🏝 Tracy — библиотека AI-observability для Kotlin

Чем больше строишь AI-агентов, тем острее чувствуешь одну проблему: LLM-вызовы — это чёрный ящик. Что-то пошло не так, токены улетели, инструмент вызвался не туда — а ты смотришь в логи и гадаешь. Стандартные инструменты observability для этого не приспособлены: они не понимают ни структуру агентов, ни tool-вызовы, ни что вообще происходит между запросами к модели.

JetBrains выпустили 🐱 Tracy — open-source Kotlin-библиотеку, которая закрывает именно этот пробел. Под капотом OpenTelemetry, так что данные уходят в любой совместимый бэкенд.

Что она умеет:

1️⃣ Трейсинг LLM-клиентов — instrument(client) одной строкой, и все вызовы к OpenAI, Anthropic, Gemini автоматически трейсятся. По умолчанию только метаданные, входные/выходные данные включаются отдельно — разумно для продакшна

2️⃣ Трейсинг кода — withSpan { } оборачивает любой блок, всё внутри становится дочерними спанами. Видно, откуда вызов, сколько занял, что происходило рядом

3️⃣ @Trace на интерфейсах — аннотируешь один раз интерфейс Tool, и все реализации трейсятся автоматически. Новые инструменты не потеряются

Интегрируется с OkHttp и Ktor-клиентами, экспортирует в Jaeger, Langfuse, W&B Weave и любой OpenTelemetry-бэкенд.

Аудитория у библиотеки конкретная — те, кто пишет AI-агентов и бэкенд-сервисы с LLM на Kotlin. Не Android, не KMP — именно серверная история. Если вы экспериментируете с агентами на Kotlin или уже катите что-то в продакшн, Tracy выглядит как недостающий кусок пазла.

🔗 Источник: Kotlin Blog

#Kotlin #AI

Claude Code теперь можно дёргать из Telegram

Anthropic выкатили Channels — штуку, которая позволяет управлять сессией Claude Code прямо из мессенджера. Я давно хотел что-то подобное, потому что сидеть и ждать у терминала, пока агент делает свою работу — то ещё удовольствие.

Принцип простой: Channel — это MCP-сервер, который проталкивает события в запущенную сессию Claude Code, чтобы Claude мог реагировать на то, что происходит, пока ты не за терминалом. Запускаешь Claude Code с флагом --channels, уходишь заниматься своими делами, получаешь ответы прямо в мессенджер.

Каналы двусторонние: Claude читает сообщение и отвечает обратно через тот же канал. То есть это полноценный чат с агентом — он может выполнять код, гонять тесты, чинить баги и присылать результат.

Для нас, кто живёт без стабильного доступа к claude.ai — это вообще отдельная радость 🎉 Больше не нужно мучиться с VPN, возиться с мобильным приложением Claude и думать, как вообще достучаться до агента с телефона. Telegram есть у всех, работает везде, и теперь этого достаточно.

Настройка стандартная: создаёшь бота через BotFather, прописываешь токен, запускаешь claude --channels plugin:telegram@claude-plugins-official, отправляешь боту сообщение — получаешь 6-символьный код для привязки. Дальше просто переписываешься с агентом.

Важный нюанс: события приходят только пока сессия открыта, поэтому для постоянной работы нужно держать Claude в фоновом процессе или постоянном терминале.

На мой взгляд, это именно та точка, где Claude Code превращается из "умного терминала" в полноценного фонового агента. Запустил задачу, закрыл ноутбук, ушёл. Получил уведомление когда готово. Пока research preview и только Telegram с Discord из официального списка, но архитектура через MCP намекает на то, что потом можно будет прикрутить любой канал.

Требования: Claude Code v2.1.80+, авторизация через claude.ai, для Team и Enterprise нужно явно включить в настройках.

🔗 Документация
🐱 Плагины на GitHub

#ClaudeCode #AI #MCP #Telegram

🐱 GitHub добавил сканирование секретов в MCP Server

GitHub анонсировал новый инструмент в своём MCP Server — агент теперь может проверить локальные изменения на наличие секретов перед коммитом. Звучит полезно, но чем больше я думаю об этом, тем больше у меня вопросов.
Обычный GitHub Secret Scanning работает понятно: я явно пушу код на GitHub, осознанно отправляю данные, и GitHub их сканирует. Я контролирую этот момент.

Здесь же логика другая: агент сам, неявно, берёт мой локальный код и отправляет его на серверы GitHub для анализа — как побочный эффект своей работы. И вот тут у меня вопрос: в чём смысл инструмента, который защищает от утечки секретов, но сам отправляет эти секреты в облако в процессе проверки? 🤔

Я вообще делал свой плагин для Claude Code для анализа того что читает агент до обращения к файлам и всё локально, чтобы предотвратить утечку секретов с локальной машины.

