IT

А если вы думаете, как я так быстро всё это пишу: я почти ничего не печатаю, а просто надиктовываю в codex или chatgpt. Для текстов мне они сейчас нравятся намного больше claude. Одна из моих главных проблем с claude в том, что русская диктовка там не работает. А если мне нужно быстро написать текст на русском, это сразу убивает весь процесс. Плюс claude почему-то очень любит характерные конструкции в духе «не просто X, а Y», «это не X, это Y» . Меня они уже ужасно раздражают :) Даже когда просто прошу исправить ошибки в надкованном  тексте, он умудряется их туда добавить. А chatgpt очень хорошо запомнил мою манеру говорить и формулировать мысли. Поэтому я просто надиктовываю всё как есть, он немного приводит это в порядок, сохраняя стилистку. Из-за этого сейчас посты реально можно писать почти со скоростью речи. Держитесь, короче. @wealldesigners

Разработчик сделал бесплатной государственную нейросеть Китая Китайский кодер под ником kltyton запустил проект fanzha-ai-proxy, который открывал бесплатный доступ к ИИ-ассистенту «Национального центра по борьбе с мошенничеством КНР». Сервис оборачивал государственную нейросеть в стандартный интерфейс OpenAI API, позволяя бесплатно подключать мощности китайских властей к сторонним клиентам вроде NextChat, LobeChat и консольным утилитам. Обратный прокси-сервер транслировал запросы пользователей прямо в официальную инфраструктуру, поддерживал динамические токены авторизации и мог удерживать активную сессию до 90 дней без повторного входа. Проект вызвал ажиотаж в китайском IT-сообществе, где подобные попытки использовать ресурсоемкую госнейросеть окрестили «выщипыванием шерсти с головы тигра». История закончилась быстро. GitHub заблокировал аккаунт разработчика и полностью удалил репозиторий всего через пять часов после публикации.

Что включено в мой AI Native проект? У всех есть свои любимые агенты, модели и настройки проектов. Я лично не могу нарадоваться на ChatGPT Codex, еще с версии GPT-5.5. Особенно он меня радовал в летнем проекте, который я писал практически на ходу в remote режиме с сотового. И я решил выяснить, почему оно так хорошо работает. Я попросил Codex Astra проанализировать историю всех сессий этого проекта, классифицировать ситуации, где желаемый результат был достигнут, а потом сделать отчет - что помогло этому? В ~/.codex/sessions нашлось 314 рабочих сессий и 187 уникальных чатов с конца июля этого года (в основном под GPT-5.5/5.6). Вот те настройки и архитектурные решения, которые Astra посчитала самыми полезными и “AI Native”: • Executable SDD - продуктовые требования в связке с быстро исполняемыми BDD спеками и возможностью гонять SQL запросы • Event-driven архитектура, которая упрощает верификацию и эксперименты • Дерево документов с progressive disclosure • Control center, возможность ходить по соседним проектам, заимствовать идеи и знания • Полуавтоматическое пополнение дерева документов информацией и поправками Скриншот запроса и ответа я добавлю в комментарии. Вы можете прогнать аналогичный запрос у себя, чтобы идентифицировать сильные и слабые стороны того, как настроен AI Code агент в проекте. А что из этого вы уже используете в своих проектах? Ваш, @llm_under_hood 🤗

📺 ЦОДы, сети и NGFW: прямая трансляция из пространства «Материя» первого дня IT Elements Команда Хабра ведёт трансляцию из пространства «Материя», где сегодня обсуждают развитие ИТ-инфраструктуры, сетевые технологии и отказоустойчивость. В программе — результаты исследования «Сетевая инфраструктура ЦОДов» от «Инфосистемы Джет» и «Аналитического центра ИКС», кейс НСИС о переходе от Hitachi HCP + MongoDB к YDB и круглый стол о ЦОДах высокой плотности. Во второй половине — проверка российских NGFW на прочность и история МТС о том, как централизованно управлять DR-планами компании. Подключайтесь к трансляции в нашем ВК-сообществе или телеграм-канале, чтобы следить за ключевыми выступлениями первого дня IT Elements.

