👀 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

🔵 У TypeScript 7.0 є наслідок, якого немає в жодному розборі релізу. І він, можливо, важливіший за всі бенчмарки.

Основним читачем коду поступово стає не людина, а агент🔵

Claude Code і аналоги працюють циклом: згенерував зміну - тайпчек - прочитав помилки - виправив - знову тайпчек.

У великій кодовій базі кожна ітерація впиралася в ті самі 60–80 секунд роботи компілятора.

Тепер цей крок коштує секунди. На кодовій базі VS Code перевірка типів впала зі 125 секунд до 10 (Microsoft заявляє 8-12x, незалежні тести - 4-7x).

Що це означає для економіки агентної розробки? Більше ітерацій за той самий бюджет? Чи цикл впреться в наступне вузьке місце - швидкість моделі?

Схоже, саме впреться: коли пайплайн упирається в I/O, виграш ближче до 28%. Компілятор більше не гальмо - гальмом стає щось інше.

Але напрямок ясний: швидкість тулчейну стає фактором вибору стеку для агентів - нарівні з ціною токенів. Раніше ми дивилися на мову очима людини: синтаксис, DX, екосистема. Тепер додається ще одна оптика - як швидко тулчейн віддає фідбек агенту.

А ви помічали це на своїх агентах?
🔥 - так, чекання компілятора зжирає цикл
👀 - не міряв, але цікаво

#typescript

Будувати агентів, не виходячи з Next.js - тепер реально

Vercel випустив eve - фреймворк для агентів під слоганом «Next.js для агентів».

🗂Весь агент живе однією папкою у твоєму ж проекті: не треба окремий Python-стек, не треба вчити нову інфру.

Один файл

instructions.md

- і агент працює.

Усе інше - опційні блоки:

skills/ 

- Markdown-плейбуки, підвантажуються лише коли релевантні

tools/ 

- кидаєш TS-файл, назва файлу стає назвою тулу, без реєстрації

subagents/ 

- делегування спеціалізованим агентам

channels/ 

- той самий агент у Slack, Discord, Telegram

schedules/ 

- агент за розкладом (звіти, дайджести)

🟡Готове до проду

Durable execution (воркфлоу переживають краші, кожен крок чекпоінтиться), ізольовані сендбокси, human-in-the-loop, evals. Нативно вбудовується в Next.js.

🟡Self-host

Побудований на open-source SDK. Postgres для durability, Docker для сендбоксів, нуль managed-залежностей.

Тренд той самий: шар навколо агентів переїжджає в JS/TS. Якщо ти вже у Next.js - агент тепер живе в тому ж проекті.

🗣Гляньте самі: https://eve.dev

Пробував eve чи лишаєшся на Mastra/ Vercel AI SDK?
🔥 - цікаво, спробую
👀 - поки дивлюсь
#js_ai_trends

🍋🍋jscpd перетнув
2 000 000 завантажень на тиждень у npm

⏺13 років розвитку open-source copy-paste detector.
⏺223 мови програмування.
⏺Нове Rust-ядро — приблизно у 50 разів швидше за попередню реалізацію.

Більшість цих запусків відбувається у CI: на кожен pull request, у тисячах командних pipeline.

Дякую кожному, хто використовує jscpd для контролю якості коду та інтегрував його у свій workflow ☺️

github.com/kucherenko/jscpd

🟡4 мільйони токенів на одну задачу

🟡Стільки в середньому витрачає AI-агент, коли вирішує інженерний таск у реальному репозиторії (за даними вимірювань на SWE-bench Verified).

📖 Найбільше токенів AI витрачає не тоді, коли пише код, а тоді, коли його читає.

🗣 Ваші файли. Імпорти. Конфіги. Тести. Вивід лінтерів.

У вашого коду з'явився новий читач — AI-агент.

І кожне прочитання має ціну.

Саме про це й написав у новій статті на DOU. Усередині:

🗣як токен пройшов шлях від жетона до сировини інтелекту
🗣чому токени дешевшають, а витрати на AI ростуть
🗣чому найдорожча фаза розробки — не написання коду
🗣чому більше агентів не завжди означає кращий результат
🗣що таке token debt і чому компілятор його не бачить
🗣де ховається найдорожчий рядок у вашому рахунку

Читайте на DOU:
https://dou.ua/forums/topic/61047/

#TokenEconomics #TokenDebt #LLM

😒 Як безкоштовно отримати Claude Max 20x від Anthropic — тариф за $200/місяць на шість місяців.