💬 Может, я что-то упускаю в сценарии использования. Буду рад услышать в комментариях, если есть ответ.

🔗 Источник: github.blog
🐱 GitHub MCP Server

#GitHub #MCP #Безопасность

🧠 Гайд от инженера Anthropic: как правильно делать Skills в Claude Code

На Хабре появился перевод большого материала от инженера Anthropic — и это одна из лучших статей про Skills, что я видел. Не маркетинг, а реальный опыт команды, у которой сотни Skills в работе.

Если вы используете Claude Code или только присматриваетесь — рекомендую прочитать целиком. Там разобрано всё, что нужно знать для старта:
👉 какие типы Skills бывают и под какие задачи они подходят
👉 как проектировать структуру папки, а не просто писать markdown
👉 почему раздел "подводные камни" важнее всего остального
👉 как работает поле description и почему большинство пишут его неправильно
👉 как Skills делятся внутри команды и как устроен маркетплейс плагинов
👉 как использовать хуки, память и скрипты внутри Skills

Anthropic давно рекомендовала писать инструкции в CLAUDE.md — но Skills фактически вытесняют этот подход там, где нужна декомпозиция и кастомная логика. Папка вместо одного файла, скрипты, шаблоны, память — это уже другой уровень.

🔗 Источник: habr.com

#AI #ClaudeCode

⚡️ Как сократить расходы на токены в AI-агентах почти на 90%

Если ты используешь Claude Code, Cursor, Aider или любой другой агент — скорее всего, ты тратишь токены впустую. Я недавно наткнулся на rtk (Rust Token Killer) и был удивлён, как можно оптимизировать траты токенов.

Проблема простая: когда агент запускает git diff или grep, он получает тысячи строк сырого вывода. Это токены, которые ничего не добавляют к пониманию результата, но съедают и контекстное окно, и бюджет.rtk — CLI-прокси на Rust. Перехватывает вывод команд и сжимает его до сути перед тем, как он попадает в контекст. Устанавливается через хук PreToolUse — один раз, дальше работает прозрачно.Примеры, которые говорят сами за себя:
1️⃣ git diff HEAD~1 — с 21 500 токенов до 1 259 (−94%). Структура диффа остаётся, весь boilerplate уходит
2️⃣ git status — с 120 до 30 токенов (−75%). Мелочь, но агент вызывает это десятки раз за сессию
3️⃣ grep -rn — с 2 100 до 940 токенов (−55%). Остаются только релевантные совпадения
4️⃣ find по проекту — с 276 до 149 токенов (−46%). Структура читаемая, шум убран

Автор приводит реальную статистику: 15 720 команд, 138 миллионов сэкономленных токенов.

Для API-режима (Aider, Gemini CLI, Cline) это прямая экономия денег. Для flat-rate вроде Claude Code или Cursor — более длинные сессии и меньше context overflow. Обе проблемы реальные, и rtk решает обе одним инструментом. Возможно, благодаря этому вы сможете брать подписку за меньшую цену

🔗 Сайт: rtk-ai.app
🐱 GitHub: github.com/rtk-ai/rtk

#AI #Оптимизация #Производительность

🧠 OpenAI научила GPT-5.4 делать красивый UI. Верить или нет?

OpenAI выпустила гайд по дизайну интерфейсов с GPT-5.4. Статья формально про веб, но принципы там универсальные — они одинаково работают хоть в вебе, хоть в мобильной разработке. Я читал и постоянно ловил себя на мысли: это же ровно то, с чем я сталкиваюсь при генерации Compose-экранов.

Что конкретно изменилось в модели:
👉 Нативная работа с изображениями. GPT-5.4 натренирован использовать поиск и генерацию изображений прямо в процессе дизайна. Рекомендуют сначала попросить сгенерировать мудборд, и только потом финальный UI — это реально меняет качество результата.

👉 Computer Use + Playwright. Модель теперь сама открывает браузер, смотрит на отрендеренный результат и итерирует. Для мобильной разработки аналогом может быть Claude-in-Mobile.

👉 Промпт с ограничениями — это не опционально. OpenAI опубликовали свой системный промпт, который используют сами. Там жёсткие правила: один H1 на первый экран, один CTA, никаких карточек без причины, никаких фиолетовых фонов по умолчанию, реальные изображения вместо декоративных градиентов. И это работает — без таких ограничений модель скатывается в «среднее по больнице».

