📌 О чем канал?

Здесь три темы. У каждого поста есть хэштеги из этого меню — нажми на любой, чтобы собрать всю подборку.

1️⃣ Разработка — как и какой софт я делаю, где скачать, где и как применять
#Разработка_Инструменты

2️⃣ Искусственный интеллект — эксперименты и обзоры
Нейросети, промпты, генерация.
#AI_Новости
#AI_Модели
#AI_Доступ
#AI_Промпты

3️⃣ Технологии — тренды, железо, решения
Что выходит, как работает и как это применить.
#Технологии_Новости
#Технологии_Железо

⬇️ Все гайды по доступу к моделям собраны в #AI_Доступ

СИСТЕМНЫЕ ПРОМПТЫ для Chat GPT. Инструкция по установке.

Открой настройки (Settings) 〰️ Найди «Custom instructions» (или «Personalization») 〰️ Вставь системный промпт в поле «What would you like ChatGPT to know about you to provide better responses?» 〰️ Сохрани
🗯 Архив отправлю ниже

#AI_Промпты #AI_Доступ

Я сделал свой первый AI Loop Agent. И понял, почему это сложнее, чем кажется

В последнее время много говорят про Loop Engineering. Звучит красиво: AI получает задачу → пишет решение → проверяет себя → исправляет ошибки → повторяет. Но между схемой на картинке и реальной работой огромная разница. Я решил проверить это самостоятельно и собрать простой AI Loop. Задача была такая: AI получает описание программы, пишет код, запускает его и пытается исправить ошибки самостоятельно. На практике всё пошло не идеально.
Первый запуск: проблема с API. Второй: неправильная модель. Третий: закончилась квота. Четвёртый: таймаут выполнения. Это инженерная система, которая умеет получать обратную связь и улучшать результат. Ниже оставил: Open Source эксперимента; схему работы.
🗯Можно разобрать, запустить и попробовать улучшить. Проект находится ниже

#AI #Разработка #Агенты #Программирование

#Разработка_Агенты #AI_Промпты

1 сентября GitHub отключит старые модели Copilot.
 
На первый взгляд кажется: Очередное обновление моделей. Ничего особенного.
Но если посмотреть глубже — это очень важный сигнал для всей индустрии AI-инструментов. GitHub постепенно переводит пользователей на более быстрые модели вроде Flash-линейки и оптимизированные версии Claude.
 
Автодополнение кода — это не ChatGPT. Большая ошибка — воспринимать Copilot как обычный чат с ИИ. Когда разработчик пишет код, сценарий другой  Ты создаёшь функцию:
def calculate_monthly_payment(
 
Copilot должен мгновенно понять: название функции; соседний код; структуру проекта; типы данных; стиль написания; и предложить продолжение.
 
Большие модели хорошо подходят для задач: проектирование архитектуры приложения; поиск сложных ошибок; анализ большого количества файлов; объяснение сложного кода; рефакторинг крупных систем. Например:
«Проанализируй почему этот микросервис падает при нагрузке и предложи новую архитектуру». Здесь можно ждать минуту. Но другой сценарий: «Допиши эту функцию».
Здесь пользователь ожидает ответ практически мгновенно.
 
IDE станет быстрее. Меньше задержка между: написанием строки; появлением подсказки; принятием предложения. Это напрямую влияет на продуктивность.
 
Раньше многие писали: «Сделай мне функцию авторизации». И ждали хороший результат.
Но будущее AI-разработки будет другим. Разработчик должен лучше формулировать  контекст: Плохо: create user function Хорошо: Create user registration function. Use existing UserRepository. Validate email through EmailValidator. Return UserDTO. Follow existing service architecture. Чем меньше модель думает — тем больше ответственность переносится на человека.
 
GitHub своим решением показывает новый этап развития AI-инструментов. Мы движемся от эпохи: «Дайте мне самую умную модель» к эпохе: «Дайте мне правильную модель для конкретной задачи». Будущий разработчик будет работать не с одной нейросетью. Он будет управлять командой моделей: быстрая модель — пишет код; мощная модель — анализирует архитектуру; специализированная модель — проверяет безопасность; агент — выполняет рутинные задачи.
 

