Про spring_pgdb_mcp

В самом начале года, когда на проекте я использовал только локального агента, меня всё время помещали мысли — а что же ещё можно ему дать/подключить, чтобы оно давало агенту лучшее понимание проекта, больше “рук” для выполнения работы, да и в целом чтобы оно наносило как можно больше абстрактной неизмеримой пользы. Естественно, большая часть ручек агенту накидывается MCP-серверами (а навыки тогда ещё не так стрельнули). Среди всех вариантов, куда прикрутить агента, одним очень логичным был доступ к нашей внутренней тестовой базе данных PostgreSQL.

Я начал искать готовые MCP-сервера, но попадались только компромиссные варианты: тот, что предлагался в Docker Desktop / MCP Catalog, уже был помечен флажком Deprecated, другие не запускались с должной простотой, третьи были написаны на JS/TS и работали только через stdio. Мне же уже тогда хотелось двигаться в сторону одного общего сервера для команды разработки, поднятого на закрытой виртуалке.

К тому моменту я уже успел несколько раз натолкнуться на проект Spring AI, который среди прочего предлагал spring-стартеры для поднятия MCP-серверов. А так как работа с PostgreSQL в Spring это что-то максимально штатное и банальное, в голове сразу же сложилась картинка как P-P-A-P.

За пару часов я накидал требования к реализации, запустил агента, и он собрал проект. Сразу в виде docker-образа, с примером docker-compose.yml. По требованиям к нему надо маунтить config.yml, в котором прописан список коннектов:

servers:
  - name: Имя коннекта 1
    host: <IP>
    port: 5432
    username: …
    password: …
    database: …
    read-only: true # Только SELECT или всё?

Агенту доступны всего три инструмента (list, query, execute), которыми он может пользоваться.

Штука максимально простая и надёжная, весьма удобная, от контекстного окна тратит совершенно немного, все современные модели прекрасно ориентируются в синтаксисе запросов, при необходимости делают сами интроспекцию схемы.

В команде используем её так: или просим подготовить какие-то новые тестовые данные, или поискать состояние/историю переходов по состояниям каких-то записей. Ещё пару раз агент чинил нам в базе некорректно накаченные миграции из feature-веток. Ну и в целом, вкупе с доступом к логам тестового стенда, агент становится способным самостоятельно и без длительного объяснения решить большую часть возникающих задач.

Поскольку никакого know-how в такой поделке нет, вероятно я скоро подчищу и выложу код в публичный доступ. Пусть в интернете будет больше MCP-серверов на Java + Spring!

⚡️ Z.ai выпустили крупное обновление ZCode

Альтернатива Claude Code и Codex от создателей GLM-5.2 уже доступна для всех OS.

Их собственный ZCode Agent заточен под GLM-5.2, но через BYOK можно подключить свои подписки OpenAI, Anthropic и других провайдеров.

Новым пользователям дают 5 дней бесплатного доступа с повышенным дневным лимитом: хороший повод протестировать китайский флагман.

Подписчикам GLM Coding Plan квота в ZCode в 1.5 раза выше обычной.

P.S. GLM в ZCode доступна из России без VPN.

@ai_for_devs

Руки всё сильнее и сильнее чешутся попробовать Гермеса. У нас в компании есть парочка ассистентов на основе OpenClaw (про них позже расскажу), и дома разворачивал на Raspberry Pi 2B ассистента picoclaw, хотя пока он лежит выключенный, не придумал ему готовых задач. Если за лето успею кое что ему дать по "железу", его история может продолжиться... Но Гермес — он с другой идеологией.

Hermes Agent v0.18 — The Judgment Release: Mixture-of-Agents и верификация кода

📋 Nous Research выкатили v0.18.0 (2026.7.1) — крупнейший релиз Hermes Agent за последние месяцы. За 12 дней команда разгребла весь приоритетный бэклог: 1 720 коммитов, 998 смерженных PR, 949 закрытых issue, 370+ контрибьюторов. Итог — ноль открытых P0 и P1 по всему репозиторию, и намерение держать планку.