Практические советы из статьи, которые я вынес:
✔️Задавай дизайн-систему до генерации, а не после.
✔️Давай визуальный референс, скриншот или дизайн из Figma. Без него модель не знает твоих ожиданий.
✔️Начинай с низкого уровня рассуждений, потом детализируй.

Честно: статья больше похожа на маркетинг GPT-5.4, чем на настоящий разбор. Хотелось бы видеть реальный процесс дизайна шаг за шагом, а не просто финальные результаты и набор правил. Но сами принципы — рабочие, и я применяю большинство из них уже сейчас, просто в контексте мобильной разработки.

А вы даёте ИИ ограничения заранее или всё ещё пытаетесь итерировать из размытого первоначального промпта?

🔗 Источник: developers.openai.com

#AI #Дизайн #OpenAI #GPT

🧠 Claude получил 1M токенов контекста в Max подписках и дешевле по API доступу

Anthropic сделала контекстное окно в миллион токенов общедоступным и убрала надбавку. Теперь это часть стандартного тарифа.

Миллион токенов это примерно весь средний кодовый проект целиком, или длинная агентная сессия с полной историей вызовов. Для ряда задач анализ большой кодовой базы, работа с объёмной документацией, длинные агентные сессии - это реально упрощает жизнь.

Для большинства сценариев подход не меняется, просто некоторые вещи теперь делать проще. Вы сталкивались с чем-то, где миллион токенов был необходим?

🔗 Источник: claude.com

#AI #Claude #Anthropic

🧠 ast-index — индекс кода для Claude Code, ускоряющий поиск по кода в десятки раз 🤯

Claude Code из коробки ищет по коду через grep и чтение файлов. На небольших проектах это работает, на больших — медленно и неточно. ast-index закрывает этот пробел: строит локальный индекс кода по вашего проекта и подключается к Claude Code как плагин, после чего агент сначала ищет через индекс (~1–11 мс), а grep — только как запасной вариант. Ускорение в десятки, а иногда и в сотни раз 🤯

Установка и подключение:

# 1. Устанавливаем
brew tap defendend/ast-index
brew install ast-index

# 2. Переходим в корень проекта и строим индекс
cd /path/to/project
ast-index rebuild

# 3. Устанавливаем плагин в Claude Code
ast-index install-claude-plugin

# 4. Перезапускаем Claude Code

Третья команда прописывает .claude/settings.json: регистрирует маркетплейс, включает плагин и выдаёт Claude разрешение запускать ast-index от своего имени. После этого Claude автоматически использует индекс при любом поиске по коду.

Про актуальность индекса — это важный момент. Автоматического обновления внутри сессии нет: Claude не детектирует сам, что индекс устарел, и не запускает update самостоятельно. Поэтому логика такая:

# Один раз при клонировании / настройке
ast-index rebuild

# После git pull или merge
ast-index update  # только изменённые файлы

# Или запустить в фоне на время сессии — сам следит через FSEvents/inotify
ast-index watch

watch — наиболее практичный вариант: запустил в отдельном терминале перед началом работы, и индекс держится актуальным всю сессию без ручного вмешательства. Также вариант встроить команды в Git Hooks или Claude Rules

Для Android в индексе есть специализированные команды: composables, suspend, flows, provides, inject, xml-usages, анализ зависимостей между Gradle-модулями с unused-deps.

🐱 AST Index GitHub

#ClaudeCode #AICoding #AI #ИИ #Производительность

🐱 Tracey - чёрный ящик для Compose-приложения

Tracey записывает все жесты, переходы между экранами и кастомные события в кольцевой буфер — и при краше сохраняет его для воспроизведения. Видишь не просто стектрейс, а весь путь пользователя до момента падения.

Не сразу понял куда её применить, но пришла идея интеграции в флоу автоматического прокликивания экрана:

Разрабатываешь фичу локально, кликаешь руками, что-то идёт не так. Вместо того чтобы объяснять разработчику или агенту на словах "я нажал сюда, потом перешёл туда, потом кнопка не сработала" — просто скидываешь ему дамп сессии из Tracey. Он сам восстанавливает картину и сразу работает с контекстом, а не с твоим пересказом.

Структурированный контекст для дебаг-сессии с агентом, чтобы дать четкую информацию.

Библиотека на версии 0.0.2, только вышла, в продакшен пока не потащу. Но для этапа разработки и связки с AI-агентами идея выглядит рабочей.

#Compose #Android #AndroidDev

🚀 Как добиться от ИИ хорошего кода, а не просто кода

Статья от команды Kodik получилась честной — без розовых очков про вайбкодинг и без огульного скептицизма. Они сами пишут ИИ-редактор кода с помощью ИИ, так что набили шишки вполне реальные.

