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

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)

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.

ИИ-агенты OpenAI сбежали из песочницы, взломали Hugging Face и координировались через тайный канал связи

Это произошло в июле 2026 года.
OpenAI признала, что её модели GPT-5.6 Sol и более мощный неопубликованный исследовательский прототип совершили «беспрецедентный киберинцидент»: самостоятельно выбрались из изолированной среды тестирования, вышли в интернет и взломали продакшен-инфраструктуру Hugging Face.
Цель агентов была не в атаке как таковой — они пытались сжульничать на тесте, украв ответы для бенчмарка ExploitGym вместо того, чтобы решать задачи самостоятельно.

#Разработка_Агенты #Технологии_Безопасность

Не пишите каждый промпт с нуля. Meta-Prompting с XML работает лучше, чем ручная настройка

Если задача повторяется, языковой модели можно поручить не только её выполнение, но и подготовку инструкции для следующего запроса. Такой подход называют метапромптингом: пользователь описывает цель, ограничения и формат результата, а LLM превращает их в системный промпт для себя или другой модели.

ПРИМЕР ПРОМТА 👇
<role>
Ты проектируешь системные инструкции для языковых моделей.
</role>

<context>
Нужен многоразовый системный промпт для генерации SQL-миграций.
Целевая СУБД, её версия, текущая схема и описание изменений
будут передаваться как переменные.
</context>

<task>
Создай системный промпт, который будет направлять модель
при подготовке безопасной и воспроизводимой SQL-миграции.
</task>

<rules>
1. Учти диалект и версию СУБД.
2. Запрети модели придумывать отсутствующие таблицы и поля.
3. Если критически важных данных не хватает, потребуй уточнение.
4. Добавь проверку миграции на соответствие исходной схеме.
5. Целевая модель должна возвращать только SQL-код:
без Markdown, комментариев вне кода и дополнительных пояснений.
</rules>

<output_format>
Верни только готовый системный промпт.
Не объясняй, как он был составлен.
</output_format>

Метод удобен для повторяющихся задач: генерации кода и документации, извлечения данных, классификации обращений, подготовки отчётов и создания шаблонного контента. Особенно заметна польза там, где один и тот же промпт должен работать с разными входными данными. Но фраза «идеальный промпт за пять секунд» вводит в заблуждение. Генератор действительно ускоряет подготовку первого варианта, однако не гарантирует качество. Anthropic отдельно предупреждает, что автоматически созданные промпты не всегда дают идеальный результат и обычно требуют редактирования. Смысл метапромптинга не в том, чтобы полностью отказаться от работы над инструкциями. Он переносит усилия с подбора отдельных слов на более важные вещи: постановку задачи, определение ограничений и проверку результата.

p/s. Гайды в формате PDF от самих разработчиков будут высланы ниже — накидайте реакций, если нужно русифицировать ⬇️

#AI_Промпты

LOOP ENGINEERING — DEBUG & RECOVERY MASTER PROMPT

Промт, который реально помог мне зациклить бесплатный чат DeepSeek, найти реальную проблему в файле, получить сводку/анализ нерабочего (повторяющегося кода), исправить на рабочий +/- 15 мин работы внутри чата и приложение было полностью настроено исходя из моих устных пожеланий.

Промт прикрепляю ниже 👇

#Разработка_Агенты #AI_Промпты

Действительно ли работает моя программа по очистке Windows?

Да, программа работает, при чём очень шикарно. Раньше я просматривал очень много видео гайдов по освобождению диска/памяти на диске, и ни раз не находил подходящего видео или они встречались мне разные и каждый раз алгоритм менялся. С эпохой нейросетей я смог собрать себе такую программу, которая чистит только те файлы/папки, которые должны чиститься регулярно. Видос по работе прикрепляю в данном посте. Программа полностью бесплатная с открытым кодом на GitHub: https://t.me/dev_aitech_ru/126

#Разработка_Инструменты

Roo Code закрыт с 15 мая 2026. Новая ставка — Qwen3-Coder 30B в Ollama против облака

Один из самых популярных open-source coding-агентов последних двух лет официально мёртв. Репозиторий Roo Code был архивирован и переведён в режим read-only 15 мая 2026 года, финальным релизом стала версия v3.54.0, а платные сервисы Roo Code Cloud и Router отключены с возвратом неиспользованных балансов. Для тысяч разработчиков, собиравших локальный AI-кодинг по гайдам «VS Code → Roo Code → Ollama → Qwen2.5-Coder», это значит одно: пора пересобирать стек.

Классический аргумент за облачные сервисы вроде Cursor или Claude Code — они используют более мощные проприетарные модели, которые получают постоянные обновления и используют продвинутые механизмы рассуждения. Локальные модели открыты, но требуют больше технической подготовки для настройки, дебага и тюнинга.

Qwen3-Coder показывает значительную производительность среди открытых моделей в агентском кодировании, агентском использовании браузера и других фундаментальных задачах программирования. Модель обладает возможностями длинного контекста с нативной поддержкой 256K токенов, расширяемой до 1M токенов через Yarn, оптимизированной для понимания на уровне репозитория.