Я рассказывал у себя в видео о том, что на работе раз в месяц примерно каждый разработчик на неделю "заступает" на вахту и решает проблемы появляющиеся на проде. Такая практика есть у многих компаний. И прямо сейчас, нидерландская полиция пытается по голосу найти преступника, который связался с таким айтишником-вахтером в компании Odido (это местный оператор связи). Во время звонка преступник преставился коллегой-разработчиком и умудрился по телефону получить доступ к данным 6 миллионов клиентов компании. Так что даже такая рутинная работа как мониторинг проблем на проде может иметь серьезные последствия, если не соблюдать меры безопасности и верить всем подряд. На видео можно послушать как происходил диалог.

«Создание приложений с ИИ-агентами» Майкла Альбады Ох и давно у нас не было обзоров книжек и вот, кажется, что появилась, реально топовая по ИИшке для менеджеров. Прямо так аккуратненько тебя ведут от базовых основ - делаю что-то через чат, к сложным многопотоковым агентам и все это по правлено типичным Энтерпрайзом: создаем правила, ограничения для агентов и прочее. Ну и забавно, что даже научный редактор русского издания отдельно предупреждает:

пока книжка ехала в печать, часть фреймворков и API уже успела поменяться.

Добро пожаловать в AI engineering 😁 Главная мысль книги: сделать агента, который один раз красиво отработал в демке, легко. Сделать агента, который стабильно работает в проде, сильно сложнее. 1. Возможно, вам вообще не нужен агент Автор предлагает примерно такую иерархию: детерминированная задача → обычный код; известный набор ветвлений → workflow; нужно отвечать по документам → RAG; непредсказуемый ввод + динамическое планирование + действия → вот теперь можно доставать агента. А то сейчас у нас иногда архитектура примерно такая: «if можно было написать за 20 минут, поэтому мы сделали мультиагентную систему». 2. Агент - это далеко не только LLM Нормальная агентная система состоит примерно из: • модели; • инструментов; • памяти; • знаний; • оркестрации; • механизмов обучения; • инфраструктуры вокруг всего этого. Чем больше автономности мы даем системе, тем больше инженерии появляется вокруг самой LLM. 3. Больше агентов != лучше Отдельная глава посвящена переходу от одного агента к нескольким. И тут тоже неожиданно никакого «роя агентов, который завтра заменит корпорацию». Мультиагентность имеет смысл, когда нужна специализация, параллельное выполнение или реально сложная координация. Во всех остальных случаях вы получаете: больше коммуникаций → больше контекста → больше токенов → больше задержки → больше способов все сломать. То есть агентная версия нашего любимого: микросервисы нужны не потому, что их можно сделать. 4. Evals становятся новой частью SDLC Вот это, пожалуй, одна из самых полезных частей книги. Для обычного приложения мы примерно понимаем: написали → протестировали → выкатили. С агентами этого мало. Нужно отдельно проверять: • правильно ли выбран инструмент; • правильно ли переданы параметры; • нормально ли агент спланировал действия; • правильную ли память достал; • не галлюцинирует ли; • справляется ли с неожиданным вводом; • достигает ли вообще конечной цели пользователя. Автор довольно прямо формулирует: непротестированный агент = ненадежный агент. И evals предлагается встраивать непосредственно в жизненный цикл разработки, а не устраивать большой экзамен перед релизом. 5. А после прода начинается еще веселее Отдельные главы посвящены эксплуатации. OpenTelemetry, traces, Langfuse, Grafana, shadow mode, canary, поиск регрессий. Вплоть до самовосстанавливающихся агентов. То есть AI engineering постепенно становится удивительно похож на обычный software engineering. Только теперь у нас внутри системы сидит вероятностный компонент, который иногда внезапно решает сделать что-то творческое. ❤️ - если забрал в бэклог 🔥 - если читал и зашло 💅 - если читал и не зашло

