⌨️Найдорожча помилка розробника у 2026 — вчити те, що вже вміє AI.

AI не замінить розробників.

Але він уже замінює тих, хто не розуміє, як будуються AI-системи. Питання лише в тому, чи встигнете ви адаптуватися.

За останні пів року вимоги до Senior+ рівня змінилися радикально. Ось мій roadmap на карті вище — орієнтир, куди вкладати час, поки вікно можливостей відкрите, а конкуренції в цих темах ще мало.

⏺Svelte, який рахує токени.
⏺Python, що втрачає агентів.
⏺Аудит, якого ще не було.

Повний розбір — на DOU
🔗 https://dou.ua/forums/topic/60053/

#js_ai_trends

👀Як взагалі можна спалити 158 000 токенів там, де вистачає 2 800?

Дуже легко. Показую.

Той самий код, ті самі 212 дублікатів. Один інструмент пошуку копіпасту віддає AI звіт на 2 800 токенів, інший — на 158 000.

Різниця — це ваші гроші, спалені на токенах.

Проблема:
Більшість інструментів видають «важкі» звіти, не оптимізовані для LLM — величезні JSON або неструктуровані дані. Вони забивають контекстне вікно, сповільнюють відповідь і роздувають вартість кожного запиту.

А тепер наочно. Ефективність на 212 клонах:

🔴 Гроші на вітер — не для LLM:

• Duplo — 158 000 токенів, величезний JSON із купою false positives
• PMD CPD — 21 000 токенів, розкидані по 34 файлах

🟡 Частково придатні:

• Simian — 15 000 токенів, без структурованих метаданих
• Fallow — 400 токенів, та це не економія: він просто бачить мізерну частину коду

🟢 Готові до роботи з AI — економно:
• jscpd@5 — 2 800 токенів
• jscpd@4 — 2 700 токенів
• jscpd-rs — 3 000 токенів

У jscpd є окремий флаг --reporters ai — компактний звіт без зайвого шуму, створений саме для AI-пайплайнів.

⚠️ Важлива ремарка:
Токени на клон не можна порівнювати між інструментами напряму — кожен визначає «клон» по-своєму. Порівнюйте лише всередині однієї групи.

Висновок:
Коли звіт іде в LLM, його розмір — це прямі витрати вашого часу й бюджету. Той самий результат можна віддати економно або спалити на ньому гроші. Обирайте інструменти, які поважають ваш токен-ліміт.

Це друга з трьох частин про порівняння Copy-Paste Detector (CPD) інструментів. Частина 1 — про швидкість. Далі — як інструменти бачать дублікати між різними форматами файлів.

🔗 Бенчмарк токенів: jscpd.dev/benchmarks/ai-token-efficiency
💻 GitHub: github.com/kucherenko/jscpd
☕ Підтримати: opencollective.com/jscpd

#TokenEconomics #LLM #CopyPasteDetector #jscpd

🔴38% зайвих токенів і втрачених грошей на кожному запиті до AI — через ваш фреймворк. Саме стільки коштує вибір «не того».

Я перевірив ті самі компоненти — від hello до таблиці з фільтром — і написав їх на кожному фреймворку. Однакова функціональність, один токенізатор:

🟢 Svelte — 598 токенів
🟡 React — +25%
🔴 Angular — +38%

+38% — це не про стиль коду. Це рядок у вашому рахунку за API. Бо код тепер читають не люди, а агенти — тисячі разів на місяць. На кожному рев'ю, кожному «полагодь оце», кожному прогоні ви платите за зайве знову і знову.

А тепер парадокс, який ламає інтуїцію. У Svelte НАЙГІРШЕ стиснення у всій групі — його синтаксис погано лягає в токенізатор. І він однаково виграє. Чому? Бо коду треба менше: ти пишеш count++ — решту добудовує компілятор. У React ти пишеш ту саму сантехніку руками. І платиш за кожен символ.

Висновок простий: усе, що ви пишете явно — має ціну. Усе, що виводить компілятор — безкоштовне.

#TokenEconomics #LLM #Svelte #React #Angular

Повне дослідження — таблиці в доларах по 10 моделях 👀у статті на Hacker Noon

Це частина 1 з 5. Далі — мови, де анотації типів у TypeScript додають +63% до ціни за ту саму логіку 👀

🗣Дайджест тижня. Не новини заради новин - 5 речей, які можна застосувати в роботі вже зараз 👇

🛡 OWASP випустив Top 10 загроз для LLM

Окремий Top 10 для LLM (з 18.11.2024), у 2025-2026 став обов'язковим, як веб-Top 10. Prompt injection - на 1 місці другий рік поспіль.

