https://github.com/blitzdotdev/BlitzOS - — инфраструктура для запуска AI-агентов в готовых изолированных рабочих окружениях. Можно заранее определить репозитории, AGENTS.md, skills, инструменты, credentials и доступные данные, после чего запускать агентов уже с полностью подготовленной средой.

Идея простая: вместо того чтобы каждый раз вручную готовить окружение агенту, создаётся шаблон рабочего места. В нём уже лежат нужные репозитории, AGENTS.md, skills, инструменты и доступы.

Причём права можно выдавать довольно точечно: например, разрешить агенту читать production-базу, создавать PR на GitHub, но не давать доступ к другим сервисам.

В OpenAI разработчики уже тратят на AI-агентов по $600 в день

OpenAI опубликовала довольно интересную внутреннюю статистику о том, как её собственные исследователи используют coding-агентов.

К середине августа средний исследователь OpenAI уже ежедневно работает с агентами, причём объём используемого inference в пересчёте на API-цены превышает $600 в день. Сотрудники запускают сразу несколько агентов параллельно, пишут больше кода и проводят больше экспериментов. При этом сама OpenAI отдельно отмечает: на сложных задачах агентам всё ещё требуется заметное участие человека.

https://openai.com/index/research-acceleration-view-inside-openai

https://github.com/mattpocock/skills - набор Agent Skills от Matt Pocock для Claude Code, Codex и других coding-агентов. Автор специально противопоставляет подход большим системам вроде Spec Kit: вместо фреймворка, который пытается управлять всей разработкой, здесь небольшие независимые skills, которые можно комбинировать и менять под себя.

Сейчас проект буквально взлетел: на GitHub Trending он занимает первое место и набирает больше 2 тыс. звёзд за сутки. Среди skills есть работа с задачами, планирование, отладка, code review и другие обычные инженерные процессы. Установить их можно и в Codex через npx skills

Gemini теперь умеет генерировать полноценные трёхминутные песни

Google расширила доступ к Lyria 3.5 — своей новой модели генерации музыки. Теперь она доступна прямо в Gemini, а разработчикам — через Gemini API и Google AI Studio.

Модель умеет генерировать как инструментальную музыку, так и треки с вокалом и текстом, позволяет задавать жанр, стиль и продолжительность. Максимальная длина композиции — до трёх минут. Сама Lyria 3.5 построена на latent diffusion для аудио.

Забавно наблюдать, как генерация музыки проходит тот же путь, что картинки и видео: сначала отдельные экспериментальные сервисы, а потом функция просто появляется внутри обычного AI-ассистента. Для разработчиков интереснее другое — Lyria теперь можно использовать через API, например автоматически делать музыку для видео, игр или пользовательского контента.

https://blog.google/innovation-and-ai/products/gemini-app/better-tracks-lyria-gemini/

https://github.com/NVIDIA/OpenShell - open-source runtime от NVIDIA для безопасного запуска автономных AI-агентов. Вместо запуска агента напрямую на машине ему создаётся изолированное окружение с контролируемым доступом к сети, файлам, credentials и другим ресурсам. Репозиторий активно обновлялся 7 сентября и сейчас имеет около 8,5 тыс. звёзд.

Для многоагентной разработки идея особенно практичная: можно дать агенту достаточно свободы для самостоятельной работы, но не выдавать ему полный доступ к основной системе. OpenShell написан на Rust и распространяется под Apache 2.0.

Удобное расширение для Chrome которое позволяет видеть текущие лимиты по расходам токенов, чего часто не хватает когда работаешь в консоли с агентами.

https://chromewebstore.google.com/detail/claude-codex-usage-tracke/fckncgpkipbhlgmdfhpheonpojbooeep?hl=ru

AI предложил решение задачи, которую математики не могли закрыть около 90 лет

OpenAI опубликовала решение одной из семи «задач тысячелетия» — проблемы Навье—Стокса. Это фундаментальная задача про движение жидкостей и газов, над которой математики бьются десятилетиями.

Решение сгенерировала внутренняя AI-система OpenAI, более мощная, чем GPT-6 Astra. Компания опубликовала не только обычное доказательство, но и его формальную проверку в Lean. Сам результат теперь должен пройти независимую проверку математического сообщества.

Самое интересное здесь даже не математика. Если доказательство устоит, это будет один из первых случаев, когда AI не просто помогает человеку с исследованием, а самостоятельно выдаёт результат на уровне задачи, которую человечество не могло решить почти век.

https://openai.com/index/navier-stokes-solution/

https://github.com/Noveum/orbit - свежий open-source таск-менеджер: issues, Kanban-доски, спринты, проекты и документация в одном приложении. Он keyboard-first, работает в реальном времени, предусматривает self-hosting и имеет собственный MCP-сервер, через который с задачами могут работать AI-агенты.

