Redlamp - фото-редактор для Mac, iPad и iPhone

Нативный RAW фото-редактор с открытым исходным кодом для Mac, iPad и iPhone; интерфейс программы покажется знакомым всем, кто работал с Lightroom.

Redlamp написан с нуля на Swift и Metal специально для Apple Silicon. Программа сосредоточена на одной задаче — обработке фотографий — и стремится выполнять её быстрее и нативнее, чем любые другие аналоги на этой платформе.

Redlamp  на GitHub: https://github.com/pdcgomes/redlamp
Платформа: iOS
⭐️: 196

👨‍🦯‍➡️ AppFiles: код, инструменты, практики, производительность

Игра на Kotlin, Jetpack Compose и Filament: что сработало, а что нет

Начиналось всё как небольшая игра в стиле приложения — почти без графики, скорее как текстовая игра. Потом мне захотелось видеть, как герои перемещаются по миру. Затем появились деревья, здания, изометрическая карта, погода и цикл дня и ночи. В какой-то момент я понял, что по сути построил небольшой игровой движок.

Статья: https://apptractor.ru/info/articles/igra-na-kotlin-jetpack-compose-i-filament-chto-srabotalo-a-chto-net.html
Платформа: Android

👨‍🦯‍➡️ AppFiles: код, инструменты, практики, производительность

Spock ADB - отладка Android-приложений без выхода из IDE

Анализируйте, управляйте и отлаживайте Android-приложения и устройства прямо из Android Studio или IntelliJ IDEA — без необходимости постоянно переключаться на терминал, Device Manager, настройки или внешние инструменты.

Spock ADB интегрирует рабочие процессы ADB в среду разработки и сохраняет выбранное устройство и приложение в качестве активной цели во всех разделах: Home, Storage, Work, Shell, Logcat, Debug Timeline, Diagnose и UI Inspector. Кроме того, плагин включает встроенный MCP-сервер, предоставляющий 69 строго типизированных инструментов Android для Claude Code, Claude Desktop, Cursor и других AI-клиентов.

Одна IDE · Одно целевое устройство · Меньше команд ADB

Spock ADB на GitHub: https://github.com/WahdanZ/SpockAdb
Платформа: Android
⭐️: 116

👨‍🦯‍➡️ AppFiles: код, инструменты, практики, производительность

📺 Видео и подкасты за неделю

• (iOS En) Pinterest Context Menu Using SwiftUI
• (iOS En) Compact Notification OnBoarding Animation Using SwiftUI
• (iOS En) SwiftUI iOS 27 - Smarter Toolbars, Overflow & Tab Bars
• (And En) Android CLI and skills to improve your development
• (And En) Beginner's Guide to Spec-Driven Development (SDD) With OpenSpec
• (Crs En) Shopify is smart
• (Dev Ru) Time-to-Market по закону: риски использования AI-агентов в мобильной разработке
• (Dev Ru) Как AI убил аутсорс — Заказная разработка, аутстафф, студии разработки
• (Dev En) Kotlin Course For Beginners – Full Tutorial
• (Dev En) Mobile System Design: Push Notifications Architecture

Прошлогодние видео:

• (iOS Ru) Неуловимый iOS-ботовод. Задетекти меня, если сможешь: автореги, боты, спамеры
• (iOS Ru) Разработка под Apple Vision Pro: исследуем возможности гарнитуры
• (And Ru) Автообновление Android: когда можно не бояться санкций сторов
• (And Ru) Доверяй, но проверяй: про корневые сертификаты в Android и не только
• (And Ru) Как правильно написать фичу. Часть 1
• (And Ru) Что ждёт Android-разработчика на собесе в Wildberries (+ все собеседования)
• (Crs Ru) Миграция больших приложений на KMP: проблемы, подводные камни, решения

👨‍🦯‍➡️ AppFiles: код, инструменты, практики, производительность

Как использование нейросетей изменило игровую индустрию и homebrew-cцену

Игровая индустрия прошла максимально сложный путь развития: от чего-то максимально локального до мейнстрима у всех возрастов, по пути успев чуть не умереть в 1983 году и возродиться руками одной компании. И всегда этот путь сопровождался эволюцией средств разработки.