✅ Перед тим як пускати агента в робоче репо: постав human-approval на деструктивні команди (видалення, push у main) і обмеж доступ агента до прод-середовища.

💸 GitHub перевів Copilot на оплату за токени

З 1 червня всі плани Copilot рахують AI Credits за токенами (1 кредит = $0.01). Code completions лишились безкоштовними.

✅ Розділи задачі за вартістю: дешеві моделі на рутину (тести, доки, рефакторинг), флагмани - лише на архітектуру. Інакше рахунок наприкінці місяця здивує.

📄 Формат правил проекту AGENTS.md підтримали OpenAI, Google (Jules), Cursor і Factory

Замість зоопарку (CLAUDE.md, .cursorrules, свій файл у Copilot) - один файл, який розуміють Codex, Gemini, Aider, opencode. 60k+ проєктів, курує Agentic AI Foundation (Linux Foundation).

✅ Поклади в корінь репо AGENTS.md зі стандартами (naming, структура, патерни, тести). Claude Code поки не читає його нативно - роби симлінк CLAUDE.md на нього.

🐙 OpenCode - один із найпопулярніших open-source агентів (170k+ ⭐ на GitHub)

Термінальний агент під MIT, 75+ провайдерів, LSP-діагностика повертається в модель після кожної правки.

✅ Не хочеш залежати від одного вендора - постав OpenCode і підключи свої моделі (хоч локальні через Ollama).

🤖 GitHub відкрив Copilot SDK для всіх

2 червня. Агентний рушій можна вбудувати у свої тули: повний runtime (планування, тули, правки файлів, MCP), 6 мов, підписка не потрібна.

✅Робиш внутрішні тули - збери на ньому CI-асистента, генератор release notes чи review-бота, не пишучи власну оркестрацію.

Що з цього вже у твоєму процесі?

👍 - працюю так, не новина
👀 - забираю собі кілька пунктів

#dev_digest

6 курсів про те, як працювати з AI правильно (а не просто швидко) ⚡

Частина 4: AI Fluency

Не про код. Про те, як вбудувати AI в роботу команди — ефективно, етично і без хаосу. Для тих, хто впроваджує, а не лише користується 👷‍♂️.

🥷 Anthropic: фреймворк AI Fluency — Системний підхід до співпраці людини й AI

1️⃣ AI Fluency: Framework & Foundations

2️⃣ AI Fluency for Educators

3️⃣ Teaching AI Fluency 📚

⚖️ Етика та відповідальність
Де межі, ризики й сліпі зони

1️⃣ LinkedIn: Ethics in the Age of GenAI

2️⃣ Google: Introduction to Responsible AI

3️⃣ Google: Responsible AI - Applying AI Principles

Корисно не лише інженерам, а й тімлідам та всім, хто веде команду в AI

Ваша думка: «Хто має відповідати за етику AI у продукті?»

👍Компанія і чіткі правила
🧑🏼‍💻Кожен інженер особисто на своєму рівні

👀 Серія «50 безкоштовних AI-курсів»:

▪️ Для інженерів
▪️ Старт з нуля
▪️ Промпт-інжиніринг
▪️ AI Fluency (ви тут)
▪️ Cloud & ML Ops

#free_ai_learning

👀Де Senior та архітектор беруть технічний контент - 5 джерел, які можна застосувати вже зараз👇

Проблема не в нестачі відео. Його забагато. Проблема в тому, що значна частина «технічних доповідей» - маркетинг. Я свого часу витратив чимало годин, поĸи відсіяв зайве. Ось що лишилось.

1. InfoQ / QCon - архітеĸтурний хардĸор

Записи доповідей QCon: як Netflix, Shopify, LinkedIn вирішують реальні задачі масштабування. Принцип заявлений прямо: «patterns and practices, not products».

✅ Підпишись на трек, а не на ĸонференцію. Шукай Architecture, Distributed Systems, Observability - і пропусĸай усе з Introduction чи 101.

2. CNCF / KubeCon - база для хмар

Якщо ви в Kubernetes чи міĸросервісах - більшість сесій виĸладені онлайн безкоштовно.

✅ Не намагайся подивитися все. Візьми один трек (наприклад, platform engineering) і пройди його доповіді поспіль - так складеться ĸартина, а не уривĸи.

3. 🇺🇦 DOU - календар подій

Українська сцена: конференції, мітапи, онлайн-події. Зручний фільтр за форматом і темою, видно, що відбувається тут і зараз.