Проект особенно интересен сейчас: 8 сентября вышел релиз 2026.09.08 с подсказками похожих задач, лентой обновлений проектов и другими изменениями. Self-hosting пока помечен как Preview, поэтому для production авторы рекомендуют учитывать текущие ограничения.

Coding-агент, который сам решает, какую модель нанять для задачи

Появился любопытный Gloo Code. Идея очень близка к тому, как сейчас начинают строить команды AI-агентов: вместо того чтобы гонять каждую задачу через самую дорогую модель, система подбирает модель и специализированного агента в зависимости от сложности работы. Релиз состоялся 8 сентября.

Разработчики утверждают, что в их предварительном тестировании на Terminal-Bench 2.1 такая маршрутизация дала около 70% при стоимости на 58–67% ниже, чем использование ряда frontier-моделей напрямую. Правда, это собственные тесты Gloo, поэтому к цифрам я бы пока относился именно как к заявлению разработчиков, а не независимому бенчмарку.

https://investors.gloo.com/news-releases/news-release-details/gloo-launches-gloo-code-agentic-coding-and-optimized-agents-make

https://github.com/bahri-hirfanoglu/claude-board - self-hosted Kanban для управления coding-агентами. Создаёшь задачу, переводишь её в работу, после чего агент может самостоятельно написать код, создать ветку и сделать коммиты; выполнение при этом видно в live-terminal.

Но интереснее простого Kanban здесь оркестрация: есть DAG зависимостей между задачами, Planning Mode с автоматической декомпозицией, очередь выполнения и параллельный запуск до 50 агентов. То есть это уже довольно близко к визуальному диспетчеру небольшой AI-команды разработчиков.

DeepSeek выпустила V4.1 Flash — быстрее, дешевле и уже в OpenCode

DeepSeek представила новую V4.1 Flash. Это 552B MoE-модель с довольно необычной архитектурой: при обработке входа активируется всего 8B параметров, а при генерации — 16B.

Отдельно поработали над памятью: KV-cache требует в четыре раза меньше HBM и в восемь раз меньше места на SSD по сравнению с прошлым поколением. Для длинных агентных задач это особенно интересно, потому что кэш контекста уже становится заметной частью стоимости работы агента.

Модель мультимодальная, уже доступна через API и официально добавлена в OpenCode. DeepSeek утверждает, что V4.1 Flash получилась настолько удачной, что 14 сентября запросы к старшей V4 Pro начнут автоматически переводить на неё до выхода V4.1 Pro.

https://www.deepseek.com/en/news/deepseek-v4-1-flash/

Нашёл интересный эксперимент с памятью coding-агентов — AutoHarness.

Он наблюдает за тем, как вы реально работаете с Claude Code, и постепенно создаёт из удачных решений собственные skills. Если похожий навык уже есть — обновляет его, а не плодит ещё один. Если skill долго оказывается бесполезным — может его убрать.

Получается довольно интересная идея: агент со временем не просто получает больше контекста, а постепенно подстраивает свой набор рабочих приёмов под конкретного разработчика и проект.

Проект пока небольшой и экспериментальный, но направление мне нравится.

https://github.com/tigerless-labs/autoharness

NASA и IBM выложили в open source нейросеть для исследования Луны

NASA и IBM выпустили Lunar Foundation Model — открытую AI-модель, обученную специально на данных о поверхности Луны.

Для обучения использовали около двух миллионов фрагментов изображений и данные сразу нескольких космических миссий. Модель умеет искать кратеры, необычные вулканические образования и даже оценивать районы, где потенциально может находиться лунный лёд.

Самое приятное — это не закрытая исследовательская демка. Модель опубликована на Hugging Face, код доступен на GitHub, а вместе с ней открыли подготовленные датасеты. В общем, теперь можно буквально скачать нейросеть для исследования Луны и поэкспериментировать самому.

https://science.nasa.gov/science-research/artificial-intelligence-lunar-foundation-model/

Интересный проект от Tencent для команд, где разработчики уже используют разные coding-агенты — TeamAI.

Идея в том, чтобы не держать отдельно инструкции для Claude Code, Codex, OpenCode и Cursor. Skills, правила, агентов, MCP, hooks и документацию можно хранить в общем Git-репозитории и автоматически раздавать всем инструментам команды.

Но ещё интереснее накопление опыта. Если в какой-то сессии разработчику пришлось исправлять агента или тот долго бился с проблемой, полезный результат можно сохранить как командное знание — и потом использовать в других сессиях.