💡 Mixture-of-Agents стал приоритетным функционалом: именованные ансамбли моделей вырываются из общего списка и дают результаты наравне с фронтирами от Anthropic и OpenAI.
Каждый участник MoA показывает рассуждения в отдельном блоке, финальный ответ агрегатора стримится в реальном времени — можно смотреть, как «совет» думает, а не только читать вердикт.

⚙️ Агент научился верифицировать свою работу.
/goal получил completion contracts: вы описываете, что значит «готово», и цикл задач проверяет завершённость по фактам, а не по самоощущению модели. Хук pre_verify позволяет подключить собственные проверки.
Наконец-то надежный гейт остановки агентского цикла, как обсуждали на последнем эфире в ИИзбранном.

📝 Три новых слэш-команды.
/learn превращает директорию, URL или workflow в переиспользуемый навык одной командой.
/journey — хронология всего, чему агент научился, с возможностью редактирования и удаления записей.
/prompt открывает $EDITOR для многострочных промптов, - наконец-то не нужно мучаться с редактированием в командной строке.

🔌 delegate_task стал реально фоновым: суб-агенты работают параллельно, не блокируя чат, и возвращают консолидированный результат.
В десктопе теперь полноценные проекты (project → repo → lane) с сайдбаром кодовых баз.
Шлюз научился экономить ресурсы: засыпает при простое, просыпается по требованию, корректно сливает сессии перед перезапуском.
Добавлена поддержка Google Vertex AI с авто-обновлением OAuth2-токенов.

hermes update - любимая команда вообще.

#Hermes #update
———
@tsingular

Только написал эти слова, как тут же получил письмо:

Yandex Cloud

Здравствуйте!
Спасибо, что пользуетесь Yandex IoT Core.

Обратите внимание: 1 ноября 2026 года сервис переходит в режим «Только чтение». Регистрировать новые устройства и реестры, изменять конфигурации, получать и отправлять сообщения через брокер будет невозможно. Существующие ресурсы останутся доступны только для просмотра.

1 декабря 2026 года сервис полностью закроется. Все данные — реестры, устройства, сертификаты, топики — будут удалены.

Что нужно сделать до 1 ноября 2026 года?

1. Перенести устройства на альтернативное решение.
2. Выгрузить сертификаты, конфигурации и иные необходимые данные.

Подробная информация о закрытии сервиса доступна в документации.

В качестве альтернативы вы можете мигрировать на инструменты с открытым исходным кодом, развернув их в Yandex Cloud. Мы подготовили руководство, которое поможет при миграции: Миграция с Yandex IoT Core на MQTT-решения с открытым исходным кодом.

Что будет с вашими данными?

Ваши данные (списки устройств, алиасов устройств, брокеров, а также сертификаты устройств и брокеров) не будут потеряны. После закрытия сервиса резервные копии ваших данных будут храниться до 31 января 2027 года — их можно будет запросить через техническую поддержку.

Если у вас остались вопросы по содержанию этого письма, обратитесь в техническую поддержку или к вашему менеджеру. Мы постараемся сделать переход максимально комфортным.

Штош, я знал, что когда-нибудь придётся переписывать прошивки для своих ESP (ящик-погреб, полив). Всё-таки даже облачный MQTT-брокер — оказывается серьёзный вендор-лок. Спасибо Яндексу, что хотя бы своевременно предупредили, и что отключат, когда поливать уже нечего будет.

Цитата дня: ИИ-агент пишет код не как джуниор или мидл. Он пишет его как сеньор с деменцией.

@neuro_channel

... и когда-нибудь вывести давление воды и напряжение по фазам в нашем поселке в Grafana ¯⁠\⁠_⁠(⁠ツ⁠)⁠_⁠/⁠¯

Сила трёх

MCP, Skills и CLI часто пытаются сталкивать лбами, будто нужно выбрать что-то одно. Но это разные слои агентного воркфлоу. MCP даёт доступ к внешним системам, CLI закрывает тяжёлые, рутинные или редкие операции, а Skills прописывает правила работы и постепенно превращается в память агента.

Читать пост "Сила трёх: MCP, Skills, CLI"

PS. Всё в телегу одним постом не влезло, поэтому запостил у себя на Бусти, кстати подписывайтесь, приятного прочтения.