с Astra можно делать очень прикольные шейдеры 💎

f3 w_(f3 p,f a){f b=2; p.xz*=m2(cos(a+f4(,5,8,))); @(7){b/=.9;p+=sin(p.yzx*b-f3(T,,)*6)/b;} return p;} f s_(f3 q,f3 p,f d){ f r=len(q.xz),a=atn(q.z,q.x),b=3*a+3*log(r+.8)-2.1*T; b+=.22*sin(1.3*p.x+.8*p.z); f c=8*log(r+.6)+2.2*T; f h=.5*sin(b+.45*r)+.22*sin(.65*c)+.42*(p.y-q.y); f w=.055+.018*r,u=sqt(w*w+.09*d*d),j=(q.y-h)/u; return exp(-1.1*j*j)*pow(.5+.5*cos(b),4) *(.72+.28*sin(c+2*p.y)) *sms(.4,1.25,r)*(1-sms(5.5,8,r))*w/u;} f z=0,d=0,a=0,s=0; f4 acc=0; f3 v=nor(f3((2*C.xy-R.xy)/R.y,-1)); @(90){ f3 p=z*v+f3(,,6.3),t=p; a=(p.y-len(p.xz))/2;p=w_(p,a); d=min(len(p.xz),8-abs(p.y))/15/(2+cos(a-T));z+=d; f g=max(len(t.xz+(p.xz/2+3)*sin(T-a)),.00001); acc+=f4(7,5,z,)*d/g*(.93+.19*exp(-90*g*g)); s+=s_(t,p,d)*max(d,0)*1.5; } O=f4(tanh(acc.rgb*acc.rgb/1e3)*exp(-s),1); gl_FragDepth=d>=0&&d<.01?1.0-.1/max(.101,-z*v.z):1.0;

Пишем нативное приложение на Mi Band 10 Pro На глобальных Mi Band 10 Pro сторонних приложений быть не может. Xiaomi для международных релизов просто удаляет из часов движок, на котором приложения работают, вместо того чтобы нанять хоть одного разработчика и сделать десяток нужных программ. Своего калькулятора в браслете нет, хотя место ему в стандартном наборе. И всё же калькулятор на часах появляется, регистрируется в системе и запускается быстрее штатных движков. Лазейкой оказались три команды, попавшие в прошивку вместе с остальным базовым набором NuttX от подрядчика Xiaomi. Через них удаётся грузить собственный код прямо в работающую ОС часов, не трогая прошивку целиком. А заодно открывается доступ ко всему железу браслета.

Ars Technica разобрала пожар на строящемся ИИ-дата-центре Lake Mariner в Сомерсете, штат Нью-Йорк. Сюжет там не столько про пожар, сколько про то, как в этой отрасли устроена ответственность. В начале июня загорелось недостроенное здание кампуса. Пожарные из Баркера приехали и обнаружили неработающую сигнализацию, отсутствие системы пожаротушения и три неисправных гидранта. Паспорта безопасности материалов сгорели вместе со зданием, так что расчёт шёл в дым, не зная состава горящей химии. Начальник части Стив Матиш описал это как работу вслепую. Пострадавших нет. Теперь про структуру. Кампус — 3,2 млрд долларов и до 500 МВт на площадке выведенной из эксплуатации угольной станции, строится в режиме "speed to power". TeraWulf владеет инфраструктурой и эксплуатирует её, а землю арендует у Somerset Operating Company LLC — конторы, на 99,9% принадлежащей собственному гендиректору. Британская Fluidstack сидит на долгосрочной аренде и будет крутить вычисления. Google подпирает её арендные обязательства бэкстопом примерно на 3,2 млрд и держит варранты почти на 14% акций TeraWulf. Спрос на мощности создают Anthropic и другие ИИ-компании. Железо, деньги, вычисления и репутация лежат в разных карманах, хотя объект один. TeraWulf на запрос журналистов ответила, что операционная безопасность и готовность к ЧС — её зона ответственности, и что после разбора появились Knox-боксы, дополнительные гидранты и аварийные комплекты с паспортами безопасности. Начальник пожарной части в августе сказал, что гидранты, насколько ему известно, так и не работают. Отдельный сюжет — обещания. В 2019-м при заявке на льготный тариф от New York Power Authority проект заявлял 165 постоянных рабочих мест, в презентации 2024-го фигурируют 35–40. Это, впрочем, обычная физика отрасли: стройка даёт занятость на пару лет, а эксплуатация сотен мегаватт требует смены операторов и нескольких электриков. Жителям достаются грузовой трафик, разбитые дороги, шум и пыль. Регуляторных проверок после пожара публично не зафиксировано. Собственно, к этому всё и сводится. Когда владение, аренда, кредитная поддержка и спрос разложены по разным юрлицам, каждый формально отвечает за свой кусок — и никто не отвечает за объект целиком. Механика при этом не американская, а вполне универсальная. https://arstechnica.com/features/2026/09/the-ai-data-center-boom-is-causing-new-accountability-problems/