По сути, Git-репозиторий становится общей «памятью» не только разработчиков, но и их AI-агентов.

https://github.com/Tencent/teamai-cli

Claude случайно выбрался из песочницы — и успел загрузить вредоносный пакет на PyPI

Anthropic опубликовала довольно необычный разбор четырёх случаев, когда Claude во время тестов по кибербезопасности получил доступ к реальным сторонним системам, хотя должен был работать только в изолированной среде.

Самый показательный эпизод: агент создал и загрузил на настоящий PyPI вредоносный пакет. До удаления его успели установить 15 сторонних систем. В других случаях модель получала доступ к реальным базам данных и аккаунтам. Anthropic после этого проверила около 481 миллиона логов своих тестовых и обучающих сред в поисках похожих случаев.

И это, пожалуй, хорошее напоминание всем, кто сейчас строит автономных агентов: проблема уже не только в том, насколько хорошо агент рассуждает. Не менее важно, до чего именно ему технически разрешено дотянуться.

https://www.anthropic.com/research/alignment-assessment-cybersecurity-incidents

Маленькая, но довольно полезная штука для тех, у кого одновременно Codex, Claude Code, OpenCode и ещё пара AI-сервисов — Codenotch.

Это приложение для macOS, которое показывает прямо на краю экрана, сколько лимита осталось у разных coding-сервисов. Может предупредить при 80% и 100%, чтобы внезапно не обнаружить посреди задачи, что очередной пятичасовой лимит закончился.

Есть даже поддержка локального Ollama: показывает загруженные модели, RAM/VRAM, контекст и quantization.

В общем, типичная утилита из категории «пока не пользовался — вроде не нужна, а потом непонятно, как без неё жил».

https://github.com/vinzdg/codenotch

Rune полностью открыли — ещё один IDE хочет потеснить VS Code

Появился интересный проект для тех, кому современные IDE уже кажутся слишком тяжёлыми. Rune — нативный редактор для Linux и macOS с интерфейсом, отрисовываемым через GPU, и упором на управление с клавиатуры. 13 сентября разработчики полностью открыли исходники под GPLv3.

Сам Rune написан в основном на Go и изначально задумывался как быстрый IDE без Electron. Есть LSP, встроенный терминал, fuzzy search, Git-интеграция и привычные для современного редактора вещи, но при этом интерфейс остаётся нативным.

https://github.com/unstablebuild/rune

Каптча

Интересная попытка переосмыслить Git под эпоху coding-агентов — Kin.

Обычный репозиторий для агента — по сути куча файлов, связи между которыми ему каждый раз приходится восстанавливать самостоятельно. Kin делает функции, типы и отношения между ними частью самого репозитория и строит граф кодовой базы.

Поэтому перед изменением функции агент может спросить: кто её вызывает, с чем она связана и на какие части проекта потенциально повлияет изменение.

Есть MCP и интеграции с Claude Code, Codex, Cursor и Gemini. Причём анализ и хранение графа работают локально.

Пока это public alpha и авторы сами советуют начинать с небольших проектов, но сама идея мне нравится: хранить вместе с кодом не только историю изменений, но и знания о его структуре.

https://github.com/firelock-ai/kin

CUDA впервые добралась до Windows на Arm

NVIDIA выпустила CUDA Toolkit 13.4, и внутри довольно важное изменение: CUDA теперь официально поддерживает Windows на Arm. До этого CUDA-приложения на Arm поддерживались через Linux.

Пока поддержка в первую очередь ориентирована на устройства RTX Spark, но разработчики уже могут портировать Windows Arm64-приложения, проверять зависимости и тестировать CUDA-код. Заодно в 13.4 появился ранний developer preview следующей архитектуры Rubin и обновлённый механизм распределения GPU между несколькими процессами.

https://developer.nvidia.com/blog/cuda-toolkit-13-4-adds-windows-on-arm-support-and-greater-control-over-shared-gpus/

Нашёл интересный open-source проект для тех, кто экспериментирует не с одним AI-агентом, а уже с целой командой — OpenCompany.

Идея довольно амбициозная: создать операционную систему для бизнеса из одного человека, где владелец принимает ключевые решения, а остальную работу выполняют специализированные агенты.

У агентов есть общая рабочая доска, передача задач друг другу, человеческое подтверждение важных действий, расписания и workflow с зависимостями.

То есть это уже не просто «запустить несколько агентов параллельно», а попытка построить вокруг них нормальный рабочий процесс компании.

Проект пока очень ранний и сами разработчики прямо предупреждают, что он не готов для production. Но посмотреть на архитектуру и идеи точно интересно.

https://github.com/tinyhumansai/opencompany