✅ Постав фільтр «online» - так не прив'яжешся до міста й не пропустиш події, які можна слухати з будь-де. Заходь раз на тиждень, а не полюй за анонсами в чатах.

4. Lu.ma - сучасні мітапи

Тут проходять події з AI, System Design, Infrastructure. Зручніше стежити за спільнотою, ніж за назвами ĸонференцій.

✅ Став фільтр на старті: дивись на спіĸерів. Контриб'ютори open-source? Працюють там, де є складні виĸлиĸи (Uber, Airbnb, Netflix)? Якщо ні - проходь повз.

5. LeadDev / LDX3 - для переходу в Lead

Доповіді про роботу з ĸомандами й технічну ĸультуру. Доступні в записах.

✅ Якщо плануєш у Lead чи Engineering Manager - не чеĸай підвищення, щоб почати. Дивись ці доповіді зараз, щоб зайти в роль підготовленим.

Головне: підписĸа на одне перевірене джерело б'є хаотичний пошуĸ. Обираєш фільтр один раз - далі він працює за тебе.

А де берете контент ви?

👍 - користуюся цими, не новина
👀 - забираю собі кілька джерел

#dev_digest

👀 Як перевести проект на Rust-тулінг за вихідні

JS у AI-епоху · тренд 1 з 10

Rust-based тулінг став дефолтом, а швидкий пайплайн = агент не чекає = менше токенів. Тепер конкретика - що і як замінити, без болю і з можливістю відкату.

1. Лінтер + форматтер: ESLint + Prettier → Biome

Два інструменти, два конфіги, два проходи по коду - в один бінарник. Biome дає ~97% сумісності з Prettier і працює у 25-35 разів швидше.

Міграція автоматична:

npm install --save-dev --save-exact @biomejs/biome
npx @biomejs/biome migrate eslint --write
npx @biomejs/biome migrate prettier --write

Команди читають ваші .eslintrc і .prettierrc та переносять правила в biome.json. У кінці інструмент покаже, який відсоток правил відтворено - рішення приймаєте за даними, не наосліп.

Перевірка: biome check . замість окремих lint і format.

2. Рантайм + менеджер пакетів: Node.js → Bun

Bun стартує миттєво (немає startup overhead) і ставить залежності в рази швидше. Почніть з малого: bun install замість npm install у pet-проекті. Більшість npm-скриптів працюють без змін.

Що варто знати до переходу:

Biome гірше покриває Vue, Markdown, YAML - якщо їх багато, лишіть для них Prettier, а Biome дайте на JS/TS. Гібрид теж робочий.

Bun у проді ще не для всіх кейсів - перевірте свої нативні залежності.
Усе оборотне: конфіги ESLint/Prettier не видаляйте відразу, тримайте тиждень паралельно.

🗣Чому це не просто "модно":

Коли CI летить за 30 секунд замість 5 хвилин, міняється сам ритм роботи. А якщо у вас агент ганяє pipeline на кожен PR - він не простоює в очікуванні, і ви не палите токени на чекання.

Дія на вихідні: візьміть один pet-проект, проженіть три команди вище, запустіть biome check. Півгодини - і ви всередині теми, про яку у 2026 питатимуть на співбесідах.

Що у вашому стеку?
🔥 Biome · 👏 Bun · ⭐ обидва · 👀 ще ні

#js_ai_trends

🔵TypeScript «з'їдає» на 63% більше LLM-токенів, ніж найощадливіша мова з тих, що я тестував — і на 31% більше, ніж звичайний JavaScript.

За ту саму логіку.

Зі статті ви дізнаєтесь:

→ чому найощадливішою виявилась мова, про яку ніхто не чув
→ чому JavaScript і TypeScript стискаються найкраще — і все одно програють
→ як за 4 рядки коду виміряти цей податок на власному репозиторії

Друга частина «Tokenomics of Web Development» вже на HackerNoon

Прогнав ідентичний код через tiktoken на п'яти мовах — JavaScript, TypeScript, CoffeeScript, Civet і ZeroLang. Ті самі задачі, ті самі алгоритми, ідіоматичний код, без трюків на скорочення.

І одразу: це не заклик кидати типи, вони ловлять реальні баги. Це про дещо інше — про те, хто тепер читає твій код.

Читайте та рахуйте свій токен-податок на власному коді👀

#TokenEconomics #LLM

CoffeeScript - мова, яку списали років 10 тому, раптом виявилася 2 з 5 за дешевизною для LLM:

ZeroLang — 231 токен
CoffeeScript — 239
JavaScript — 287
Civet — 320
TypeScript — 377

Пам'ятаєте, за що його списали? Синтаксичний цукор, жодних типів, «мова для лінивих». Стрілочні функції з нього переїхали в сам JS — і на цьому подяки скінчилися. Відсутність типів стала ахіллесовою п'ятою, і індустрія пішла далі без нього.

