IT

Худший язык программирования всех времён /s Инициализировать переменную можно десятком способов, и в одном из них скобки решают, лежит там ноль или мусор с прошлого вызова функции. static делает четыре несвязанные вещи. Целочисленных типов около пятидесяти, а vector — вовсе не вектор, что признавал и сам автор STL. Жанр «почему C++ ужасен» на Хабре выжжен дотла, и всё это читано по двадцать раз. Полгода назад разработчик пробежал 50-минутное видео о худшем языке по диагонали, а теперь пересмотрел целиком и обнаружил неприятное. Если убрать интонацию обиженного джуна и оставить аргументы, процентов 70 там — правда. И все эти боли, от кривых имён до медленных контейнеров, оказываются следствием одного решения из прошлого языка.

В российских нелегальных казиках уже несколько месяцев устраиваются маски-шоу. Казики кладут на безопасность своих сотрудников, хотя на допросы таскают в том числе и работяг С работой сейчас напряжёнка, а нелегальные беттинговые конторы до сих пор нанимают. Помните, что работа там опасна. Вам нужно соблюдать цифровую гигиету. Беттинговая контора == казик, там всегда есть воронка внутри после ставочки с предложением крутануть слоты. Поэтому я буду упоминать именно это название. Когда вы идёте в казик в России, то всегда помните, что это опасно. Гонения на казики случались и раньше, но в этом году они усилились. В марте маски-шоу прошли в офисе Mostbet и в платёжке Payment Center. Дела до сих пор ведутся, и сейчас на допросы таскают уже простых работяг. Некоторых держат по 48 часов в ИВС. Мостбет недавно вывезли из России около 100 ключевых сотрудников. Многие компании, посмотрев на это, либо заканчивают свою деятельность в России, либо закрывают свои офисы и переводят всех на удалёнку. Удивительно, что 1win, например, закрыла свой офис в Питере с пометкой «временно». А что изменится в ближайшем будущем? Бизнес станет законным внезапно? Зачем вообще нужен офис в России с такой деятельностью? Казики, в том числе и легальные, — это колхоз. Казиками владеют в большинстве своём бывшие или нынешние бандосы. Как правило, там низкая культура управления, она просачивается сверху вниз. Казики сплошь и рядом дёргают людей работать в офисе. Ну а как ещё управлять этими расхлябанными соевыми айтишниками? На безопасность плевать, гораздо важнее видеть, что человек находится в офисе, под присмотром менеджера, а значит, пашет эффективнее, это ведь так работает, верно? На безопасность забивают и в других аспектах. В корпоративных мессенджерах и почтах реальные имена сотрудников. Зарплаты выплачивают через российские юрлица либо через те же платёжки, через которые заводят деньги лудоманы. Если устраиваетесь в нелегальный казик, соблюдайте три железных правила: никаких реальных имён, никаких офисов, и выплаты только криптой. Это не тот работодатель, к которому идут из-за ДМС и пенсии. Иначе, пиздец, ваши данные утекут, как список сотрудников (ССЫЛКА) 1win полтора года назад, и к вам придут.

ПРОКЛЯТИЕ ПЕРЕИСПОЛЬЗУЕМОСТИ Делюсь болью. Я последние 5 лет на разных уровнях у разработчиков, лидов и техдиректоров, активно встречаю такой паттерн:

Ну давай просто выделим общее и переиспользуем это в другой системе/проекте.

