностью контролировать AI-инфраструктуру.

Реклама. АО «Селектел», erid: 2Vtzqvv7GsK

🚀 Для тех, кому удобнее читать на Хабре: финальная часть цикла про ИИ-агентов теперь и там!

Третья, заключительная часть цикла о построении независимой ИИ-инфраструктуры также опубликована на Хабре 👉 Облачная LLM на 16 ГБ VRAM — часть 3: ChatGPT-интерфейс для ваших LangGraph-агентов

Если вы пропустили предыдущие части — в этом материале я закрываю полный стек: к готовому агентному бэкенду на LangGraph подключаю production-ready фронтенд и выкатываю всё на боевой сервер с доменом и SSL. Главная фишка прежняя: всё работает полностью на ваших серверах, без привязки к закрытым API, сторонним SaaS-платформам и зарубежным облакам.

В статье пошагово разбираю:

🔹 как подключить agent-chat-ui — официальный Next.js-интерфейс от LangChain — к LangGraph Server за пару минут
🔹 как кастомизировать фронтенд: перевод на русский, переключатель между агентами, удаление чатов
🔹 как выстроить три агента с разной архитектурой: генералист, диспетчер-мультиагент и узкий эксперт
🔹 как закрыть API Bearer-авторизацией — с нюансами, которых нет в официальной документации
🔹 как задеплоить всё через Nginx и PM2, чтобы LangGraph оставался внутри контура

В результате получается полноценный AI-продукт, который выглядит и работает как ChatGPT, но целиком на вашей инфраструктуре: со стримингом токенов, историей диалогов, вызовами инструментов в реальном времени и переключением между агентами прямо в интерфейсе. При этом бэкенд не открывается наружу и данные не уходят во внешние сервисы.

Также напоминаю, что весь исходный код к материалу открыт. Можно забирать, разворачивать на своей инфраструктуре и тестировать:

🔗 HabrGraphCLI → https://github.com/Yakvenalex/HabrGraphCLI
🔗 AgentChatUIHabr → https://github.com/Yakvenalex/Agent-chat-ui-habr

Буду рад обсудить архитектуру, ответить на вопросы и почитать о вашем опыте в комментариях на Хабре или в обсуждениях к данному посту 👇

GPT до появления в нем Live режима общения😂

P.S. Кто затестил новую фичу? Как вам?

🚀 Надеюсь, не успели меня забыть. А лучше — даже немного соскучились🙂

Последние пару недель на канале было тихо. Я был в отпуске, хорошо перезагрузился, после возвращения разобрался со всеми накопившимися делами — и теперь снова можно возвращаться к статьям.

И возвращаюсь сразу с анонсом новой.

Материал уже полностью готов. Осталось оформить его, добавить иллюстрации и финально вычитать. Если всё пойдёт по плану — в начале следующей недели статья выйдет на Хабре.

Как и все мои материалы, статья будет максимально практической. Никакой воды — только то, что можно взять и начать использовать в тот же день.

В этот раз покажу, как собрать собственную инфраструктуру для AI-разработки без VPN, бесконечных обходов, прокси и прочих танцев с бубном.

Что будет внутри:

🔹 как получать OpenAI-совместимые токены из подписок ChatGPT, Claude Code, Gemini и других AI-сервисов;

🔹 как превратить обычный VPS в полноценную среду разработки и кодить прямо на сервере через VS Code с максимальным комфортом;

🔹 как централизованно управлять всеми своими токенами и моделями;

🔹 как поднять собственный LLM Router, чтобы работать с любыми LLM через единый OpenAI API;

🔹 как собрать всё это в одну удобную систему, которая одинаково хорошо подойдёт и для повседневной разработки, и для AI-интеграций.

Всё, как обычно, будет сопровождаться готовыми командами, Docker-конфигами, примерами и объяснениями, почему именно так, а не иначе.

До скорой публикации! 🚀

Немного увлекся😂

Скайнет: начало, или что делают современные модели 🤖

Пока мы обсуждаем, какая нейронка лучше пишет код, нейронки, похоже, решили перейти к интеграционным тестам в проде.

