https://arcjet.com/

😊 Впечатления от Найденного Решения

Недавно наткнулась на интересное решение в одном из видео на YouTube. Оно сразу привлекло внимание своим внешним видом и функционалом.

🔗 Интеграция с NeoJS

Интеграция практически нативная с NeoJS, что очень удобно для быстрой настройки и внедрения в проекты.

🛡️ Обеспечение Безопасности

Система берёт на себя задачи по обеспечению безопасности: борьбу с ботами, защиту от инъекций и многих других угроз. Это существенно облегчает жизнь разработчику.

💸 Стоимость и Планы

Стоимость вполне доступная, что делает продукт ещё привлекательнее для тестирования и внедрения.

💡 Планы на Использование

Думаю попробовать эту систему в одном из своих проектов и посмотреть, как она покажет себя в реальном использовании.

https://www.producthunt.com/products/natural-write?utm_source=other&utm_medium=social

Залончились на ProductHunt

Поддержка приввествуется))

https://github.com/czlonkowski/n8n-mcp

решил тут поиграться с n8n
оказывается есть n8n-mcp - можно полчить похожий опыт как с Cursor или Claude code

фича прям желанная но пока у мен яне появилась((

https://www.youtube.com/watch?v=1nfPvJKrYYQ

а вот уже и интервью по нашу сервису naturalwrite.com ))

наткнулся тут на интересный док https://github.com/humanlayer/12-factor-agents

https://github.com/antiwork/shortest

наткнулся тут на инересный тул для тестов веба
пишешь просто текст в "что сделать" и "как проверить" и он идет и делает
под капотом claude+playwright:mcp судя по всему но на простых тестах работает

хотел поработать а Claude упал(

https://qabot.app/

Решил сделать аналог shortest, но более UI френдли - фактически AI QA agent

Для кого:
- индихакеры
- небольшие команды когда

Проблема:
- нет ресурса на старте на отдельного тестировщика
- при частых релизах регрессию проверять надо

Решение:
- AI агент с браузером, который ходит сайтам и прогоняет тесты
- тест пишутся естественным языком - только с разделением по actions (что нужно сделать) и expects (ожидаемый результат)

https://sanj.dev/post/2025-11-20-maker-framework

🚀 Новый фреймворк для долгосрочных задач

Буквально случайно наткнулся на эту информацию: новый фреймворк вышел всего несколько дней назад. 🆕 Похоже, он заточен под решение долгих задач в агентных системах с учетом большого количества шагов.

🧠 Что в нем главное

Он обещает эффективно обрабатывать длинные цепочки действий, что критично для сложных агентных сценариев и планирования. Когда очень много шагов - пишут что была таска с 1 000 000 шагов и без ошибок

🤖 Как я тут балуюсь с Code Code и зачем оно вообще нужно

Короче, недавно я снова ковырялся с Code Code — и понял, что это прям очень прикольная штука не только для кода, но и для всяких продуктовых штук.
Такой себе тихий уютный ассистент, который может помочь и с маркетингом, и с ресёрчем, и вообще с «разобраться, что я вообще делаю» 😅

🧩 Анализ своего продукта (по-простому)

Я беру новый репозиторий, запускаю Code Code и говорю ему:

- зайди на сайт qabot.app,
- почитай лендинг,
- скажи, кто моя ЦА, какие боли, что там вообще происходит.

И он такой: «да, без проблем» — и выдаёт вполне вменяемую картину.
Как будто у тебя мини-продакт сидит рядом и всё объясняет.

🔎 Поиск конкурентов (и почему это удобно)

Дальше прошу:
«Найди-ка конкурентов, которые делают что-то похожее».
Он ищет, сравнивает, делает сводную табличку.

И вот тут начинается магия — сразу видно:

- куда можно сузить нишу,
- на кого реально стоит таргетироваться,
- какие 1–2 боли можно закрыть лучше всех.

Это такой момент: «а, ну вот оно, куда копать».

💎 Формируем value и маркетинг

На основе всей инфы прошу Code Code:

- собрать value,
- сделать оффер,
- набросать стратегию.

Он делает. Я смотрю, слегка правлю — и готово.
Вообще очень удобно, особенно когда мозг не варит.

🔧 Скиллы — вот тут я прям кайф

Самое интересное:
в Code Code появились скиллы, и можно просить его писать свои.

Например:

- читать сайты через Playwright,
- вместо Firecrawl,
- вытаскивать данные как мне надо.

Один из кейсов: собрать на Reddit посты фаундеров,
где они пишут о первых продажах или хорошем MRR.
Потом вытащить ссылки → найти имейлы/твиты → и можно писать им напрямую.

Ну это же прям мини-аутрич-станция 🙃

🔌 Интеграции через MCP (если чего-то не хватает)

Если Code Code не справляется сам,
есть MCP-плагины, которые можно подключать.
Например, есть notebookLM mcp — можно отвечать строго по имеющейся инфе. Еще - zen-mcp для вызова других моделей.
Но до этого я ещё не добрался.