Вот обещанный ролик про Spring AI 2:

[https://youtu.be/T5QkZPjPNEM]

Я решил делать не один ролик, а серию. Но продолжать буду в зависимости от вашей реацкции.
Cмотрите, ставьте лайки, пишите комментарии и шарьте тем, кому это может быть полезно.

Я правда старался 🙂

🪨 JetBrains протестировали скилл Caveman: обещанные 65% экономии токенов превратились в 8.5%

Caveman — скилл для агентов вроде Claude Code, который переводит текстовые ответы в рубленый «пещерный» стиль без служебных слов. Код и вызовы инструментов не трогает. Целых 85к звёзд на GitHub!

Тест прогнали на бенчмарке SkillsBench, 86 из 87 задач, Claude Sonnet 5 с низким reasoning effort. Сравнивали одни и те же задачи без скилла и с принудительно включённым.

Результат по 82 парным задачам:

1. Экономия output-токенов: 8.5% (592k против 542k), далеко от обещанных 65%. Авторы считали экономию на чатовой прозе, а в агентной работе основную массу токенов занимают код, диффы и тексты ошибок, которые скилл не сжимает.

2. Качество не пострадало: средний скор 0.326 против 0.311, статистически неразличимо (p = 0.82).

3. Экономия $ отсутствует. По логике 8.5% экономии токенов должны были дать скидку около 10% по деньгам. Но один вырожденный случай всё нивелировал: одна задача перешла порог в 200k токенов контекста и попала под дорогой тариф API, её цена выросла с $0.33 до $8.29. Из-за этого прогон со скиллом вышел на 11.6% дороже ($40.60 против $36.39).

Со скиллом или без, результат по сути один и тот же, что по деньгам, что по качеству. Разве что читать ответы веселее)

@ai_for_devs

Про ИИ-сисадмина

Не знаю, дискуссионный ли в интернетах этот вопрос, или нет, но у меня есть свой убедительный опыт, отвечающий на него. Выполняют ли ИИ-агенты инфраструктурные задачи лучше, чем программируют? Да! Модели, сожравшие весь доступный интернет, очень точно помнят все консольные утилитки и их параметры для работы с сетью, proxmox, nginx, curl и прочим. Они прочитали все мануалы и форумы. Особенно качественно, если какая-то утилита уже покрылась мхом и за последние десятилетия только оттачивалась в мелочах.

В нашей компании этой весной мы перестраивали внутреннюю инфраструктуру. Так вот, ИИ-агент, работая в git-репозитории с парой .md файлов, выполнил 60%+ работы. Именно на его сессиях чётко проявился паттерн с обратной связью. Сейчас типичная сессия выглядит так:

— Запровижени мне виртуалку <имя> с <такими ресурсами cpu/mem/hdd>, на <таком-то гипервизоре>

И агент идёт шуршать созданными навыками: сперва уточнит у меня всё, что я забыл сообщить из базового, выяснит свободный IP = VMID в сети виртуалок, убедится в наличии debian genericcloud образа, настроит cloud-init шаблон, создаст её, сгенерирует и установит надёжный пароль, добавит цель в VictoriaMetrics, пропишет в отдельном MCP-сервере коннект к ней. При необходимости отдельным навыком поставит докер и настроит cron-скрипты для очистки от мусора.
Зафиксирует новую VM с ключевыми параметрами в AS-IS.md и запушит его.

Могу сразу попросить развернуть в докере какой-то сервис (например, банально postgres), для этого у меня ещё один самописный навык с моими собственными лучшими практиками.

А в конце сессии чаще всего проведёт ретроспективу сессии и на основе своих ошибок предложит в использованные навыки внести минимальные правки, чтобы больше их не совершать (иногда, конечно, всё равно совершит, но вероятность будет меньше).

orba/superpowers юзаю уже давно, временами действительно полезная штука, а этот набор навыков теперь тоже хочется попробовать.

OpenRouter перестал открываться из России. Ранее были сообщения, что аккаунты из РФ банят, но лично я по себе и знакомым подтвердить не могу, без проблем принимают оплату и выдают ключи.

И вот сегодня чиню по всем своим сервисам, запросы отдают 403 по географии, стандартный отлуп CloudFlare.