За последнее время:

— модель OpenAI нашла 0-day, выбралась из песочницы в интернет и добралась до инфраструктуры Hugging Face;

— Claude в ходе тестов умудрился взломать реальные production-системы трёх компаний;

— другой Claude нашёл возможность для supply-chain атаки, написал вредоносный Python-пакет, понял, что нужен аккаунт PyPI, сам зарегистрировал почту → аккаунт → и загрузил malware в настоящий PyPI;

— но мой любимый случай — Claude Mythos 5. Агент пошёл на GitHub, создал вредоносный Pull Request, изучил мейнтейнеров проекта, начал плодить фейковые личности, чтобы убедить разработчика принять PR, полез через Tor, а когда его заподозрили — начал подчищать следы.

Meta тоже отличилась: Muse Spark во время тестирования получила доступ в интернет и залезла во внешнюю систему.

И самое прекрасное: в ряде этих случаев модели не давали прямой команды делать всё перечисленное. Агенту дали цель. А дальше он уже сам решил, что социальная инженерия, фейковые аккаунты и взлом — вполне нормальный способ её достижения.

Кажется, с промптами вида «ты автономный агент, добейся результата любой ценой» пора быть немного аккуратнее 😂

Источники:

OpenAI — инцидент с Hugging Face

OpenAI — другие инциденты cyber-eval'ов

Anthropic — разбор трёх реальных взломов

AISI — тот самый PR, фейковые аккаунты и Tor

Короче, если однажды ваш агент скажет: «задача выполнена, но есть небольшой нюанс» — возможно, лучше уточнить, какой именно.

Друзья, материал для новой статьи полностью собран и уже оформлен в черновик на Хабре 👆

Планировал выпустить её на этой неделе, как и обещал, но, похоже, публикация немного сдвинется по независящим от меня причинам.

Со своей стороны всё готово, так что осталось совсем немного подождать 🙂

Надеюсь, на следующей неделе уже увидимся на Хабре 🚀

🚀 Статья вышла — и снова в партнёрстве с HOSTKEY

На Хабре опубликован мой новый практический туториал:

👉 Как собрать AI-контур на VPS: подписки ChatGPT и Claude, OmniRoute, LiteLLM и разработка без VPN

Немного позже, чем планировалось, но главное — материал опубликован и уже доступен для чтения🙂

В этот раз получился большой практический гайд о том, как собрать собственный AI-контур на VPS с зарубежным IP и комфортно работать с современными моделями без постоянного VPN и лишних костылей.

Внутри пошагово:

🔹 подключаем подписки ChatGPT и Claude через OmniRoute, получая OpenAI-совместимый доступ к моделям (естественно, используем на свой страх и риск);

🔹 объединяем модели и провайдеров через LiteLLM в единый OpenAI-совместимый API;

🔹 настраиваем Codex, Qwen Code и VS Code для полноценной разработки прямо на VPS, оставаясь при этом в привычной среде;

🔹 разбираемся с токенами, маршрутизацией моделей, Docker, HTTPS и необходимой инфраструктурой;

🔹 собираем всё это в одну удобную систему для повседневной разработки и AI-интеграций.

Как обычно — максимум практики: готовые команды, конфиги и примеры, которые можно брать и повторять у себя.

Буду рад вашим комментариям и обратной связи на Хабре. Ну и плюсик статье традиционно сильно помогает её продвижению 🙂

Приятного чтения! 🚀

Кто уже успел протестировать? Как вам?

Такой сейчас загруз, что я умудрился пропустить даже День программиста 😅

Поэтому хоть и с небольшим опозданием — друзья, всех причастных с праздником! 👨‍💻

Желаю поменьше багов в пятницу вечером, побольше адекватных ТЗ, зелёных тестов с первого раза и чтобы прод никогда не падал после фразы «там небольшая правка на пять минут» 😁

Ну и чтобы современные AI-агенты всё чаще забирали на себя рутину, а нам оставляли самое интересное — архитектуру, идеи и создание действительно крутых вещей.

С прошедшим, коллеги! 🚀

Скорость выхода новых моделей впечатляет. В рамках одного месяца выпускают по 3-4 модели новые.

GPT-6.1 Sol успели в бою протестировать? Как вам модель?