Мы ведь уже написали систему перемещения для ботов, давайте для игрока её тоже переиспользуем. У нас ведь уже есть backend-сервис по обработке match-3 логики, давайте его же тупо используем в другой игре 😵 Может казаться, что нужно просто скопировать/вставить решения из одного места или создать общий класс. И черт, это не работает нормально в большинстве случаев. 🔸 Если вы делаете что-то общее, то сначала нужно понять, какие зависимости это общее в себя принимает и отдаёт Если вы сделаете прямой copy/paste, придётся писать кучу обёрток, чтобы подружить новую систему с текущей. Поэтому чтобы действительно такое было возможно, нужно заранее проектировать не только саму систему абстрактно, но и её зависимости 🤯 А это значит, что нужно изначально планировать проектирование ключевых абстракций проекта. Например: 🔹 Весь cross-cutting context. Логирование, конфиги, аналитика, обработка ошибок. Либо придётся кучу мест рефакторить, либо заранее согласовывать единое API для переиспользования между проектами. 🔹 Коммуникация с сервером — пример посложнее. Но суть простая: вы не хотите при переносе дублировать логику обработки ошибок, контрактов взаимодействия и тянуть лишние транзитивные зависимости (другой HTTP-плагин, например). И это важно тупо потому, что это заставляет поддерживать задублированные решения по проекту 🤢 🔹 Изменился формат логирования или когда логи пишутся, а когда нет 🔹 Добавился новый обработчик исключений, формат контракта или обработка краевого случая Вот иди свищи по проекту 10 копий и вкостыливай фикс и туда. При этом ладно этот фикс в коде, ха, это ещё изи, а если ты решил общий микросервис такой выделить… 🔻Чем больше расстояние между зависимостями — тем сложнее и дороже в них вносить изменения. 🔸 Не всё, что кажется общим, таковым является Избитый троп:

Ну тут сделаем абстрактно, чтобы другие системы, вдруг, взяли и переиспользовали эту логику.

Ну нет, это не работает. Если заранее не понимать, как именно система будет переиспользоваться, и не переиспользовать сразу — оно не будет работать. Это происходит из одного простого факта: 🔹 Скорость изменения требований разная для каждой из систем. То, что вчера виделось как общее, сегодня жёстко заточено под что-то конкретное, т.к. переиспользуемость стоит времени, сил, денег и тщательного планирования. Или по другому: То что вчера казалось легко можно переиспользовать, сегодня требует узкого и конкретного решения. Так что всё, пожалуйста, я снимаю со всех, кто читает этот пост, «проклятие переиспользуемости» 😘 С этого момента вы можете не писать системы так, чтобы вдруг когда-то их кто-то использовал и сократил себе время. 🔻 Наконец-то можно писать системы, которые заточены на выполнение своей задачи и не раздувают сложность проекта на ровном месте. Но если переживаете, вот правило трёх:

Пока система или её часть не переиспользуется как минимум в трёх независимых местах — ничего общего выделять не нужно.

А если есть требование — выровняйте уровень знаний, покажите цену такого решения, сделайте #проектирование@UniArchitect, внедрите и пользуйтесь на здоровье, все только спасибо скажут. Ставь 👍 если тебе заходит такого рода контент! Ты знаешь кому переслать эту статью 💪 #проект_в_разработке@UniArchitect

Последние несколько дней слушаю с перерывами интервью Ленни Рачицки с Фионой Фанг из Anthropic. Редко советую посмотреть полуторачасовой выпуск целиком, но этот точно стоит времени. Фиона руководит командами Claude Code. До этого были 11 лет в Microsoft, запуск Facebook Marketplace, инфраструктура Instagram. Она прошла несколько технологических эпох и хорошо чувствует, что действительно меняется, а что — просто хайп. Больше всего меня зацепила одна мысль. Правда зацепила, это не клише от чатгпт 😉 Мы уже привыкли говорить, что AI ускоряет разработку. Но почти никто не обсуждает, что происходит дальше. Если команда теперь может писать в несколько раз больше кода, то где становится следующее ограничение? Ответ оказался неожиданно приземлённым. Не в AI. В понимании пользователя, его потребностей и выборе фокуса. И, конечно, в коммуникации между людьми. В том числе, чтобы вся команда одинаково понимала, что вообще нужно строить. И что будет возможно построить с использованием AI нового поколения. Кажется, именно поэтому последние полгода я всё чаще слышу от сильных продуктовых команд одну и ту же мысль: разработка перестаёт быть главным бутылочным горлышком. Да и сам уже вижу на живых примерах — сейчас запускаем систему управления стоками, которую сделали за 3 недели. Ранее это бы заняло минимум 3 месяца. В интервью ещё много интересного: 📌 как Anthropic использует Claude в ежедневной работе; 📌 почему они постепенно уходят от длинных роадмапов; 📌 как меняются требования к инженерам; 📌 какие проблемы AI пока так и не смог решить. Если будете смотреть одно интервью про AI этим летом — я бы выбрал именно это. ▶️ https://youtu.be/Ybrl4FYM57c #videoholidays #claude #aifuture