В наше время максимально часто поднимается вопрос этичности в вопросах использования ИИ для создания игр, кое-где на этой почве вспыхивают скандалы. В последние месяцы с помощью вайбкодинга и немного ручного труда создаются какие-то совсем невероятные вещи.

Сегодня мы поговорим о том, как ИИ ускоряет разработку игр, чем это чревато для индустрии, а также посмотрим не только на то, как люди делают проекты мечты с помощью словесного описания, но и как современные LLM, кажется, перевернули сцену homebrew с ног на голову.

Статья: https://habr.com/ru/companies/timeweb/articles/1090896/
Платформа: разработка


👨‍🦯‍➡️ AppFiles: код, инструменты, практики, производительность

Swift AI Agent Demo - интеллектуальное рассуждение ИИ-агента

Swift AI Agent Demo — это нативное приложение для iOS, демонстрирующее паттерн ИИ-агента ReAct (Reasoning + Acting — «рассуждение + действие») с использованием SwiftUI. Приложение позволяет пользователям наблюдать, как ИИ-агент рассуждает, выполняет действия и шаг за шагом решает задачи. Для демонстрации взаимодействия в реальном времени и интеллектуальных ответов приложение использует GPT-модели OpenAI.

Проект служит отличным учебным инструментом для разработчиков, интересующихся искусственным интеллектом, автоматизацией и мобильной разработкой. С акцентом на Swift и SwiftUI этот демо-проект наглядно показывает, как интегрировать возможности ИИ в приложения для iOS.

Swift AI Agent Demo на GitHub: https://github.com/rodrigo1987mza/swift-ai-agent-demo
Платформа: iOS
⭐️: 12

👨‍🦯‍➡️ AppFiles: код, инструменты, практики, производительность

Мы научили агента писать тесты так, как их пишет наша команда

Каждому iOS-разработчику знакома ситуация: задача уже готова, кажется, что самое сложное уже позади. Но затем наступает этап написания unit-тестов. Мы пробовали поручить это ChatLLM, но модель генерировала код, который не компилировался: придумывала несуществующие Mock-объекты, игнорировала архитектурные соглашения проекта и использовала не те тестовые утилиты.

Проблема оказалась не в модели, а в отсутствии контекста. Вместо очередного набора промптов мы создали систему правил на базе AGENTS.md и SKILL.md. Это превратило генерацию тестов из разового запроса в воспроизводимый инженерный процесс.

В статье расскажу, как мы организовали работу AI-агента, какие проблемы встретили и почему хорошие правила сегодня важнее выбора «самой умной» модели.

Статья: https://habr.com/ru/companies/tbank/articles/1091898/
Платформа: тестирование

👨‍🦯‍➡️ AppFiles: код, инструменты, практики, производительность

Куда делись все вакансии для Android-разработчиков?

Я всё думаю о том, насколько иначе рынок ощущался несколько лет назад. Создание мобильного приложения было приоритетом почти для любого бизнеса. Стартапы запускали продукты, компании расширяли инженерные команды, а мобильная разработка выглядела как надёжный карьерный путь.

Сегодня разработчики задают уже совсем другой вопрос: если мобильные приложения всё ещё нужны всем, почему работы для тех, кто их создаёт, не становится больше?

Статья: https://apptractor.ru/info/articles/kuda-delis-vse-vakansii-dlya-android-razrabotchikov.html
Платформа: работа

👨‍🦯‍➡️ AppFiles: код, инструменты, практики, производительность

CodexKit - SDK для создания агентов

CodexKit — это SDK на Swift для встраивания агентов в стиле Codex в приложения для iOS 17+ и macOS 14+. Он предоставляет вход через ChatGPT, сохраняемые диалоги, потоковую генерацию ответов, инструменты, определяемые самим приложением, и опциональную локальную память.