Друзья, привет👋

Давно ничего не публиковал, хотя за последние месяцы накопилось немало интересного. Будем потихоньку возвращаться к техническим темам. Надеюсь, что соскучились.

И начать хочется с одной вещи, которая, судя по обсуждениям, до сих пор вызывает немало путаницы.

ChatGPT, LLM, чат-бот, AI-агент, harness — в чём вообще разница?

Казалось бы, мы уже несколько лет активно используем нейросети, но периодически встречаю утверждения вроде "я поднял локальную модель и получил свой ChatGPT" или "подключил LLM к Telegram — теперь у меня AI-агент".

Давайте немного разберёмся с терминологией.

1. LLM — языковая модель

GPT, Qwen, DeepSeek, Llama и прочие.

По своей сути модель получает входной контекст и генерирует ответ. Она может рассуждать, писать код, анализировать информацию и формировать запросы к инструментам.

Но сама по себе модель не ходит по вашему файловому хранилищу, не выполняет команды в терминале и не обращается к произвольным API. Для этого нужна окружающая инфраструктура.

2. ChatGPT — готовый продукт, а не название конкретной модели

Внутри ChatGPT используются модели семейства GPT, но сам ChatGPT — это гораздо больше.

Интерфейс, управление диалогами, контекст, память, поиск в интернете, работа с файлами, инструменты, различные режимы выполнения задач и прочие возможности.

Причём в зависимости от выбранного режима и доступных функций ChatGPT может выступать как обычный чат-ассистент или использовать агентные механизмы.

Поэтому сравнивать локальную Qwen непосредственно с ChatGPT не совсем корректно. Логичнее сравнивать модель с моделью, а продукт с продуктом.

3. Чат-бот — это прежде всего способ взаимодействия

Telegram-бот, веб-чат, корпоративный мессенджер — не принципиально.

За интерфейсом может скрываться обычная LLM, сложный агент или вообще набор заранее прописанных правил.

Сам по себе чат-интерфейс ещё ничего не говорит об архитектуре системы.

4. AI-агент — система, которая может самостоятельно выбирать действия для достижения цели

Допустим, вы попросили нейросеть проверить проект, найти ошибку и исправить её.

Обычная модель может подсказать, какие изменения внести.

А агент, имеющий необходимые инструменты и разрешения, может самостоятельно изучить файлы, выполнить поиск, изменить код, запустить тесты, проанализировать ошибки и при необходимости повторить попытку.

И здесь мы подходим к интересному моменту.

5. Harness (харнесс) — то, что обеспечивает работу агента

Это исполнительная обвязка вокруг модели.

Она управляет циклом взаимодействия с LLM, вызовами инструментов, контекстом, состоянием задачи, ограничениями, обработкой ошибок и прочей логикой выполнения.

Грубо говоря, модель предлагает, что делать дальше, а harness обеспечивает механизм, через который эти действия могут безопасно выполняться.

Например, в Codex / Claude Code есть собственный agent harness. И именно он во многом определяет, как модель взаимодействует с кодом, терминалом и окружающей средой.

Кстати, MCP — тоже не агент и не harness. Это протокол, позволяющий подключать к AI-приложениям внешние инструменты и источники данных.

А теперь самое интересное.

Можно взять одну и ту же LLM и подключить её к двум совершенно разным системам.

В первой получится обычный чат, отвечающий на вопросы.

Во второй — полноценный агент, который умеет работать с файлами, выполнять команды, подключаться к сервисам и самостоятельно проходить несколько этапов решения задачи.

Модель одна. А возможности систем совершенно разные.

Именно поэтому я считаю, что сегодня важно разбираться не только в том, какая модель лучше проходит бенчмарки, но и в том, что происходит вокруг неё.

За последние месяцы как раз много работал с агентными системами, и там есть о чём поговорить. От архитектуры до весьма неожиданных проблем, которые возникают уже в реальной эксплуатации.

Думаю, постепенно поделюсь этими наработками.

А пока интересно: как вы считаете, где заканчивается обычный чат-бот и начинается полноценный AI-агент? Ведь даже в профессиональном сообществе на этот счёт нет единого определения. 🙂