OpenAI, Anthropic, Google и другие компании уже строят системы, где разные модели выполняют разные роли. ИИ становится не одной универсальной программой. Он превращается в инфраструктуру из специализированных инструментов.

Джефф Дин покинул Google

Джефф Дин пришёл в Google в 1999 году и стал одним из ключевых инженеров компании. Он связан с фундаментальными системами Google и был одним из основателей Google Brain. Теперь он уходит создавать новую компанию — Discovery Loop. Причём Google сама выступает инвестором стартапа, то есть это не история «инженер ушёл и стал врагом Google». Это гораздо интереснее: корпорация может одновременно терять человека и инвестировать в его следующий проект.

#Технологии_Новости

Какую AI-модель использовать разработчику и когда

Задача

Что нужно от модели

Тип модели

Почему

Автодополнение кода в IDE

Минимальная задержка, понимание контекста рядом

Flash / Fast

Разработчик не хочет ждать. Главное — быстро предложить следующий блок кода

Написание простых функций

Скорость + хорошее знание языка

Flash / Mini

Большинство задач — шаблонный код

Генерация CRUD, API, компонентов UI

Баланс скорости и качества

Flash / Fast

Не требуется глубокий анализ всей системы

Исправление ошибок в небольшом файле

Понимание кода + быстрое решение

Fast

Нужно найти проблему, но не строить новую архитектуру

Рефакторинг большого проекта

Анализ зависимостей, архитектуры

Flash / более сильная модель

Нужно учитывать десятки файлов и связи между ними

Проектирование архитектуры приложения

Глубокое рассуждение

Reasoning / сильная модель

Ошибка на уровне архитектуры дороже ошибки в строке кода

Code review

Критическое мышление

Reasoning / сильная модель

Нужно искать слабые места, безопасность, плохие решения

Документация

Хорошее понимание контекста

Mini / Flash

Главное — правильно объяснить существующий код

Написание тестов

Понимание логики + генерация сценариев

Fast / Flash

Нужно учитывать edge cases

Поиск уязвимостей

Анализ поведения системы

Reasoning / сильная модель

Требуется нестандартное мышление

Миграция технологий

Анализ старого и нового стека

Сильная reasoning-модель

Нужно понимать последствия изменений

Создание MVP

Скорость разработки

Fast + Reasoning + Agent

Важнее скорость проверки идеи

#AI_Модели

7 вопросов, которые я бы заставил AI-агента ответить перед тем, как разрешить ему менять реальный проект
1. Какие файлы ты собираешься изменить?
2. Какие существующие зависимости затронешь?
3. Какие архитектурные решения ты принимаешь?
4. Что произойдёт при увеличении нагрузки?
5. Где находятся потенциальные security risks?
6. Какие тесты должны доказать корректность?
7. Как откатить изменения?

#Разработка_Агенты

Китай выкладывает мощные ИИ-модели в открытый доступ. Нужно ли нам вообще платить за AI?

Ещё недавно мощный AI для программирования почти автоматически означал облачный сервис. Сейчас разработчик может получить веса мощных моделей и запустить inference самостоятельно. Но означает ли это, что облако больше не нужно?

DeepSeek-V4-Flash — официально заявлены: MoE-архитектура; 284 млрд параметров; около 13 млрд активных параметров на токен; контекст до 1 млн токенов; поддержка thinking/non-thinking режимов; tool calls; FIM completion для кодинга; открытые веса под MIT-лицензией.
Модель доступна DeepSeek: https://huggingface.co/deepseek-ai/DeepSeek-V4-Flash
Модель доступна Kimi K3: https://huggingface.co/moonshotai/Kimi-K3
Если модель такого уровня можно получить с открытыми весами, что вообще остаётся преимуществом облачных AI?

#AI_Модели #AI_Локально

ПРОМПТЫ: РАЗРАБОТКА/КОНТЕНТ (ГОТОВЫЕ ШАБЛОНЫ)

Генерация кода/Поиск багов/Рефакторинг/Документация
Генерация поста в Telegram/Сценарий для Shorts/Генерация изображений
⬇️ Готовые шаблоны находятся в файле «ПРОМПТЫ ГОТОВЫЕ ШАБЛОНЫ.md»⬇️

#AI_Промпты