У липні Anthropic розширила програму Claude for Open Source.

Тепер шанс отримати її мають не лише топові мейнтейнери.

Хто підходить (достатньо навіть одного пункту):

⏺мейнтейнер бібліотеки:

500+ залежних репозиторіїв, 100+ залежних пакетів або 200 000+ завантажень на місяць (npm, PyPI, crates.io, RubyGems);

⏺core-контриб'ютор:

коміти в CPython, Rust, Node.js, Kubernetes, Linux kernel, Django, Rails тощо;

⏺активний контриб'ютор:

100+ змержених PR у чужі репозиторії за рік;

⏺комьюніті-білдер:

репозиторій із 20+ зовнішніми контриб'юторами за рік;

⏺критична інфраструктура:

OpenSSF criticality score 0.4+.

💬Не потрапляєш у жодну категорію - подавайся все одно й опиши проект. Anthropic це окремо дозволяє.

🟡Я подавався з jscpd - і пройшов. За завантаженнями з npm він проходить під перший критерій із великим запасом. Все працює.

Жорсткого дедлайну немає, але заявки розглядають на роллінг-основі, і в минулій хвилі набір закрився по досягненню ліміту в 10 000 місць.

Тягнути сенсу немає:
https://claude.com/contact-sales/claude-for-oss

Спробуєш податися?
🔥 - так, мій проект проходить
👀 - збережу, подумаю

🔗Genkit — AI-фреймворк від Google, що працює у проді Firebase

Це production-фреймворк для AI-застосунків, який Google вже кілька років розвиває і використовує у власному проді - не демо і не пет-проект.

Через один підхід: structured output, tool calling, RAG, мультимодальність і agentic workflows. Плюс єдиний інтерфейс до моделей - Google, OpenAI, Anthropic, Ollama.

Що виділяє Genkit:

⏺JS/TS і Go - production-ready (Python - у beta). Мультиязичність, якої немає у більшості фреймворків
⏺локальний Developer UI: трейси виконання, порівняння моделей і дебаг AI-flow наживо
⏺production observability з коробки: latency, errors, usage metrics
⏺деплой без прив'язки до Google: Firebase, Cloud Run або власна інфраструктура
⏺інтегрується з Next.js, React, Angular, iOS, Android та серверними застосунками

Genkit закриває не тільки агентів. Це фреймворк для AI-застосунків загалом: чат-ботів, RAG-систем, автоматизацій і складних AI-workflow.

Якщо потрібен production-ready інструмент без lock-in на одну модель чи провайдера - Genkit є одним із найсильніших варіантів.

⭐️ 6.3k зірок на GitHub, Apache-2.0.
https://github.com/genkit-ai/genkit

Що використовуєш для AI-застосунків?

🔥 - Genkit уже у стеку
👀 - подивлюся ближче

#js_ai_trends

OpenSSF Criticality Score - що це таке та для чого його вимагають в open-source програмах?

Anthropic надає розробникам безкоштовний доступ до тарифу Claude Max (із лімітами 20x) на 6 місяців.

Однією з офіційних вимог для категорії Critical Infrastructure є наявність OpenSSF Criticality Score 0.4 або вище.

Що це взагалі таке?

1) Офіційний проект Open Source Security Foundation (алгоритм розробив Rob Pike).

2) Метрика, яка варіюється від 0 (least-critical) до 1 (most-critical). Чим вище бал — тим важливіший проект для всієї open-source екосистеми.

👀Алгоритм аналізує характеристики репозиторію та активність навколо нього.

Зокрема враховуються:

⏺ вік проекту;
⏺ частота комітів;
⏺ кількість контриб’юторів;
⏺ кількість організацій серед контриб’юторів;
⏺релізи;
⏺активність із закриття issue;
⏺ згадки про проект у commit messages інших проектів.

Ці показники зводяться у підсумковий score від 0 до 1.

Інструмент ossf/criticality_score дозволяє розрахувати score для GitHub-репозиторію. Даєш посилання - отримуєш цифру. Корисно не лише заради грантів: видно, наскільки твій код впливає на екосистему.

👀Порахувати:
https://github.com/ossf/criticality_score

Перевіриш свій проект?
🔥 - цікаво, яка в мене цифра
👀 - збережу на потім

#js_ai_trends