🎯 Итог

Code Code — это реально не только про код.
Это про:

- ресёрч,
- маркетинг,
- конкурентов,
- аутрич,
- структуру мыслей.

Всё в одном репо.
Запустил — и оно работает.

Я читаю MD файлы и редактирую в курсоре, но по идее можно для этого и обсидиан заюзать.

LOKI тестирует LLM на детекцию генераций. 5 модальностей, 26 субкатегорий и 18 тысяч вопросов. Всё это звучит впечатляюще, но модели все еще отстают от людей. Особенно сложно с аудио и 3D. Chain-of-Thought спасает, но GPT-4o всё равно лучшая. Подробнее здесь

https://buildermethods.com/design-os

Нашел классный инструмент, а еще он бесплатный, по подготовке промптов для дизайна. То есть при создании новых проектов, чтобы не выдумывать что-то, а тут есть прям гайд, где шаг за шагом указываешь, что тебе нужно в проекте, вплоть до каких страниц, каких блоков и так далее. А потом это можно использовать в основном коде.

🚀 Tasker

Нашел еще один агент для компа:

🔒 Всё локально — данные не уходят в облако
💻 Работает на винде, маке и линуксе
🆓 Полностью бесплатно и open-source

🔗 automatewithtasker.com

🧠 Наткнулся тут на интересный тул — Agent OS

от автора Design OS

Решение: Agent OS от Builder Methods. Задаёшь агенту чёткие спецификации, стандарты и воркфлоу — и он выдаёт production-ready код с первого раза. По крайней мере должен)

🔍 Что умеет:
• Работает с Claude Code, Cursor, Codex, Gemini
• Любой язык и фреймворк
• Мультиагентная оркестрация для сложных задач

По сути это "операционка" для AI-агентов. Задаёшь контекст проекта — агент понимает что делать без лишних объяснений.

https://buildermethods.com/agent-os

🔍 SigNoz — опенсорс альтернатива DataDog и NewRelic.

Нужно было для одного проекта посмотреть на запросы - взял его.
единая платформа для логов, метрик и трейсов. Всё в одном месте, всё связано между собой.

Почему интересно:
• Построен на OpenTelemetry — никакого vendor lock-in
• Под капотом ClickHouse
• Anomaly detection из коробки
• Можно хостить у себя или в их облаке
• Хорошо идет на next.js

🔍 Наткнулся на фичу в Coolify — Log Drains

Если хостишь что-то на Coolify и хочешь нормально смотреть логи — можно сливать их в Axiom.

Настройка простая:
• Идёшь в настройки сервера → вкладка Log Drains
• Вводишь API key и Dataset из Axiom
• На каждом ресурсе включаешь Drain Logs в Advanced
• Рестартишь сервис

🚀 Фишка в том, что логи со всех контейнеров летят в одно место. Удобно искать, фильтровать, алерты настраивать.

Axiom бесплатный до 500GB в месяц — для небольших проектов хватает с головой.

Документация Coolify

🚀 OpenCode — опенсорсный AI-агент для кодинга

Наткнулся тут на интересный тул. Работает прямо в терминале с красивым TUI на Bubble Tea.

Фишка в том, что можно подключить любую модель — Claude, GPT, Gemini, локальные LLM. И всё это бесплатно.

🔍 Что умеет:
• Выполнять команды и искать по файлам
• Редактировать код
• Работать с LSP для разных языков
• Автоматом сжимать контекст, когда токены заканчиваются

Ещё есть GitHub интеграция — пишешь /opencode в комментарии, и он сам фиксит issue и создаёт PR.

💪 Для тех, кто хочет AI-ассистента в терминале без подписок

opencode.ai

🚀 Claude Code обновился до версии 2.1.4

Свежий апдейт — Anthropic не спят. Вот что завезли:

• Hot reload для скиллов — обновляешь скилл, и он сразу доступен без рестарта сессии - небольшое но полезное изменение, сособоенно когда просишь CC сгенерить skill для себя же)
• Claude in Chrome (бета) — управляй браузером прямо из терминала (https://code.claude.com/docs/en/chrome) - правда лишь Chrome, не работает пока в Arc, Brave и т.п.

Подробнее

🧠 Интересное исследование про то, как AI-модели продолжают учиться после обучения.

Фишка в том, что современные LLM могут адаптироваться к новым задачам прямо во время работы — без изменения весов. Это называется in-context learning.

Исследователи из MIT, Google и Stanford выяснили, что внутри больших моделей как бы "спрятаны" маленькие линейные модели.
И трансформер может обучать их на лету по примерам из промпта.

🔍 Ещё одна штука — Nested Learning от Google. Это когда модель учится на разных уровнях:
• быстрые обновления — как кратковременная память
• медленные — как долгосрочные знания

Главная проблема — catastrophic forgetting.
Модель учит новое и забывает старое.
Пока полностью это не решили, но прогресс идёт.

Мб получиться решить вопрос памяти без RAGa.

Подробнее в статье