Вот и подходят к концу обе мои квоты на Fable (личная и корпоративная). Отличная ли это модель? Да 👍 Как когда-то GPT-4 значительно повысил надёжность языковых моделей, Fable значительно повысила надёжность агентов. В случае Опуса я предполагал по умолчанию, что я не доверяю выхлопу модели. На все нетривиальные изменения прогонял simplify, review, codex:adrversarial-review, qudo и отсматривал результат глазами. Потому что много раз меня Опус подводил, как в макро, так и в микро-решениях. В случае Fable я по привычке это тоже сначала делал, но пользы от этого было уже не так много. Предположение по умолчанию поменялось. Более того, Fable регулярно делала что-то сверх того, о чём я её просил. Например, когда она составляла отчёт в виде HTML странички, она установила playwright, headless chromium, сделал итоговый скриншот странички, загрузила его на закрытый корпоративный paste, чтобы я мог посмотреть на дизайн глазами до развёртывания. Мог ли такое сделать Опус? Мог конечно, но только если бы я описал весь путь. А я даже не знал, что я такое хочу!😜 Означает ли это, что Fable не ошибался? Лол, конечно ошибался, и тоже и в макро, и в микро. Но вот количество ошибок было гораздо меньше, и исправлять их было проще.

Говорить, что ИИ заменит человека, так же как говорить, что калькулятор заменит математика

Суть метафоры понятна, но ирония в том, что сама метафора подтверждает мысль, что придется конкурировать с ИИ на уровне кода, но не архитектуры. 1. Математик не конкурирует с калькулятором, просто потому что математик - это скорее архитектор, а не кодер. Он работает с теоремами, абстракциями, доказательствами, а не считает, что-то на калькуляторе. 2. Была такая профессия "вычислитель", вот у этих ребят как раз возникли проблемы с появлением вычислительной техники, им пришлось конкурировать со способностью быстро и точно считать, и по итогу победили машины. Любые метафоры неточны, важно понимать, что конкуренция возникает когда возникают общие функции, у хороших инженеров много функций, которые не пересекаются с ИИ, а вот у чисто кодеров пересечений много.

На мой взгляд видео уже устарело. Могу согласиться, что большинство моделей не могут в хорошую архитектуру. Но стоит попробовать новейшие модели - GLM-5.2 или топовые Клода, как понимаешь, что архитектуру он делает лучше, чем большинство разработчиков.

Это очень опасное заблуждение, которое возникает из-за того, что на уровне кода (одного приложения) ИИ может выдавать результат, который работатет (проходит тесты). Архитектура системы - это другой разговор. Первое: архитектура оценивается не в моменте, а на дистанции. Хорошая архитектура позволяет сопровождать и развивать систему в течение длительного времени. Проблема в том, что даже самые сильные ИИ-модели принимают решения, которые накапливают техдолг - неверные границы доменов, жесткое зацепление, слабая связность, дублирования и т.д. На дистанции 2–3 месяцев (без человеческих корректировок) внесение изменений в проект порождает эффект домино и кучу побочек. ИИ не "видит", какие части системы меняются синхронно, какие требуют унификации в виде общих интерфейсов и абстракций, часто LLM создаёт распределённый монолит, вместо микросервисов и т.д. Второй момент — есть разница между архитектурой приложения (архитектура на уровне кода) и системной архитектурой. По приложению довольно много типовых схем, которые ИИ может воспроизвести и под контролем человека даже более-менее сопровождать. Системная архитектура - это всегда компромисс между стоимостью, рисками и конкретными ограничениями: бюджетом инфраструктуры, легаси, требованиями регуляторов, реальной командой, которая будет это развивать. ИИ выдаёт архитектуру которая не учитывает нюансов, эта архитектура некая средняя температура по полате, которая получиалась из кучи схем, используемых в обучении, В результате решения не соответствуют конкретной ситуации и не решают проблем системы.