Если тоже дёргали опенраутер из РФ, проверьте у себя, может быть тоже отвалилось.

@neuro_channel

Забавно, что LLM в каком-то смысле являются копиумом, позволяющим забыть о настоящих задачах программирования.

Например, автоматизированная разработка высоко параллельных и многопоточных распределенных алгоритмов - это все еще фантастика, их хорошо это пишут только живые люди.

Это одна из самых недружелюбных, но одновременно - самых практически полезных областей в айтишечке. Она недружелюбна к людям примерно настолько же, как и к машинам. Но люди как-то научились с этим справляться.

Число возможных перестановок операций растёт экспоненциально, и баг может встретиться лишь в одной перестановке из миллиардов. Одинаковый код даёт разные результаты в зависимости от планировщика (рантайма, операционной системы, процессора) или задержек сети. Тестирование почти бесполезно - можно прогнать миллион раз и ни разу не попасть в проблемный interleaving.

В распределённых системах к этому добавляются отказы, но не полные - а частичные. Узлы падают, сообщения теряются и переупорядочиваются, случаются разделения вычислительных или сетевых сегментов (вся территория FLP и CAP).

Всё, что решает эти проблемы - выглядит как геморрой. Ты это еще не начал даже использовать, а уже понимаешь, что тебе пиздец.

Например, даже обычный параллелизм, который (казалось бы) компиляторы автоматизируют давно и успешно. Все слышали про авто-векторизацию, оптимизацию циклов, OpenMP, data-parallel фреймворки, MapReduce, Хадупы и Спарки. Человек задаёт ограниченную регулярную структуру, система сама раскладывает по потокам и узлам. Всё это работает потому, что не порождает умных и сложных конкурентных алгоритмов, а лишь раскидывает по нодам достаточно регулярную работу.

Даже в этой хорошей и приятной области, если ты спросишь профессионала (дата-инженера какого-нибудь), хочет ли он варить Хадуп из 7 залуп, он скорей всего не хочет. Всё это тормозное, корявое и убогое. И оптимизации циклов работают через раз, и Спарк отвечает по полдня, и тому подобное.

Дальше всё ещё хуже. Верификация уже написанных алгоритмов тоже работает как будто бы хорошо. Наверняка все слышали про TLA+/TLC, Spin, mCRL2, итп. Amazon описал на TLA+ ядро S3 и DynamoDB, и поэтому у них количество девяток после нуля больше чем жопа твоей бывшей. Raft и Paxos формально доказаны в Coq/Isabelle (фреймворк Verdi, и Iris для конкурентной separation logic).

Также все знают, что Paxos-ом пугают детей в детском саду, после чего дети заикаются до конца жизни, а писать на TLA+ что либо может только мазохист, вы же понимаете что там даже циклов нет? Ах да, чтобы писать на всём этом нужно иметь минимум 2 докторских в области теории категорий и клинической самопсихиатрии.

Синтез новых эффективных алгоритмов "с нуля" из спецификации всегда был чем-то типа научной фантастики. Есть какие-то работы про скетчинг и синтез синхронизаций (автоматически расставить блокировки/барьеры, чтобы программа стала корректной). Но они масштабируются только на маленькие программы, которые сумасшедшие ученые пишут в своих дисерах. Придумать новый lock-free контейнер или новый протокол консенсуса автоматические инструменты не могут.

Точней, не могли. Потому что у нас как чёрт из табакерки вылез LLM. И теперь мы можем сделать морду кирпичом, написать 100 страниц шизофазии в формате .md и смотреть, как несчастная модель пытается наскрести нам какую-никакую но иногда даже работающую реализацию. Понемножку так наскрести, по 40 минут за сессию.

И сразу так хорошо и спокойно становится, так приятно. Типа задача решилась, и решать ее как будто бы и не надо. LLM же сама всё напишет.

А вот только она не напишет. Ну по крайней мере, сама по себе, без каких-то специальных действий с нашей стороны. Чтобы написала - надо ДУМАТЬ. А думать-то уже все разучились. Думать больно и неприятно. И о чем вообще думать-то - это же потерянные знания Тёмной Эры Технологий. Практически ересь.