👀А тепер незручна частина. CoffeeScript справді писали ліниві розробники для лінивих — щоб менше друкувати. Десять років це було звинуваченням. Сьогодні за клавіатурою дедалі частіше агент, і кожна пропущена фігурна дужка, кожна викинута крапка з комою — це токен, який модель не перечитує на кожному проході.

Лінь, за яку соромили, стала стратегією.

Патерн стабільний по всьому дослідженню: синтаксис на відступах послідовно б'є синтаксис на дужках. Дужка — токен. Крапка з комою — токен. Відступ — безкоштовний.

Повертатися на CoffeeScript не варто — екосистема давно не розвивається, а нетипізовані бази боляче масштабуються. Але патерн, який він уособлює, — саме те, до чого сходиться дизайн AI-first мов.

Іноді старі ідеї просто чекають свого часу.

Усі цифри й повний розбір тут🔖

☁️ 12 безкоштовних курсів для тих, хто будує AI на хмарі

Частина 5: Cloud & ML Ops.

Фінал серії. Прикладне для тих, хто деплоїть моделі в продакшн на AWS, Azure чи GCP.

🟧 Amazon AWS
Від основ GenAI до ML-моделей у проді

1) GenAI Learning Plan
2) GenAI for Decision Makers
3) Low-Code ML on AWS
4) Amazon Transcribe: Getting Started
5) Machine Learning Learning Plan

🟦 Microsoft Azure
Готовий стек для корпоративного AI

1) Azure OpenAI Service
2) Azure AI Services + Power Virtual Agents
3) Custom ML Models
4) Master Azure AI Fundamentals

🟩 Google Cloud
Генеративка на інфраструктурі Google

1. Introduction to Image Generation
2. Introduction to Vertex AI Studio
3. Generative AI Explorer - Agent Platform

⚠️ Частина курсів потребує хмарного акаунта; окремі лаби можуть витрачати кошти на інфраструктуру.
💬💬💬💬💬💬💬💬💬
Серія «50 безкоштовних
AI-курсів» - повна карта:
💬💬💬💬💬💬💬💬💬
▪️ Для інженерів
▪️ Старт з нуля
▪️ Промпт-інжиніринг
▪️ AI Fluency
▪️ Cloud & ML Ops (ви тут)
💬💬💬💬💬💬💬💬💬
🔖Зберігайте цей пост - звідси відкривається вся серія 🔖

TypeScript 7.0 - найдивніший major-реліз, який я бачив за 24 роки в розробці:

⏺список нових можливостей мови — майже порожній
⏺жодного нового оператора, нічого нового в системі типів

🔵І водночас це найбільша зміна в TypeScript з 2012 року - весь компілятор переписали з TypeScript на Go.

🔵Результат: тайпчек у 8–12 разів швидший. Кодова база VS Code — 1,5 мільйона рядків — раніше проходила повну перевірку за 77,8 секунди. Тепер за 7,5.

Ключове тут — це порт, а не переписування. Команда взяла старий компілятор і перенесла його на Go файл за файлом. Ті самі алгоритми, та сама семантика типів. Ваш код, який компілювався на 6.0, поводитиметься так само на 7.0.

Рідкісний випадок, коли велика компанія втрималася від спокуси «заодно зробити краще» - і саме тому це спрацювало.

Хто вже оновився?
Так👍. Ні 😱. Планую🔥

#typescript

🔵Уявіть, що кожен пристрій у домі має свій унікальний роз'єм

Зарядка телефона не підходить до планшета, навушники - тільки до однієї моделі, а новий гаджет вимагає бігти по черговий перехідник. 🔵Саме так виглядала інтеграція AI-агентів з інструментами до кінця 2024.

Потім Anthropic відкрив Model Context Protocol - і дав екосистемі USB-C.

⏺Один роз'єм, через який будь-який агент під'єднується до будь-чого: вашої бази, API, dev-tool.
⏺Підняв MCP-сервер один раз - і тебе бачать усі: Claude, Cursor, Copilot.
⏺Не треба писати окрему інтеграцію під кожного.

За рік стандарт підхопили провідні AI-компанії — від OpenAI до Google.

❔Чому це не просто зручність, а виживання продукту:

Агенти все частіше самі обирають, який інструмент узяти під задачу. І беруть з того, що вміють викликати.