🛠 Метод Работа фокусируется на ускорении трех ключевых типов операций в GNN: - 🔹 Разреженные свертки. - 🔹 Редукции на графах (min/max, агрегация). - 🔹 Внимание на графах. Замечают, что распределение вершин графов по степеням обыкновенно имеет тяжелые хвосты. Потому разделяют вершины на две группы по степени — легкие и тяжелые вершины. Для легких вершин используют параллелизм по признакам (один threadblock на вершину). Тяжелые вершины еще разбиваются на чанки по ребрам с промежуточной агрегацией по чанкам. Объем подгружаемых данных не меняется, но ускорение достигается за счет того, что один блок обрабатывает несколько узлов, тем самым повышая memory-level параллелизм. Для слоев внимания реализуют кастомный вариант FlashAttention для CSR-матриц. В наивной реализации материализовали матрицы внимания, а тут оно и не нужно. CSR-кернелы для произвольной sparsity уже неплохи, но не используют ценный ресурс современных GPU — тензорные ядра. Если запаковать окрестности вершин в тайлы 16×16, то можно воспользоваться ими и, даже выполняя некоторые лишние вычисления, выжать ускорение. Кроме того, существующие либы почему-то не используют cuSPARSE — рабочий и мощный инструмент. Одно его накатывание уже дает заметный профит. 📊 Эксперименты Эффективность реализации проверяют на бенчмарке GraphLand — наборе задач с большим разнообразием структур и свойств графов. Удается выжать медианное ускорение порядка 2× (вплоть до 8.5×**) против DGL на GATv2, медианное ускорение **2.6× (вплоть до 10×**) на операциях редукции. Операции разреженных сверток на cuSPARSE дают вплоть до **8× ускорения. Кроме того, пиковое потребление памяти оказывается обычно в разы меньше (а то и в десятки раз) по сравнению с DGL. PyG тоже в среднем ест меньше GPU VRAM, но при этом он куда медленнее. В ablation показывают, что выигрыш от graph reordering и векторизованных загрузок зависит от графа. Для плотных графов с высокой степенью выигрыш значителен, для разреженных и малостепенных — мал. В приложении много внимания уделено исследованию полезности блочной разреженности с тензорными ядрами — где накладные расходы на перестановки окупаются, а где нет. 💡 Выводы Классная и полезная работа, дающая существенный толчок всей области GraphML. Хоть она и довольно нишевая и на любителя, тем не менее импакт более чем серьезный. Интересно, где еще есть низковисящие фрукты для оптимизации?

Apple удалила фреймворк для воспроизведения DVD из macOS 27 В описании обновления macOS 27 beta 2 обнаружили информацию об исключении фреймворка DVDPlayback из SDK. Сторонние разработчики больше не могут собирать приложения, которые зависят от этого инструмента, а в будущих релизах операционной системы его полностью вырежут из кода. Фреймворк появился более 20 лет назад в Mac OS X 10.3 и отвечал за нативное воспроизведение видео с оптических дисков. Решение выглядит закономерным, поскольку Apple убрала встроенные приводы из MacBook Air еще в 2008 году, из MacBook Pro — в 2012-м, а в 2024 году окончательно прекратила продажи внешних фирменных дисководов SuperDrive. Изменения в SDK не означают полный запрет оптических носителей на Mac. Пользователи смогут и дальше подключать сторонние USB-приводы для чтения дисков, однако софт для работы с ними теперь должен использовать собственные независимые декодеры и библиотеки вместо удаленного системного инструмента Apple.

Копируем ключ без ключа: умный дубликатор 1-Wire на ассемблере AVR с ручным вводом и контролем CRC Ключ от подъезда легко потерять или увезти в сумочке жены, зато номер часто остаётся в базе ТСЖ или в договоре. Автор самодельного дубликатора решил не привязываться к физическому носителю и сделал устройство, которое принимает код вручную, кнопками, и записывает его прямо на чистую болванку. Отдельно сделан режим редактирования. Два первых символа кода отвечают за контрольную сумму и высчитываются автоматически, а остальные можно менять вручную под нужный номер. Если ключ считался с ошибкой, устройство не молчит и показывает рядом байт, реально пришедший из ключа, и вычисленный правильный CRC, так что «полуживой» код можно починить по этому же отпечатку.