А потом ты заходишь в Твиттер и читаешь треды, где разумисты пишут целые полотна текста про то, что нейросети уже всё автоматизировали, осталось только лежать на печи и ждать, пока роботы нас убьют. И это пишут люди, покупающие планки оперативки по цене авианосца Адмирал Кузнецов, чьи компьютеры, чахло хрюкая, пытаются в один-четыре потока прососать сквозь себя видеоигры 20-летней давности (запустите Half-Life 2 - он все еще тормозит).

Да ладно Half-Life 2, а что насчет самой свежей версии Claude или OpenCode? Здесь же все вайбкодеры. Склонируйте OpenCode, загрузите в свой любимый агент, и попросите его ускорить генерацию кода на 20% не теряя качества. Он же должен автоматически что-то там пошуршать, распараллелить и ускорить. А он фигак и не ускоряет. Ни за один проход, ни за два, ни за десять. А почему? А что случилось? А вот думайте теперь.

Unsloth прокачал DeepSeek-V4-Flash для локального запуска и теперь модель на 284B параметров можно запустить на 128 ГБ оперативки

DeepSeek-V4 вышел в апреле и с тех пор успел наделать шума: Pro-версия на 1,6 триллиона параметров (49 млрд активных) обходит GPT-5.4 и Claude Opus 4.6 по кодингу на SWE Verified, а Flash-версия с 284 млрд параметров и всего 13 млрд активных при 1-миллионном контексте дышит им в спину практически за бесплатно.
Но локально запустить это чудо было накладно, а местами даже невозможно: llama.cpp выдавал абракадабру со второго хода диалога и Unsloth только что это исправили.

📋 Что сделали в Unsloth:
• Нашли баг в llama.cpp: префиксное кэширование ломало multi-turn диалоги. Исправили в PR #25402 — теперь инструментальные вызовы работают корректно (15/15 тестов)
• Переписали шаблон чата: добавили reasoning_effort (max, high, off), вернули reasoning_content для тул-коллов, протестировали на 4 000+ диалогах
• Сделали bit-exact квантизацию: DeepSeek-V4 обучен с MXFP4 — веса экспертов (96% модели) хранятся в этом формате из коробки. Unsloth распаковала их бит-в-бит, а не переквантовала заново как другие провайдеры GGUF
• UD-Q8_K_XL — полностью lossless квантизация (162 ГБ, KL-дивергенция ~0, 100% совпадение токенов)
• UD-IQ3_XXS — 103 ГБ, влезет на 128 ГБ VRAM, бенчмарки: 86.2% MMLU-Pro, 88.1% GPQA Diamond, 56.9% Terminal Bench 2.0

💡 Прикол ситуации в том что DeepSeek сделал quantization-aware training чтобы модель работала в MXFP4 из коробки, но другие конвертеры GGUF просто переквантовывали экспертов заново — теряя 5% точности на Q4_K и более 30% на IQ2.

Unsloth единственные кто использовал нативный формат а не перегонял веса через дополнительное округление.

Разница в качестве видна сразу: на графике Pareto efficiency их кванты лежат на фронте «размер/качество», все остальные — ниже.

💼 Что это значит практически:
• Frontier-модель уровня GPT-5.4 теперь запускается на машине с 128 ГБ RAM — без API, без цензуры, без риска что провайдер отключит доступ потому что вы из России
• Unsloth Studio (бесплатный опенсорс) даёт веб-интерфейс с самовосстанавливающимися тул-коллами и выполнением кода. По сути — локальный Claude Code с frontier-моделью
• DeepSeek-V4-Flash при 13 млрд активных параметров — это самый эффективный по памяти frontier-уровень.

Модель которая месяц назад требовала стойку в датацентре теперь запускается на десктопе за $3 000 типа DGX Spark ну или Macbook Pro M5 128Gb .
И это не «урезанная» версия — это бит-в-бит lossless.

а вы еще спрашиваете почему я про Гигу 3.5 не пишу, - он при 400B параметрах как раз с DeepSeek v4 flash по мощности.
и вот дилемма, - 128гигов или 400? макбук за 600К или стойка H100 за 60млн ? сложный выбор, конечно.

#DeepSeek #Unsloth #LLM #локальныйAI #OpenSource
------
@tsingular