📌 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
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
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
❤2
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
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.
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
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
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
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
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
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
Компании переводят ИИ из режима генератора кода в режим автономного исполнителя. Но чем больше полномочий мы даём агенту, тем дороже становится ошибка на уровне архитектуры
OpenAI представила GPT-5.6 — семейство из Sol, Terra и Luna. Sol — флагманская модель для сложной работы; OpenAI позиционирует GPT-5.6 для coding, research, computer use и других сложных задач.
Одновременно OpenAI представила ChatGPT Work — агентный режим, который способен разбивать длительную задачу на этапы, работать с приложениями и файлами, выполнять действия и выдавать готовый результат. OpenAI прямо описывает возможность оставлять Work работать над сложным проектом часами.
Anthropic вслед за этим выпустила Claude Opus 5. У него adaptive thinking включён по умолчанию, а параметр effort позволяет регулировать объём работы модели. Anthropic отдельно позиционирует Opus 5 для сложного agentic coding и long-horizon tasks.
#AI_Новости #Разработка_Агенты
OpenAI представила GPT-5.6 — семейство из Sol, Terra и Luna. Sol — флагманская модель для сложной работы; OpenAI позиционирует GPT-5.6 для coding, research, computer use и других сложных задач.
Одновременно OpenAI представила ChatGPT Work — агентный режим, который способен разбивать длительную задачу на этапы, работать с приложениями и файлами, выполнять действия и выдавать готовый результат. OpenAI прямо описывает возможность оставлять Work работать над сложным проектом часами.
Anthropic вслед за этим выпустила Claude Opus 5. У него adaptive thinking включён по умолчанию, а параметр effort позволяет регулировать объём работы модели. Anthropic отдельно позиционирует Opus 5 для сложного agentic coding и long-horizon tasks.
#AI_Новости #Разработка_Агенты
Почему я не плачу за Cursor и Devin (и как пишу проекты на ИИ абсолютно бесплатно)
Все вокруг обсуждают, какой ИИ-агент лучше, и покорно заносят по $20+ за подписки. Я пошел другим путем. Вот мой личный пайплайн, как я создаю полноценные проекты с нуля, используя только бесплатные доступы, но получая код от топовых моделей вроде Claude 5 Pro Max.
Шаг 1: Фундамент (DeepSeek Chat)
Шаг 2: Визуал (ChatGPT)
Шаг 3: Генерация ТЗ (Хак системы)
Шаг 4: Финальная сборка (LMSYS Chatbot Arena)
Шаг 5: Напильник
Вывод: ИИ — это не волшебная палочка, за которую нужно платить каждый месяц. Это набор инструментов. Если грамотно их комбинировать, можно собирать сложные системы бесплатно.
Все вокруг обсуждают, какой ИИ-агент лучше, и покорно заносят по $20+ за подписки. Я пошел другим путем. Вот мой личный пайплайн, как я создаю полноценные проекты с нуля, используя только бесплатные доступы, но получая код от топовых моделей вроде Claude 5 Pro Max.
Шаг 1: Фундамент (DeepSeek Chat)
Всю черновую работу я делаю в бесплатной браузерной версии DeepSeek. Модель отлично держит огромный контекст и выплевывает до 3500 строк кода без одышки. Здесь я собираю логический каркас проекта, тестирую и отсекаю лишнее.
Шаг 2: Визуал (ChatGPT)
Когда логика работает на 60-75%, я делаю скриншот интерфейса и кидаю в бесплатный ChatGPT. Прошу его накидать крутой UI/UX дизайн. Полученный ответ скармливаю обратно в DeepSeek и прошу натянуть этот дизайн на наш рабочий каркас.
Шаг 3: Генерация ТЗ (Хак системы)
Это ключевой момент. Я прошу DeepSeek написать подробнейшее ТЗ (на 8-10 листов) на основе того кода, что мы с ним только что написали. ИИ сам документирует всё, что мы натворили.
Шаг 4: Финальная сборка (LMSYS Chatbot Arena)
Беру это гигантское ТЗ и иду на LM Arena в режим «Battle Mode» (там топовые модели тестируют вслепую). Кидаю ТЗ туда и вылавливаю реализацию от премиальных моделей. Чаще всего забираю код от Claude 5 Pro Max / Opus или DeepSeek Coder v4. Получаю качество платной подписки за $0.
Шаг 5: Напильник
Скачиваю билд, закидываю в локальную IDE и допиливаю ручками или бесплатными плагинами (Qwen Coder / GitHub Copilot).
Вывод: ИИ — это не волшебная палочка, за которую нужно платить каждый месяц. Это набор инструментов. Если грамотно их комбинировать, можно собирать сложные системы бесплатно.
Вопрос: Есть мысль записать большой видос (от идеи до дебага и запуска), где я вживую покажу весь этот процесс. Делаем? Накидайте реакций, если интересно.
🔥6🤯1