⚡️ 30 техник памяти для AI-агентов в Jupyter notebooks Вышел репозиторий Agent Memory Techniques с 30 runnable notebooks по памяти в современных AI-агентах. Внутри собраны основные подходы: conversation buffers, vector stores, knowledge graphs, episodic и semantic memory, MemGPT, Mem0, Letta, Zep, Graphiti и production-паттерны, которые уже встречаются в реальных агентных системах. Это набор ноутбуков, которые можно запускать, менять и сравнивать между собой. Удобно, если нужно понять, чем простая история диалога отличается от долговременной памяти, где уместен vector store, когда нужен graph-based подход и как память влияет на поведение агента в длинной задаче. GitHub: http://github.com/NirDiamant/Agent_Memory_Techniques

Как я с Клодом собрал команде личный кабинет Собирался написать этот пост недели две: идея внутри горела, а я всё равно тянул — ровно потому, что фигачил как раз то, о чём хочу рассказать. Но пора перестать размышлять о вайб-кодинге и показать, что из него всё-таки удалось собрать, а то первая волна эйфории уже схлынула и вымываются те, кто ушёл в мертворождённые продукты. Но начну с контекста. У нас в Overgear, как у любой модной и прогрессивной компании, в начале года случился мощный FOMO: либо оседлаем волну AI-изации, либо из лидера тихо сползём в отстающие, потому что утонем в рутине с её нищим КПД. Поэтому наметили несколько стратегических проектов под автоматизацию и раздали инструменты всей команде — чтобы набивала шишки. На один из таких проектов позвали стороннего интегратора. Он озвучил нехилую сумму за внедрение, и у меня сразу внутри: «wtf, да я сам сделаю лучше» — и сел разбираться с Клодом. Первые потуги были неуклюжие: я только осваивал дисциплину и завалил папку проекта десятками сборок на localhost, по сути мусором. Но уже через неделю почти без усилий поднял свой VPN-сервер ускоритель интернета, который не блокируется: вся семья и друзья на нём сидят, вроде даже без перебоев и жалоб. Тут внутренний авантюрист завёлся сильнее и завёл меня в точку, где я решил замахнуться сразу на рабочий инструмент для всей команды — чтобы люди меньше времени тратили на отчётность и сбор данных, а нужные цифры вытягивали через MCP (это коннекторы нейронок с внешними сервисами вроде Google Ads, GA4, CRM) почти без ручной возни. Проще говоря, свой личный кабинет для команды. Он на скрине — цифры только замазал, так как NDA, все дела. Дальше меня затянуло как в воронку: стал по модулям собирать функцию за функцией и закрывать не только отчётность, но и рутину, которая порой съедала до 30% времени человека. Теперь у ребят вроде как больше места для творчества — мозг не выгорает на операционке. И работают тут ровно те же правила, что для любого продукта: смотришь метрики (MAU, DAU и прочие), проверяешь, даёт продукт больше пользы или больше отъедает ресурса. И где-то здесь я поймал настоящую маниакальную зависимость: пилить и пилить эту ценность, а потом проверять — стала она ценностью или ты просто потешил своё эго очередным инструментом. Побочки, как у любой зависимости, тоже налицо: меньше спишь, уходишь в это с головой и забываешь уделять время родным (Анисия, каюсь!). Спасает, кажется, одно — привычка на каждой собранной штуке спрашивать себя: пользуется ли ей вообще хоть кто-то. Кто на этот вопрос забивает, тот и клепает продукт за продуктом в стол — так и пополняется кладбище мертворождённых. Стала ли это в итоге ценностью для команды — пока честно сказать не могу, ребята только тестируют. Но одно скажу точно: нам удалось проскочить «долину смерти» и распробовать потенциал и вайб-кодинга, и более глубокой работы с данными. Так что Viva la AI лично от себя подпишу, а как с этим быть каждому — это уже сами посмотрите. А у вас как сложилось с вайб-кодингом? Удалось собрать что-то реально рабочее — или пока всё живёт на localhost? Константин Сухачев

Увидел новый опенсурс проект, который решает для агентов проблему подключений внешних сервисов через MCP и API Например вам нужно поработать с Notion через агента, и он начитает искать, есть ли у сервиса MCP, какой API, как авторизоваться. Так вот integrations.sh собирает в себе кучу сайтов и разные способы подключения к ним: 1/ MCP 2/ API и их спецификации 3/ GraphQL ендпоинты 4/ CLI утилиты 5/ Auth инструкции Всего в каталоге около 6000 интеграций У них есть свой MCP:

mcp add --transport http integrations https://integrations.sh/mcp

Или по API:

curl https://integrations.sh/api/[ДОМЕН]/detect

В итоге меньше слитых токенов, агент сразу знает как подцепиться к нужному сервису. @tips_ai #tools