GitHub‑проект COS — это операционная система, написанная полностью на языке C. В репозитории лежит исходный код ядра, утилиты и сборочные файлы: 95% на C, немного ассемблера для низкоуровневых вещей, shell‑скрипты и линкер‑скрипт для сборки образа.​

В описании сказано, что система полностью на C, и явно указаны дефолтные учётные данные для входа: имя пользователя admin, пароль password. Это типичный для pet‑проектов подход: человек пишет ОС с нуля, чтобы разобраться, как работает железо, память, прерывания и всё остальное, что обычно скрыто за слоями абстракции.​

По структуре репо можно увидеть, что там есть исходники ядра, базовые драйверы, консольный ввод‑вывод и утилиты — минимальный набор, чтобы загрузиться и получить рабочую командную строку. Это не Linux и не готовое решение для продакшена, а скорее учебный стенд, где автор сам реализует каждый компонент, начиная от загрузчика и заканчивая менеджером памяти.​

Для разработчиков, которые хотят понять, как устроена ОС изнутри, это рабочий пример: можно склонировать репо, собрать образ, запустить в эмуляторе (QEMU/VirtualBox) и пошагово разбирать, как работает каждая часть — от установки стека и инициализации прерываний до работы с файловой системой и консолью.

@prog_stuff

Занятный проект на Python из категории «потому что могу»: Rubiksolver

Коротко: это десктоп-приложение, которое через веб-камеру считывает состояние перемешанного кубика Рубика и показывает пошаговое решение с анимацией в окне на PySide6 с отрисовкой через OpenGL и обработкой изображения в OpenCV. Проект позиционируется как учебный — подойдёт тем, кто хочет понять базовые приёмы компьютерного зрения и графики на практике.​

Сканирование: показываете камере по одной грани по заранее заданным правилам. После скана жмёте Play, чтобы запустить анимацию, или листаете шаги кнопками Previous/Next — так удобно проверять, что распознание и сама сборка идут корректно.​

Установка: клонируете репозиторий, выполняете uv sync для зависимостей и запускаете uv run rubiksolver — автор использует современный менеджер uv, так что установка занимает минимум времени.

Автор отмечает, что на Android встречаются решалки, но чаще всего там состояние кубика приходится вбивать руками, без автосканирования камерой — здесь как раз закрыта эта боль.

@zen_of_python

Интерн в TikTok частично переписал один из платёжных сервисов с Go на Rust: только самые горячие, CPU‑зависимые эндпоинты, остальное осталось на Go. В результате сервис стал обрабатывать примерно в 2 раза больше запросов на тех же vCPU, p99‑латентность упала примерно на 76%, а по оценкам команды это даёт порядка 300k долларов экономии в год на вычислительных ресурсах.​​

В подробном разборе автор рассказывает, как они выбрали архитектурный подход (отдельный Rust‑кластер под те же API, без изменений для апстрим‑сервисов), как проверяли корректность через проигрывание реального трафика в shadow‑режиме и как поэтапно раскатывали Rust‑версию в прод. Почитать можно в его статье «A Case Study in Rewriting a Critical Service in Rust» и посмотреть доклад «FH #278: Rewriting Services in Rust @ TikTok» — там разложено по шагам, когда имеет смысл трогать Rust и как делать такой частичный рерайтинг без боли.

Вы тоже сначала делаете cd в директорию, чтобы снизить уровень стресса в подобных командах?

Раз в полгода Бенедикт Эванс выпускает большую презентацию про стратегические тренды в техе, и осенний выпуск 2025 называется AI eats the world — 90 слайдов про то, как ИИ «съедает» инфраструктуру, платформы и продуктовые стратегии. В докладе он разбирает текущее ралли вокруг генеративного ИИ как новый платформенный сдвиг: взлёт капексов на дата‑центры, поиски рабочих бизнес‑моделей и то, что сами модели всё больше становятся коммодити, а реальная защита лежит в данных, интеграции и дистрибуции.​

Если интересен взгляд «с высоты» на то, куда всё это катится, очень советую просто пролистать слайды.

P.S. Бенедикт Эванс — независимый аналитик по технологиям из Лондона, который больше 20 лет занимается разбором рынков мобильной связи, медиа и софта, раньше был партнёром венчурного фонда Andreessen Horowitz в Кремниевой долине, а сейчас ведёт большую рассылку и два раза в год делает обзорные презентации про то, что происходит в техе и AI.

@neuro_channel

Разбор четырёх способов организовать код: монорепа, набор отдельных репозиториев, git submodule и git subtree, с примерами, когда каждый вариант имеет смысл. Автор коротко объясняет, как каждый из этих подходов работает на уровне Git и что вы выигрываете или теряете, выбирая один из них.​

Ключевая мысль: нет «правильного» ответа для всех — монорепа обычно упирается в инфраструктуру (сборки, CI, инструменты), а мульти‑репо усложняет жизнь продуктовым командам и сопровождение кросс‑репозиторных изменений. Выбор сильно зависит от того, как у вас устроены релизы, насколько связаны между собой сервисы и кто будет платить цену за усложнение — платформа или продукт.​

Подробнее в статье или прикреплённой PDF-ке, если не откроется.

@prog_stuff

В пятницу прошла конфа AI Journey 2025. Выделил три доклада, которые есть смысл посмотреть. Ссылки ведут сразу на нужный тайм-код.

1️⃣Успехи и проблемы больших языковых моделей — Иван Оселедец [01:47:24]
Очень прикладной доклад о том, как сегодня реально строят и запускают LLM: параметры, стоимость GPU, приёмы ускорения вроде FlashAttention и Mixture-of-Experts, а также инженерные компромиссы в продакшн‑инференсе. Плюс есть рассуждения про открытые модели, open‑source стек и про то, куда всё движется с точки зрения reasoning и качества на задачах вывода.​

2️⃣Надежность современных больших языковых моделей через призму анализа паттернов внимания — Евгений Бурнаев [07:42:54]
Фокус на том, как по паттернам attention судить о надёжности LLM: где зарождаются галлюцинации, как выглядят смещённые ответы и какие сигналы можно использовать для оценки доверия к выводу модели. Отдельно поднимаются темы bias, alignment и влияния квантования/FP16 на поведение модели, плюс обсуждаются идеи self‑check поверх GPT‑подобных систем.​

3️⃣Автоматизированное проектирование алгоритмов искусственного интеллекта — Е Тянь [07:13:55]
Для тех, кто любит AutoML и мета‑оптимизацию: про подходы, где алгоритмы и архитектуры подбирает уже сам ИИ, а не человек, и как это может выглядеть в реальных задачах. Отлично ложится на интерес к автоматизации всего ML‑пайплайна.

@neuro_channel