IT

Нашел +1 причину перейти на терминальный Claude Code с десктопного. Оказывается десктоп версия подымает на маке полноценную виртуалку. Линукс через Apple Virtualization.framework - в нём крутится песочница для Cowork и Code. Живёт это добро тут:

~/Library/Application Support/Claude/vm_bundles/claudevm.bundle/

Полез в DaisyDisk смотреть, куда утёк диск. 9,4 ГБ один только образ виртуалки. Вся папка Claude — 11,2 ГБ. Базовый сжатый образ весит около 2 ГБ, а живой rootfs.img растёт монотонно и никогда не ужимается обратно. Терминальный CLI работает прямо на устройстве, и изоляция делается на уровне процесса: Seatbelt на macOS, bubblewrap на линуксе. Ставить ничего не надо, качать десять гигов тоже. Если надо срочно освободить 10Гб места, то можно чатом пользоваться в веб-версии, а кодить в терминале.

Автоматическое сжатие на клиенте vs ручное на сервере Стандартный клиент http.Transport сам добавляет в запрос Accept-Encoding: gzip и, если сервер отвечает с Content-Encoding: gzip, клиент сам распакует ответ. Но только пока Accept-Encoding не выставлен вручную. Если клиент сам задаёт этот заголовок (случайно либо намеренно с указанием другого алгоритма типа `zstd`) логику распаковки тоже надо писать самому. Подробнее прямо описано в доке `net/http` Интересно, что на сервере симметричной автоматики нет. http.Server сам ответы не сжимает - и это довольно логично: но стороне сервера eщё нужно решить, стоит ли вообще сжимать конкретный ответ. Все таки сжатие переносит часть стоимости с сети на cpu: сервер и клиент тратят проц на переупаковки в обмен на уменьшение объёма передаваемых по сети данных. Поэтому для тех, кому экономия на сжатии превышает доп вычисления, будет полезно обернуть хендлер небольшим миддлваром, например через https://github.com/klauspost/compress:

func responseCompressionMiddleware(next http.Handler) http.Handler {
    return gzhttp.GzipHandler(next)
}

Нейминг может запутать, потому что gzhttp.GzipHandler умеет не только gzip, но и zstd: алгоритм выбирается по Accept-Encoding, а при одинаковом приоритете q выбирает zstd. А если передаются секреты или другая sensitive инфа, у gzhttp можно добавить RandomJitter - оберточная функция, которая добавляет небольшой padding, размывая точный размер сжатого ответа, чтобы нарушитель не смог по небольшим изменениям размера косвенно угадывать части секрета Также можно обернуть весь клиент http.Transport через gzhttp.Transport и автоматическая распаковка будет распространяться уже и на zstd - тогда как стандартный http.Transport автоматически работает только с gzip. Не знаю, насколько это общеизвестная деталь, но я даже про gzip под капотом узнала только сейчас :-) #go #perf

🐳 Инженер DeepSeek объяснил, почему ускоряет развитие ИИ, который может превзойти его самого. Согласно пересказу его эссе, Шэнъюй Лю работает над основным ядром механизма внимания DeepSeek V4.1. Ещё год назад ИИ помогал ему искать документацию и ошибки. Теперь самостоятельно разбирает CUDA, PTX и SASS, использует инструменты профилирования и подбирает оптимизации. По личной оценке Лю, через 6–12 месяцев ИИ может сравняться с ним или обойти его. Это прогноз самого инженера. Его беспокоит потеря любимой части профессии. Раньше он мог провести полдня, тщательно ускоряя код и пытаясь побить собственный рекорд. Теперь работа постепенно превращается в управление агентом, который делает это за него. Почему тогда продолжать? Лю опасается мира, где самые сильные модели принадлежат нескольким компаниям, а доступ к ним определяет возможности остальных. Получается замкнутый круг: для заработка нужен передовой ИИ, а для доступа к передовому ИИ уже нужны деньги. Он описывает два крайних сценария: общедоступный ИИ как дешёвая инфраструктура — или мир Cyberpunk 2077 с концентрацией технологий и власти. Открытые модели для него — способ приблизить первый сценарий. Лю не рассчитывает, что OpenAI и Anthropic добровольно откроют свои передовые разработки. По его словам, именно поэтому он остаётся в DeepSeek, даже понимая, как быстро меняется ценность его собственных навыков.