Возможности:

• Текстовый и графический ввод, потоковые ответы и типизированный вывод по ходам с предварительными событиями и финальным подтверждённым результатом.
• Возобновляемые треды с сохранением в SQLite или Realm и сжатием контекста.
• Инструменты, определяемые приложением, с этапами подтверждения, ограничениями политик для навыков и ограниченным опциональным параллельным выполнением.
• Персоны, навыки и локальная память для поведения, специфичного для конкретного приложения.
• Идентификаторы GPT-6.1 Sol, GPT-6 Sol/Luna/Astra, обнаружение доступных моделей аккаунта и отображение лимитов использования.
• Прогресс провайдера, фазы сообщений, добавление ввода в активные ходы и прерывание выполнения.
• OAuth через браузер, вход по device code и доступ только для чтения к локальным сессиям Codex на macOS.

CodexKit на GitHub: https://github.com/timazed/CodexKit
Платформа: iOS
⭐️: 32

👨‍🦯‍➡️ AppFiles: код, инструменты, практики, производительность

Как эффективно отлаживать код, когда вы перестали его понимать

С развитием AI-кодинга возникает новая проблема: нейросети способны писать тысячи строк кода за день, но кто будет разбираться во всём этом, когда что-то сломается? Инженер Синди Шридхаран поделилась опытом отладки сложных систем с помощью Claude Code. В основе статьи — три реальные проблемы: рост задержек, утечка памяти и зависание сервиса.

Главная мысль: для эффективной отладки больше не обязательно понимать каждую строку кода. Важнее уметь проверять гипотезы ИИ.

Автор предлагает несколько принципов:

• Факты важнее объяснений. Логи, метрики, трассировки и результаты экспериментов надёжнее, чем убедительная история, которую рассказывает AI-агент.
• Разделяйте факты и гипотезы. Модель может предложить правдоподобную причину ошибки, но это ещё не доказательство.
• Сравнивайте работающую и сломанную системы. Иногда одно различие в поведении даёт больше информации, чем изучение тысяч строк исходников.
• Заставляйте ИИ опровергать собственные выводы. Хорошая гипотеза должна объяснять все наблюдаемые факты, а не только часть симптомов.
• Меняйте роль разработчика. Вместо ручного анализа каждой функции — проектирование проверок, сбор данных и контроль достоверности выводов AI-агентов.

Самый интересный вывод: программирование постепенно превращается из процесса написания и понимания кода в процесс управления его созданием и проверки корректности. И, возможно, главным навыком разработчика будущего станет не умение читать чужой код, а умение доказать, что он работает правильно.

Статья: https://copyconstruct.medium.com/how-to-effectively-debug-when-you-no-longer-understand-the-code-bd3dcb2c5f7b 🇺🇸
Платформа: разработка

👨‍🦯‍➡️ AppFiles: код, инструменты, практики, производительность

Куда девается место на диске: Xcode, рабочие деревья и ИИ-агенты

Несколько недель назад мои сборки начали странным образом падать. Сначала сломался этап линковки. Потом lipo. Затем кэш модулей начал жаловаться, что файл «был изменён после того, как был собран module file». Чистые сборки не помогали.

Оказалось, диск был заполнен. И ни одна из этих ошибок прямо об этом не говорила.

Такое начинает происходить гораздо чаще, когда в рабочем процессе появляются ИИ-агенты. Я запускаю по два-три агента одновременно, каждый в своём git worktree, каждый собирает приложение и запускает тесты. Каждое рабочее дерево также получает собственные копии симуляторов. Если агенты используют один и тот же симулятор, они начинают устанавливать свои сборки поверх чужих и нажимать кнопки на чужих экранах. Каждая сборка, каждый прогон тестов и каждая копия симулятора оставляют после себя гигабайты данных, и ничего из этого автоматически не очищается.

Статья: https://apptractor.ru/info/articles/kuda-devaetsya-mesto-na-diske-xcode-rabochie-derevya-i-ii-agenty.html
Платформа: iOS

👨‍🦯‍➡️ AppFiles: код, инструменты, практики, производительность