Типичный программист

Почему простаивающие GPU — это самолёты на земле В авиации выживали не те, у кого больше самолётов, а те, кто держал их в воздухе. Самолёт в ангаре тратит деньги, а не приносит: лизинг, страховка, обслуживание и так далее. GPU работают так же. Карта в стойке жжёт деньги на амортизацию, электричество и охлаждение, а полезный выхлоп даёт только когда на ней считают. Две компании с одинаковым бюджетом на железо всё чаще расходятся не по количеству GPU, а по тому, сколько из них реально занято. Первая волна корпоративного ИИ выигрывала качеством моделей. Теперь узкое место сместилось в инфраструктуру: утилизация, а не владение, решает, кто окупит инвестиции. Разбор на Hugging Face.

Cloudflare дала MoQ изолированные реле: один API-вызов и секунды до сети Год назад Cloudflare включила Media over QUIC на каждом сервере, но это была общая площадка без аутентификации: тестировать протокол можно, а в продакшене не разделишь, кто публикует, а кто смотрит. Теперь у MoQ появился API для создания реле: вы создаёте изолированное реле под своё приложение, даёте разные ключи издателям и подписчикам, и реле разворачивается по сети Cloudflare за секунды, без серверов и балансировки. MoQ работает поверх QUIC (тот же транспорт, что у HTTP/3) и копирует именованные потоки от отправителя к тем, кто их запросил. Реле не смотрит внутрь данных, поэтому через один протокол можно гнать видео, звонки и сообщения с низкой задержкой. В бета-версии реле бесплатны, поддерживаются draft-14 и draft-16. Разбор Cloudflare — подробности про API и условия беты.

В прошлом году холдинг Т1 определил ключевые направления развития продуктов: ИИ, ПО (включая инструменты для управления разработкой), облачные сервисы, отраслевые ПАКи, инфраструктурное ИТ-оборудование. По отчёту за первое полугодие 2026 года выручка Т1 выросла на 20% по сравнению с прошлым годом. Основные доли заняли: продажа ПО — 48%, разработка — 20%, техническая поддержка — 16%. По итогам всего года холдинг прогнозирует рост чистой выручки не менее 10%. Будем наблюдать. @tproger

ИИ сместил бутылочное горлышко с кодинга на ревью Когда ИИ пишет код быстрее, чем команда его проверяет, узким местом становится ревью. С начала года ассистенты вроде Opus 4.5 и GPT 5.4 увеличили объём, и исследования подтверждают, что обсуждений нагрузки на ревью стало заметно больше. Компании отвечают двумя путями: специализированные инструменты вроде CodeRabbit, Greptile, Qodo и SonarQube, встроенные ревью в Claude Code, Cursor и GitHub Copilot, а также собственные решения. Uber Code Inbox, к примеру, ранжирует изменения по риску, а Cloudflare, Faire и HubSpot построили свои инструменты. Обзор показывает, что ряд крупных команд останавливается на собственных инструментах, потому что они лучше ложатся на внутренние процессы.

Мониторинг ИИ-агентов часто сводится к «залогируй всё и grep потом» Это не мониторинг, а археология. Пока вы роетесь в логах, агент уже упал, клиент ушёл, а причина осталась где-то между тремя вызовами API. Живая картина нужна раньше, чем придёт жалоба. AgentForge предлагает другой подход: структурированная трассировка каждого запуска, WebSocket-панель с пульсом агентов и оповещения, которые отключают проблемный агент при росте ошибок. Автор разобрал, как это устроено: от задержек и токенов до стоимости одного прогона. Главное здесь — метрики в контексте: какой агент сейчас работает, какие данные он держит, почему таймаут. Для тех, кто отлаживал многоагентную систему, это звучит как настоящая находка.

Сооснователь Oracle предупредил, что камеры на улицах, в машинах и на полицейских вместе с ИИ превращают наблюдение в полностью автоматический процесс. Система сама анализирует видео в реальном времени и докладывает о нарушениях без участия человека. Эллисон сравнил происходящее с «Большим Братом» Оруэлла: граждане начнут вести себя идеально, потому что всё фиксируется и уходит в отчёты. Инфраструктура для такого мира уже строится вокруг нас — дроны, камеры, облачные ИИ.

За распознаванием банкнот обычно стоят смартфоны или терминалы. Тут нужны лишь дешёвая камера, кнопка и динамик. Автор снимает купюру на ESP32-CAM, отправляет кадр в облако CircuitDigest и озвучивает номинал через динамик. Железо минималистичное: плата, усилитель PAM8403, динамик и кнопка. Трюк в том, что распознавание уходит в облако, а на микроконтроллере остаётся только снимать и озвучивать. Это снимает ограничения железа и ускоряет сборку прототипа. Самое полезное тут — паттерн: взять доступное IoT-ядро, прикрутить к нему чужое зрение через API и сделать вспомогательный гаджет. Разбор со схемой.

У Ли Хатчинсона цифровые часы начались как простая идея, но быстро превратились в оверинжиниринг. Синхронизацию времени он завязал на systemd, а скрипт для экрана написал с помощью Claude Code. Самое интересное — корпус: автор не инженер-механик и не любит интерфейс Fusion, поэтому вместо ручного моделирования подключил языковую модель к CAD через MCP-сервер, который даёт ИИ доступ к командам программы. Локальный Qwen за один запрос выдал почти готовую геометрию, но в другой части ошибся. Довести модель до собираемого состояния помог более мощный Claude. Получился интересный кейс, где ИИ уже работает не только с кодом, но и с CAD-инструментом, который обычно требует ручной возни. Разбор со всеми деталями сборки и оговорками по ссылке. Если вы мечтали и такую задачу переложить на могучие плечи ИИ, то вот вам реальный сценарий.

Автор PGSimCity собрал интерактивную 3D-модель движка PostgreSQL: вместо очередной схемы из документации работу базы показывают через город, по которому можно бродить. Получился рабочий прототип, где сложная система отображается через привычную метафору. Визуализация помогает увидеть, как части движка связаны между собой, а не просто запомнить термины. Автор предупреждает, что модель пока ранняя и может содержать неточности, так что пока смотреть как на эксперимент, а не как источник правды. Но как способ взглянуть на Postgres иначе — отличная находка. #postgresql #sql

ИИ-агент, верстающий интерфейс, не знает, какие компоненты уже есть в вашей кодовой базе, какие у них пропсы и какие паттерны запрещены. Результат выглядит похоже, но использует выдуманные API и игнорирует принятые решения. Простой костыль — скопировать исходники в промпт. Но в дизайн-системе десятки компонентов с вариантами и состояниями, и всё это не влезает в контекст. Агент вынужден угадывать по кускам текста. В Storybook 10.3 добавили аддон @storybook/addon-mcp, который реализует MCP-сервер: агент может запросить список компонентов, их документацию, сгенерировать сторис или прогнать тесты. Сильная сторона в том, что агент не получает подсказку, а задаёт вопросы библиотеке. Разбор с примером настройки: если у вас есть дизайн-система, ИИ начинает писать в рамках ваших компонентов, а не «где-то рядом».