Нерешаемых задач не бывает 🤔 Меня недавно спросили: а может ли ChatGPT взять и заказать мне продукты на неделю? В целом — да. Причем самый простой и тупой вариант: дать агенту браузер c открытым сервисом доставки и он уже сам накликает заказ. 🤷‍♂️ И вот здесь, мне кажется, появляется новый слой. Вопрос «можно ли решить эту задачу нейросетью?» уже устарел. 😅 Новый вопрос теперь в другом: насколько дорого мы собираемся это решать? 1️⃣ Можно сжечь миллиарды токенов, запустить кучу агентов и заставить их ходить по сайту, нажимать кнопки и собирать корзину. В итоге вы сэкономили себе десять минут, заказ едет, все счастливы. 2️⃣ А можно построить нормальный пайплайн: агент пишет скрипт, который через API собирает нужные данные, запускает его и проверяет результат. В итоге вся задача выполнится за секунды и потратится минимальное количество токенов. Для пользователя итог примерно один и тот же. А вот стоимость решения — вообще нет. И мне кажется, что именно сюда сейчас смещается главный вопрос вокруг нейросетей. Не «может ли оно это сделать?», а «как сделать так, чтобы оно делало это эффективно?» Как использовать генератор рандомных букв так, чтобы задача не просто иногда магически решалась, а стабильно выполнялась каждый раз — быстро, дешево и предсказуемо. Мы переизобретаем программирование? 😅 Свята место | 10МДК | YHub

Свежие бенчмарки моделей на кодинге (для очередных дискуссий, Claude vs Codex) Specific Labs выпустили бенчмарк, где модели чинят не задачки с GitHub, а настоящий код реальных компаний – лицензировали приватные репозитории (клон Partiful на 200K+ юзеров, финтех со 100K+ банковскими выписками, enterprise sales-платформы) и взяли оттуда живые задачи: налоги в инвойсах, миграции биллинга, метеринг токенов. Код в интернете не лежит, модели на нём не учились. Результат отрезвляет. – Лидер – Fable 5.1 в Claude Code, 38.8% решённых задач – GPT-6 Astra в Codex – 33.8%, Gemini 3.8 Flash – 31.2% – GLM 5.3 – 28.8%, Grok 4.6 и Muse Spark 1.3 – по 23.8%, Kimi K3 – 18.8% – GPT-5.6 Sol – 16.2% – 6 из 10 задач решаются реже чем в 15% случаев, одну (analytics stream reducer) не решил никто ни разу – Медианное решение трогает 11 файлов – против 6 в FrontierCode и DeepSWE – Цена одного прогона: Gemini Flash $2.50, GPT-6 Astra $4.67, Fable 5.1 $6.96 Интересно, как модели проваливаются. Главная причина – пропущенные требования из ТЗ (у Grok – 67% всех фейлов). Вторая – «не проверил, придумал» – так падает 43% неудачных прогонов GPT-5.6. Третья – правильная идея, криво встроенная в систему (Gemini – 49%). Причём короткие прогоны до 10 минут фейлятся с той же частотой, что и длинные – проблема не во времени, а в том, что агент не понял, как устроена компания и её код. Короче, разработчика могут заменить пока только в трети случаях. Но тут надо сказать, что описание компании и кодовых принципов в claude.md/agents.md никто не писал, это такой чисто "вайбкодинг-стайл" тест. Должно быть сильно лучше при правильном подходе. https://withspecific.com/benchmarks/real-swe

Ретрофутуристичная «Виселица»: одна функция, шаговик 28BYJ-48 и полугодовая война с третью шага Оверинжиниринг — прошлый век, теперь эпатажный инжиниринг. У девайса ровно одна функция, а выглядит он как пульт управления инопланетным кораблём. Автор собрала физическую «Виселицу» с двумя вращающимися дисками букв, шаговиками, промышленным тумблером и силиконовыми накладками с детской присыпкой сверху. Крутишь энкодер, диск с механическим шуршанием подгоняет букву в иллюминатор, ошибся — экран дорисовывает виселицу. А потом началась математика. Шаговик 28BYJ-48 тратит 2048 импульсов на оборот, согласных 24. Делим и получаем 85,3333 шага на букву. Мотор не умеет делать треть шага, и это только первая из проблем, которые устроила геометрия диска. Дальше в дело вступила скрытая мистика с уползающими нулями. Посмотрим, как одна функция превращается в полгода войны с железом.

Люди без кода делают продукты У нас в компании начинают кодить всё больше людей, которые раньше код в глаза не видели и имели только базовое представление о работе наших продуктов. Менеджеры, дизайнеры начинают напрямую заниматься разработкой продуктов. Через прослойку в виде вайб-кодинга.Это меняет привычные процессы. Меняет и невероятно ускоряет! Раньше был длинный цикл: дизайнер рисует в Figma, верстальщик переносит, бэкендер подключает. На каждом этапе нужны разговоры и корректировки. Теперь дизайнер иногда может сам скорректировать существующий функционал — агент правит код, создаёт MR, а разработчик просто проверяет, что всё в порядке. Я поэтапно внедряю наши же разработанные инструменты для вайбкодинга всем сотрудникам. Некоторые фичи стали долетать до прода за 1 час вместо 2-4 дней. Оптимизация процессов выходит на совершенно другой уровень. Можно смело констатировать: заказной разработке, такой, какой она была последние годы, наступает конец.