Не хотелось бы вам подкидывать тревожки на ночь, но по другому никак)))

Codex-1 вышел…

Что под капотом?
- *Удобный UI (ниже пояснение по звездочке)
- Параллельное выполнение задач
- Автотесты и их запуск в изолированном окружении
- ПРы, коммиты, диффы
- База знаний на основе кодовой базы

В целом, все то, что можно на курсоре реализовать, кроме параллелизма (хотя это тоже можно).

Но мне в глаза бросилось другое. У них интерфейсно это выглядит уже не как прогерская IDE, а как beta-версия инструмента для продуктолога/бизнес-аналитика. Типа, чтобы они сами тасочки заводили и сами видели результат, а кодер приходил только в сложные моменты.

Думаю, в планах они к этому и идут. OpenAI спит и видит как нас выпилить из процесса 🥲

Изменится ли это? Нет.

Вангую, что через месяц Гугл тоже выйдет с обновлением своего сервиса для вайб-кодинга. У них просто идет гонка за то, кто первым нас заменит 🫣

Хорошей пятницы! 🍻😆

Google было невтерпеж ждать.

Им нужно было срочно утереть нос OpenAI и эти параноики не стали ждать месяц и выпускают Jules в бетку с waitlist’ом.

Jules - это как Codex, но с интерфейсом вроде лучше. И, самое главное, не за 200 баксов, а бесплатно! Бесплатно дается 5 тасок в день.

ЧТД.

Доброго утра))

Знания разговорного английского скоро потеряют смысл на работе :)

Теперь Google Meet сам будет переводить, сохраняя голос и интонацию. И это все в режиме реального времени. Интересно, на сколько будет критичен translation lag в данном случае. Пока добавили только Английский и Испанский, другие языки думаю подъедут в течении полугода.

Некст профессия с списке тревожки - синхронный переводчик.

Уже доступ дали. Быстро они)

Просыпаюсь в 3 часа ночи.

В мире повышается уровень тревожки. Этот вывод сделали на основе того, что в Google начал повышаться поисковый запрос «waking up at 3».

Самое главное при этом - не брать телефон 😀

Доброй ночи!

Карьерный трек AI-инженера

• Проходишь курс по ML на Coursera, пишешь диплом о том, как нейросеть распознаёт кошек на картинках с точностью 62%. Считаешь себя инженером будущего.
• Публикуешь pet-проект на GitHub: чат-бот, который здоровается по имени. Хочешь попасть в стартап. Попадаешь в аутсорс.
• Тебя берут на проект в логистику. Ты 8 месяцев деплоишь модель в Excel, потому что у заказчика “нет бюджета на сервер, но есть интерес к AI”.
• Переходишь в продукт. Твоя задача — поднять retention через персонализацию. Спустя 3 месяца тебе говорят: «Можешь просто сортировать товары по цене?»
• Переписываешь пайплайн рекомендаций каждый квартал, потому что продакт меняет метрики успеха в зависимости от фазы Луны.
• Появляется Head of AI Strategy. На все вопросы отвечает: «Надо больше RAG». Никто не знает, что это значит, но ты теперь делаешь это.
• Участвуешь в 3 AI-хакатонах, выигрываешь худи, знакомишься с GPT. Понимаешь, что теперь любой продакт с prompt’ом делает то же, что ты — только за 2 минуты.
• Тебя просят «сделать своего ChatGPT для компании», но без API, без бюджета и желательно к следующей неделе.
• Появляется новый CTO и говорит, что теперь ваша стратегия — это “AI-first, но без фанатизма”. Твой департамент сокращают.
• Устраиваешься DevOps’ом в стартап по генерации мемов.

Прошло 10 лет. Ты живешь в комнате с сервером в качестве батареи. Твоя драгоценная(в свое время) RTX 7090 все еще справляется с обучением модели, которая пишет сопроводительные на вакансии.
А твой одноклассник, который 10 лет назад начал торговать автозапчастями в Озоне, зовёт тебя покататься на багги по Сочи, пока ты ждёшь, когда запустится Jupyter.