Что зацепило:

1️⃣ TDD работает, однако есть "НО". Старые практики начинают играть новыми красками. ИИ охотно пишет тесты до реализации, проверяет по ним реализацию, но может тихо изменить тест, если код ему не соответствует.

2️⃣ SDD (Spec-Driven Development) Машина делает «что ты сказал», а не «что ты хотел». Без письменной спецификации у неё нет шансов угадать правильно.

3️⃣ Контекстное окно — не помойка. «Пусть агент сам разберётся» приводит к тому, что важное тонет в шуме. Лучше давать агенту ровно ту часть системы, которая нужна для конкретной задачи и раньше делать сжатие данных в сессии

4️⃣ Git: коммитить часто, следить самому. ИИ не лень писать commit messages и оформить PR//MR. Но доверять ему полностью работу с ветками — опасно. Были претенденты.

5️⃣ Риск-менеджмент Одинаково въедливо проверять MVP и прод систему не стоит. Важно отличать, где проверка критична, а где пустая трата времени.

Главный вывод статьи простой, но его стоит повторять - чтобы получить от ИИ профессиональный код, нужно самому быть профессионалом.

Мне близко всё это из собственного опыта. Особенно про контекст и спецификации — пишу об этом в своём дневнике ИИ кодера на Boosty.

#AI #ИИ #Разработка

🤯 Проблемы качества AI-кодинга — завышенные ожидания от инструмента

Одни говорят, что AI-кодинг решает задачи с минимумом усилий. Другие — что результат сырой, код плохой, толку мало. И те, и другие правы.

Причина таких разных впечатлений банальна: ожидания и компетентность того, кто использует инструмент. Мне помогло разложить это по полочкам:

1️⃣ ИИ решает ровно ту задачу, которую вы описали. Всё, что не указано явно — будет опущено. Он не будет угадывать детали и додумывать контекст, который вы не дали.

2️⃣ Нерабочее решение — это норма, а не поломка. ИИ генерирует текст, а не проверенный ответ. Нужен цикл: написал → проверил → поправил → повторил. Как с любым новым человеком в команде.

3️⃣ИИ не понимает "сделай качественно". У него нет ваших стандартов — пока вы их не передадите, он работает по своим. Давайте конкретику: примеры, ограничения, критерии.

Из коробки ИИ - это потенциал, а не готовый инструмент. Его нужно настраивать под свои процессы, планки качества и ожидания. Чем больше у вас примеров и чётких критериев — тем лучше работает. Не потому что стал умнее, а потому что получил с чем сравнивать.

Когда я посмотрел на это честно — понял, что проблема не новая. Размытые задачи, отсутствие стандартов, знания передаются из уст в уста — всё это было и до AI. Просто с людьми договаривались на ходу. ИИ так не умеет.

💬 А у вас как? Сразу зашёл AI-кодинг или пришлось перестраивать подход?

#ИИ #AI

🧠 Agent Teams в Claude Code: субагенты, которые разговаривают друг с другом

Anthropic выкатили экспериментальную фичу в Claude Code - Agent Teams. Пока в preview, но уже можно попробовать.

Раньше у Claude Code были субагенты, которые работают внутри одной сессии и могут только отчитываться главному агенту. Agent Teams снимают это ограничение: несколько инстансов Claude Code координируют работу как команда из общего списка задач, прямой перепиской между участниками и лид-агентом, который оркестрирует всё это.

Каждый участник — полноценный инстанс Claude Code со своим контекстным окном и своими настройками. Загружает CLAUDE.md и MCP серверы проекта, но не наследует историю лида. Стартует только с промптом, который получил при создании.

Ключевая идея в том, что агентам можно задать разные роли с разными инструкциями и они будут координировать работу напрямую. Агент на бэкенде изменил API и сразу сообщает агенту на фронтенде, не через лида. Агент на тестах может попросить поднять dev-сервер у соседа. Они не ждут в очереди следующей проверки у главного, а решают вопросы между собой. Это принципиально другая модель по сравнению с тем, как один агент тащит всё последовательно.

Про стоимость честно: быстрее в 3–5 раз на параллелизуемых задачах, но токены масштабируются пропорционально числу агентов. Лезть без Max подписки туда не стоит. Работает лучше всего когда задачи независимы.

Мне кажется, именно здесь и кроется самый интересный вопрос. Когда агенты с разными настройками приходят к противоположным решениям — кто решает? Лид-агент как арбитр звучит логично, но насколько у него хватает контекста чтобы рассудить — пока неясно. Хочется попробовать это на реальной задаче.

Включается одной строчкой в settings.json или переменной окружения CLAUDE_CODE_EXPERIMENTAL_AGENT_TEAMS=1.

🔗 Документация: code.claude.com

#ClaudeCode #AI