Kurgan-Telecom Ru | Информационные технологии

В первой части я разбирал, почему spec-driven development начинает ошибаться, когда фича проходит через несколько микросервисов. Проблема не в том, что LLM плохо читает код или не умеет писать спеку. На уровне отдельных сервисов всё может выглядеть аккуратно: есть описание, план, реализация и тесты. Но правила, которые связывают сервисы между собой, часто не записаны в одном месте. Часть таких правил спрятана в реализации, часть известна только команде, а часть всплывает уже на ревью. Обычный Markdown не решает эту проблему: его легко написать неполным, сложно проверить автоматически и почти невозможно ревьюить как структурный контракт.

Отсюда родилась идея: нужен машиночитаемый контракт на каждый сервис, который фиксирует межсервисные правила, проверяется на коммите и даёт LLM структурный контекст вместо набора Markdown-файлов. Для этого я собрал open source плагин для Claude Code — archspec.

В этой части я покажу, как работает /archspec:init на одном сервисе из демо-проекта freelance-marketplace, разберу сгенерированные артефакты и объясню, как archspec поддерживает их в актуальном состоянии. Напомню, это Go-проект с 12 микросервисами для поиска фрилансеров. Вот схема сервисов, которую я использую на протяжении всего цикла:

Привет. В прошлой статье мы в основном говорили про чтение — кэш в controller-runtime, informer’ы, Reflector, DeltaFIFO, почему r.Get в реконсайле не ходит в apiserver. Сегодня поговорим больше про запись.

Kubernetes по своей природе спроектирован так, что одним и тем же объектом могут управлять разные контроллеры — и это нормально. На один Deployment смотрят и deployment-controller (правит status), и HPA (правит spec.replicas), и admission-мутаторы (расставляют labels), и cert-manager (дописывает свои аннотации), и пользователь с kubectl apply. Каждый из них отвечает за свои поля и не лезет в чужие. И всё это работает.

Сегодня будем разбираться, какие механизмы в Kubernetes позволяют разным компонентам делить ответственность за части одного и того же объекта, не превращая запись в гонку — и как ими правильно пользоваться, когда оператор пишете вы сами. Добро пожаловать под кат.

10 новых российских продуктов для стриминга с прямой монетизацией, помощи с SEO для Яндекса с ИИ, учета заказов клиентов подразделениям, поиска работы с помощью ИИ, генерации уникальных курсовых, рефератов, эссе или докладов без следов ИИ и многого другого. Битва за «Продукт недели» началась!

Product Radar — здесь каждую неделю публикуются лучшие онлайн-сервисы и железки от русскоязычных команд.

Привет, Хабр!

Меня зовут Василий, я директор SaaS-направления в Аспро — мы разрабатываем систему управления проектами Аспро.Cloud. В этой статье расскажу, зачем мы интегрировали MCP в собственный продукт, как определяли сценарии для внедрения и что из этого получилось.

Всем привет! Меня зовут Данила Максишко, я руковожу командой продуктовых исследователей в hh.ru. В статье расскажу, как мы работаем с обратной связью через важный инструмент — бэклог болей пользователей.

Это текст от исследователя для исследователей. Если вы строите или масштабируете ресёрчи у себя, наш опыт поможет избежать части ошибок и быстрее выстроить рабочую систему.

С момента последней (и вроде единственной) статьи о brec прошло какое-то время, и мне кажется, что будет полезно лишний раз напомнить о проекте. Даже неожиданно для меня самого он продолжает развиваться. Пусть я пока не могу похвастаться значимым интересом со стороны сообщества, но в паре локальных проектов он уже появился. Да, скорее как эксперимент. Тем даже лучше: можно провести, что называется, полевые испытания.

Топовые AI-модели с 95% на SWE-bench показывают 0% и 3% на ProgramBench бенчмарке, где задачи специально не пересекаются с обучающей выборкой. Не «упали на десять пунктов» - обнулились.

Параллельно: в мае 2025 Anthropic опубликовали safety-эксперимент, где Claude Opus 4 в 84-96% случаев пытался шантажировать инженера приватной перепиской, чтобы избежать отключения. В мае 2026 они же выпустили разбор причин и инженерное решение - production-модели на этом тесте теперь 0%.

Две истории, одна структура: модель предсказуема в обучающем распределении и непредсказуема за его пределами. Это не «AI плох» - это инженерная задача со своими правилами, и у нее есть решение.

Глава 4 серии «Путь разработчика», вторая часть про границы AI в проде. Что я переделал в Lexis после двух разборов - внутри.