Кстати, судя по всему, Jules доступен уже всем юзерам.

Пока OpenAI продает подписку по 200 бачей, Google дает это бесплатно всем.

Вот что значит бездонный маркетинговый бюджет.

Поюзал я ваш этот Jules и снова преисполнился.

Если вам надоело вручную ковыряться в трейсах ошибок или писать очередной CRUD - надо пробовать.

Как это выглядит:
- Создаешь таску с трейсом ошибки или просто с описанием.
- Он ее за 5 минут делает, скорее даже правильно.
- Жмешь кнопочку, он публикует это в Github.
- Заходишь и создаешь ПР на эту ветку, проверяешь код, пушаешь изменение.
- Запускается CI/CD, автотесты.
- Пушается в прод.
- Профит!

Короче, схема получается такая:
Менеджер/Саппорт -> Jules -> Разработчик -> Прод.

Т.е. разрабу тупо надо проверить что там ему накодили эти ваши агенты и аппрувнуть это, либо реджекнуть на доработку.

Лютый кайф.

Veo 3 конечно выдает мощный контент. Просматривая видео, создается ощущение параллельной вселенной где не были созданы трансформеры 🙃

Готовые rule-сеты для Курсора.

Если вы работаете с Cursor, то у него есть прекрасный раздел, посвященный rules. Будет полезно взять за шаблон и потом допилить под своей проект.

https://cursor.directory/rules/python

Маркетологи Sentry настолько охренели, что троллят вайб-кодеров 😂

The mid monitoring tool that fixes the code you prompted

Кстати, для пользователям Cursor 3 месяца еще дают бесплатных.

Ты можешь делать любой стартап в нише AI-оберток, но потом придет крупный игрок и сожрет твой рынок)

Grok будет в Телеграмме…

Пока LLMка пишет код, а я пошел гулять, это считается что я работаю или нет? 😁

Немножко из последнего опыта по Claude 4.

1. Он значительно лучше работает с запуском проекта и решением проблем запуска.
2. Он прекрасно работает с гитом, мерджит, коммитит и т.д.
3. Он вообще сам может задеплоить продукт на сервер через ssh.

Да, пока все еще страшно что его заглючит и снесет базу, но для тестирования - прекрасно!) При этом инишиал скрипт прекрасно сам соберет на кучу фейковых данных.

Девопсы поднапряглись....

Немножко юмора в выходной день :)

Разработчики раньше:
У нас нихрена нет, но мы стремимся к результату.

Разработчики сейчас:
У нас есть космолет и мы думаем, как превратить его в машину :)

Последнее время популярен нарратив, что у текущей архитектуры трансформеров квадратичная сложность и по сути последние версии ЛЛМок уже практически достигли своего предела. Об этом вещали и OpenAI, и Google и другие.

А теперь встречайте линейную сложность от китайцев) Компания MiniMax представила свою первую модель с механизмом Lightning Attention с линейной сложностью. То есть теперь не нужно будет иметь миллиард ресурсов для большого контекста)

Я конечно думал, что это займет больше времени)

По опыту использования агентов в кодинге, можно выделить 4 вектора их применения:

1. Решение конкретной кодинг-задачи. Сюда входит и планирование архитектуры, бд, и сам код. Лучше всего для таких задачи применять самые топ модели, типа Opus Thinking и т.д.
2. Рефактор любого участка кода/компонента. По применимости моделей более щадящие условия. Тот же Sonnet хорошо справляется.
3. Обвязки вокруг задачи. То, что обычно разработчики не делают, но все хотят, чтобы они это делали. Сюда входит написание документации по коду или описание в свагере, написание unit-тестов, для фронтенда потенциально какой-то дебаг режим, чтобы проверить что все работает. Под такие задачи хорошо подходит o3 Thinking или Gemini 2.5.
4. Деплой продукта. Сюда входит сбор докер образа, настройка yaml, подключение по ssh, работа с Git’ом и др. Под эти задачи only Opus Thinking, так как не ровен час похерить базу с чем-то более глупым, либо свернуть с пути инструкций.