💬Якщо ваш продукт не говорить мовою MCP - для агента його не існує. Як сайт без SEO у 2010-х: начебто є, а в пошуку порожньо.

Тому вміння підняти власний MCP-сервер на TypeScript - це вже не екзотика, а базова навичка рівня "вмію писати REST endpoint" зразка 2015. Найближчим часом без неї на серйозний проект складно буде зайти.

Я зробив MCP-сервер для свого copy paste detector - агент викликає його напряму й отримує компактний звіт під свій контекст. Кілька годин роботи - і інструмент усередині агентного воркфлоу. Якщо у вас є dev-tool, це найшвидший спосіб зробити його помітним для агентів.

🔔Стартер-пак для тих, хто хоче пощупати MCP руками вже сьогодні:

🛠 Офіційний TypeScript SDK
🚀 Quickstart (як підняти свій перший сервер за 10 хв)

#js_ai_trends

🧩 Навіщо Agent Skills, якщо є MCP?

Бачу це питання постійно. Щойно опанували MCP - виходить другий стандарт від Anthropic - Agent Skills - і виникає відчуття, що це конкуренти й треба обирати один.

👀Ні. Вони про різне.

🔖MCP - це доступ.

Типізований канал до зовнішньої системи: бази, API, внутрішнього сервісу. Відповідає на питання "до чого агент під'єднаний". І це ще про контроль: коли ви даєте доступ до бази, MCP-сервер дозволяє налаштувати авторизацію і ліміти - що саме агент може читати чи писати. Skill так не вміє, бо це просто інструкція.

🔖Skill - це процедура.

Папка з файлом SKILL.md та опціональними скриптами. Вчить агента, ЯК робити конкретну роботу: як провести код-рев'ю, як зібрати звіт. Відповідає на питання "як саме агент це робить". Працює кросплатформно: Claude Code, Codex, Gemini CLI, Cursor.

🗣Просте правило вибору:
Потрібен доступ до системи без кастомної інтеграції - MCP.
Треба зафіксувати повторюваний процес і планку якості - Skill.

І головне: це не "або-або", вони закривають різні діри. На своєму copy-paste detector я зробив обидва. MCP-сервер дає агенту доступ викликати детектор напряму. Skill пакує процес - коли запускати перевірку, як читати звіт. Разом - і "доступ", і "процедура".

⏺Чому Skills швидко набирають популярність: вони ідеально лягають у звичний цикл розробки. SKILL.md живе прямо в репозиторії поруч із кодом - код змінився, оновили інструкцію для агента тим самим комітом.

Оновлення MCP-сервера - це вже окремий DevOps-процес. Плюс скіл простіше зробити (це файл, не сервер) і простіше поширити: кинув папку в репо, і всі агенти підхопили.

З чого почати: напишіть один SKILL.md за гайдлайнами Anthropic - опис-тригер, progressive disclosure, scoped tools. Швидше за MCP-сервер, а ефект на консистентність агента видно відразу.

Що вже у вас -
MCP👍, Skills🔥, обидва👀?

#js_ai_trends

🗣TypeScript стає основною мовою агентних фреймворків?

Ще рік тому побудувати AI-агента означало майже завжди одне - Python-стек: LangChain, LangGraph, CrewAI. JS-розробник заходив у цю тему гостем. Зараз баланс зміщується.

⏺У жовтні 2024 троє ex-Gatsby запустили Mastra - open-source TypeScript-фреймворк для агентів. У 2026 закрили Series A на $22M, загальне фінансування $35M.

🔵Mastra надає все, за чим раніше йшли в Python: agents, tools, workflows, memory, RAG. У незалежних тестах на developer experience обходить LangChain, а setup займає хвилини.

І це не випадковий злет одного проекту, а логіка екосистеми. Усе, що оточує агента, вже живе в JS/TS - frontend-агенти, MCP-сервери, генеративний UI. Логічно, що й самі фреймворки переїжджають туди, де цей код. TypeScript стає повноцінною мовою агентів, а не запасною.

Це не про "Python помер". Він лишається сильним у ML, тренуванні моделей і data science - там його позиції міцні.

🔵Мова про інше: шар застосунків навколо агентів дедалі частіше будують на JS/TS. І якщо ви вже там - вам не треба мігрувати в Python, щоб робити агентів.

🗣Як перейти від теорії до практики? Візьміть Mastra або Vercel AI SDK і зберіть свій перший workflow з memory і tool-calling за вечір. Це найшвидший спосіб перейти з пасивного читача статей в інженера, який реально будує агентів - поки конкуренції в темі мало.

На чому ви будуєте агентів - TS 🔥чи Python❤️?

#js_ai_trends