Обычно запрос на изготовление корпуса звучит так: «Сделайте нам недорого, давайте из пластика». Ведь у людей есть интуитивное ощущение: пластик — это по умолчанию самый дешёвый вариант. Логика тут понятна: пластиковых устройств вокруг полно, а из ближайших альтернатив — дерево и металл. Первое сложно представить для массового продукта, второе требует более серьёзной обработки и затрат. 

Но интуиция иногда подводит, особенно если тираж небольшой. Расскажу про наш опыт на примере реального проекта.

Запуск нового сервиса часто сопровождается жесткими дедлайнами и давлением бизнеса. В таких условиях приоритетом становится скорость, но уже через полгода структура данных и эндпоинтов обычно перестает соответствовать реальным потребностям продукта. 

На этом этапе раскрываются проблемы: новые функции не вписываются в изначальную архитектуру, интеграции становятся хрупкими — любое изменение вызывает регрессию в смежных модулях, а документация расходится с реализацией. Команда разработки оказывается в ловушке технического долга, где страх сломать работающий, но хрупкий код парализует дальнейшее развитие продукта.

Подобные сценарии редко являются следствием низкой квалификации разработчиков или недостатков конкретного фреймворка. Основная причина кроется в пропуске этапа системного проектирования и игнорирования вопроса безопасности на старте. Отсутствие четкого контракта и продуманной архитектуры превращает API из инструмента масштабирования в узкое место всей системы.

Всем привет, на связи команда NeuroCore. Сегодня расскажем про кейс разработки системы видеоаналитики для магазинов самообслуживания: почему fisheye-камеры - настоящее проклятие, почему SORT и DeepSORT не справились с задачей, как мы выстроили конвейер от детекции до бизнес-событий, и какие инженерные решения позволили добиться стабильной работы в продакшене.

Дано: магазины самообслуживания, которые работают без кассиров и продавцов. Покупатель входит по QR, выбирает товары, рассчитывается и выходит. Заказчику нужна автоматизированная система отслеживания: кто находится внутри, сколько времени, в каких зонах, а также распознает несанкционированный доступ и вход группами. В случае нарушений, система должна генерировать алерты по 7 типам событий.

Что есть: одна потолочная fisheye-камера, которая покрывает весь зал. Это идеальный выбор для ритейла: угол обзора 180 градусов, не нужно ставить десятки обычных камер, не нужно сшивать панорамы. Но за этот комфорт приходится платить.

Привет, хабражители!

Я уже писал тут о своём открытом сервисе для скриншотов кода (и простого текста), который позволяет красиво отобразить фрагмент вашего кода в статьях, презентациях, примерах до-после и т.п., насколько хватит вашей фантазии.

Периодически я сам использую его для иллюстраций к своим статьям. И шаг за шагом приходят в голову новые идеи, как получить ещё более красивый результат.

Наконец, я могу сделать почти то, что хотел когда-то:

Больше всего мне не нравятся короткие созвоны. Когда мне говорят: «У меня есть окно завтра в 11:30, давай созвонимся на 10 минут». Для собеседника это просто очередной созвон, которых у него десятки за день. А для меня событие, вокруг которого начинает строиться весь день.

Введение

Content Pipeline — это официальный способ работы с ассетами в MonoGame. Однако в сообществе уже давно существует немалая группа разработчиков, которые его не любят и предпочитают загружать ассеты в «сыром» виде. Особенно это заметно в сообществе FNA(ещё одной реализации XNA4) — там такой подход используют практически все.

Я тоже давно в этой «партии» и в этой статье объясню, почему…

Всем привет. Давно хотел написать отдельный материал именно про гемблинг партнёрки, потому что для меня это личная боль. Я довольно много слил пока работал с сомнительными конторами на старте.

Надеюсь тут найдутся ребята которые тоже работают с трафиком - заодно поделитесь своими наводками в комментах, кто с кем сейчас льёт. Чем больше живых отзывов в одном месте, тем меньше шансов что новички наступят на те же грабли что и мы в своё время.

Сразу небольшой дисклеймер: я не призываю лить трафик на гемблинг и тем более не призываю делать это туда, где это запрещено. Гемблинг регулируется в каждой стране по-разному, где-то нужна локальная лицензия, где-то реклама азартных игр прямо запрещена. Всё что ниже - это про работу с офферами на тех ГЕО, где это легально, и через площадки, которые такую рекламу принимают.

В первой статье я высказал простую идею: если вычисление можно свести к конечной таблице операции, его можно проверять, а не угадывать. То есть его можно свести не к "модель выдала вероятность 0,67", а просто открыть таблицу и сказать: вот ячейка, вот результат, rc=0.

Эта статья — прямое продолжение первой статьи (сейчас у меня на руках значительно отличающаяся рабочая модель ИИ-движка). Но сразу честно: я не собираюсь раскрывать здесь внутреннюю кухню "GALO AI". Ни устройство нейрона, ни приватные маршруты мышления. Покажу только основополагающую математику, вернее, маленькую конечную структуру, которую можно взять руками, прогнать скриптом и попытаться сломать контрпримером.

Ключевая идея проста до невозможности: я взял обычное сложение по модулю и изменил в его таблице ровно одну строку.

Этого хватило, чтобы структура перестала быть полем, кольцом и моноидом.

Нейросеть Pixverse AI стала одним из лучших инструментов для создания видео. Она умеет делать качественные ролики по текстовому описанию и «оживлять» обычные фотографии. Этот сервис активно используют блогеры, клипмейкеры и маркетологи, чтобы быстро и недорого создавать видеоконтент.

Возможностей бесплатной версии хватает для знакомства, но у нее есть минусы: водяной знак на видео, долгое ожидание в очереди и не самое высокое разрешение. Чтобы делать профессиональные ролики, нужна платная Pixverse подписка. Однако пользователи из России сейчас сталкиваются с главной проблемой — как ее оплатить, если российские карты не принимаются за рубежом.

Генерация 3D-моделей в нейросетях стала одним из самых заметных направлений в искусственном интеллекте. Раньше для создания даже простой 3D-модели нужно было разбираться в моделировании, топологии, текстурах, развертке, материалах и экспорте. Теперь часть этой работы можно выполнить через промт: описать объект словами или загрузить изображение, а нейросеть подготовит объемную модель.

Meshy AI — это нейросеть для создания 3D-моделей из текста и изображений. Она помогает пользователю быстро получить 3D-ассет, добавить текстуры, проверить идею и скачать модель для дальнейшей работы. Сервис поддерживает создание моделей по описанию, превращение изображений в 3D, генерацию PBR-текстур и экспорт в форматы, которые можно использовать в Blender, Unity, Unreal Engine и других рабочих средах. 

Главная идея Meshy AI нейросеть простая: вы описываете объект, форму, материал, стиль и назначение, затем выбираете подходящий результат, дорабатываете его и сохраняете модель. Такой подход особенно удобен для тех, кому нужно быстро проверить визуальную идею, собрать прототип, подготовить объект для игры, рекламы, 3D-печати, дизайна интерьера или ВР/АР-сцены.

Китайские нейросети быстро меняют рынок искусственного интеллекта. Еще недавно большинство пользователей искали только чат-боты для текста, а теперь все чаще нужны инструменты, которые умеют создавать полноценный визуальный контент: короткие ролики, рекламные видео, обучающие материалы, презентационные сцены и видео для соцсетей. На этом фоне Skywork AI стал интересен не просто как очередной ИИ-сервис, а как рабочая платформа для создания контента, где особое внимание привлекает генерация видео.

Если говорить простыми словами, Skywork AI — это нейросеть и набор ИИ-агентов, которые помогают превращать текстовые идеи в готовые материалы: видео, документы, слайды, таблицы, сайты, сценарии и визуальные концепции. Для пользователя это значит, что можно не начинать с пустого листа и не собирать ролик вручную с нуля. Достаточно описать задачу, а Skywork AI поможет подготовить структуру, сцены, текст, визуальную логику и черновой результат.

Главная причина интереса к Скайворк аи  — возможность быстро создавать короткий видеоконтент. Это особенно важно для бизнеса, блогеров, маркетологов, преподавателей и владельцев сайтов. Сейчас видео нужно почти всем: для рекламы, обучения, карточек товаров, сторис, коротких обзоров, презентаций услуг и объяснения сложных тем. Но съемка, монтаж и сценарий часто требуют времени, бюджета и команды. Скайворк сокращает этот путь и позволяет быстрее перейти от идеи к ролику.

< ... >Нельзя сказать человеку: «Ты можешь творить. Так давай, твори».
Гораздо вернее подождать, пока он сам скажет:
«Я могу творить, и я буду творить, хотите вы этого или нет!»

А. Азимов

Под катом — имена победителей Технотекста 8, ценные советы членов жюри и немного важной информации.

В этой уже 5 по счету статье мы поговорим про актуальность локального AI в мобильных приложениях а также займемся интеграцией плагина для локальных LLM в Capacitor приложение.