Kurgan-Telecom Ru | Информационные технологии

Сразу и без кокетства, чтобы дальше читать с правильными ожиданиями.

Код в этом проекте пишет ИИ. Целиком. Бэкенд на Go — язык, которого я не знаю: я не писал на нём ни строчки ни до, ни во время проекта. Фронт на TypeScript и Vue — тут я в теме и мог бы читать, но не читаю. В код я не смотрю вообще: ни в реализацию, ни в тесты, ни в диффы. Я пишу задачу и проверяю результат — всё.

Это не признание в лени, это условие эксперимента. Мне было интересно, где именно упрётся такой режим — и он упёрся, причём не там, где я ждал.

За два месяца у меня сложился образ, который объясняет происходящее лучше любой аналитики. ИИ-разработчик — это гениальный ленивый дед с деменцией. Он помнит наизусть всю стандартную библиотеку и напишет вам за минуту то, на что вы потратите день.

На связи Сергей Скирдин, технический директор ИТ-интегратора «Белый код». Уже 2 года я делаю подробные обзоры на продукты класса ESB. Появилась идея детально разобрать решения, которые предлагают те или иные платформы, для интеграции с 1С. В этом материале про возможности «Интегры».

В последнее время генеративный ИИ все чаще становится частью корпоративных систем, и российский бизнес активно ищет способы его применения в CRM и ERP. Интерес к таким решениям за последний год вырос в два-три раза. Количество запросов «Битрикс24 ИИ» увеличилось на 600%, «CRM с нейросетью» — на 550%, «ИИ в 1С» — на 85%. При этом, по данным «СберАналитики» и «Сбер Бизнес Софт», 39% российских организаций уже используют ИИ-агентов и ассистентов в документообороте, финансах и HR. Тем не менее, ERP в этом смысле остается более консервативной областью. ИИ чаще подключают к ней в виде отдельных сервисов. Давайте разберем, в каких задачах ИИ действительно оправдан, как выбрать подходящий способ интеграции и почему в большинстве случаев корпоративную ERP разумнее не заменять, а постепенно дополнять.

Рынок созрел, но внедрения с ИИ точечные

Объем российского рынка ERP-систем по итогам 2025 года оценивается примерно в 100 млрд. рублей и продолжает плавно расти. При этом интерес к использованию встроенных ИИ-инструментов в корпоративных системах огромный. Но пока еще процент компаний, реально применяющих ИИ в ERP, остается небольшим. Сейчас начинают появляться ИИ-сервисы, которые могут встраиваться по API в ERP-системы.

Но прежде, чем браться за внедрение, компаниям предстоит ответить на несколько принципиальных вопросов.

В последнее время генеративный ИИ все чаще становится частью корпоративных систем, и российский бизнес активно ищет способы его применения в CRM и ERP. Интерес к таким решениям за последний год вырос в два-три раза. Количество запросов «Битрикс24 ИИ» увеличилось на 600%, «CRM с нейросетью» — на 550%, «ИИ в 1С» — на 85%. При этом, по данным «СберАналитики» и «Сбер Бизнес Софт», 39% российских организаций уже используют ИИ-агентов и ассистентов в документообороте, финансах и HR. Тем не менее, ERP в этом смысле остается более консервативной областью. ИИ чаще подключают к ней в виде отдельных сервисов. Давайте разберем, в каких задачах ИИ действительно оправдан, как выбрать подходящий способ интеграции и почему в большинстве случаев корпоративную ERP разумнее не заменять, а постепенно дополнять.

Рынок созрел, но внедрения с ИИ точечные

Объем российского рынка ERP-систем по итогам 2025 года оценивается примерно в 100 млрд. рублей и продолжает плавно расти. При этом интерес к использованию встроенных ИИ-инструментов в корпоративных системах огромный. Но пока еще процент компаний, реально применяющих ИИ в ERP, остается небольшим. Сейчас начинают появляться ИИ-сервисы, которые могут встраиваться по API в ERP-системы.

Но прежде, чем браться за внедрение, компаниям предстоит ответить на несколько принципиальных вопросов.

Представим обычную продуктовую задачу. Нужно добавить новую фичу. Команда описывает её через Specification-Driven Development и фиксирует сценарии, ограничения, API и критерии приёмки. Агент получает контекст, быстро пишет код, тесты и инфраструктуру. Через день, а то и раньше, почти готов результат. Но где здесь waterfall?

Если фича изолирована, команда может безопасно выкатить её под флагом, быстро увидеть пользовательский сигнал и так же быстро откатить изменение. Тогда большой агентный батч становится отличным экспериментом.

Привет, Хабр! Меня зовут Марат Киньябулатов, я эксперт по гибким практикам и отвечаю за эффективность инженерных команд в ядре банка. В этой статье я разберу, когда SDD действительно помогает агентам, а когда слишком рано фиксирует решение. Покажу это на нескольких кейсах и разберу, как сохранить короткий цикл обратной связи, когда код появляется быстрее, чем команда успевает проверить результат.

Привет, Хабр! На связи команда разработки Just AI. Хотим рассказать, как мы автоматизировали часть рутинных задач вокруг разработки с помощью LLM-агента. Не генерацию функций и не написание кода — нас интересовало то, что происходит с задачей до и после написания кода: создание merge request, сборка, обновление Jira, передача задачи на тестирование и другие повторяющиеся действия.

На небольшой задаче таких шагов набирается около десяти. Нужно помнить порядок действий, договоренности команды и постоянно переключаться между разными инструментами. Мы решили передать эту рутину агенту: описали правила команды текстовыми инструкциями и подключили инструменты для работы с Jira, GitLab, Jenkins и Sentry.

В статье расскажем, как разобрали эти действия на слои, какие ограничения добавили и что в итоге изменилось в работе команды.

Современные интерактивные веб‑карты — это больше, чем привычные бумажные географические атласы. Это инструменты, позволяющие выявлять тенденции, закономерности и взаимосвязи в геоданных в реальном времени, наслаивая друг на друга различные метрики. Такой подход превращает картографию из статичного справочника в динамическую среду для визуального анализа больших данных.

В транспортной отрасли различные устройства передают информацию не только о своём местоположении, но и другие важные для организаций метрики. Телематические датчики, бортовые контроллеры и мобильные терминалы ежесекундно генерируют поток данных о расходе топлива, окружающей температуре, загрузке магистралей и пунктуальности городского транспорта. Наложение этой многомерной телеметрии на географическую карту позволяет диспетчерам и аналитикам видеть, где находятся объекты, когда они прибывают в пункт назначения и сколько ресурсов тратят на маршруте. В результате карта превращается в «командный пункт» для отслеживания показателей эффективности.

В Инновационном центре «Безопасный транспорт» при ЦОДД интерактивную отчётность и дашборды создают в BI‑системе «Visiology». Платформа позволяет кастомизировать визуализацию, собирая из различных виджетов полноценные отчёты.

Но как из сырых данных создать комплексные интерактивные карты, пригодные для оперативной аналитики? Какие инструменты позволяют вывести многомерную геопространственную информацию на дашборд в браузере пользователя — в реальном времени, без долгой загрузки и потери производительности? В этой статье мы разберём, какие JavaScript‑библиотеки и подходы лежат в основе современных картографических визуализаций, и покажем на примере наших дашбордов, как превратить телеметрию транспорта в наглядные и полезные отчёты.

История развития многослойных конструкций – это наглядная эволюция, которая начиналась с примитивного сочетания природных материалов: глины, соломы, дерева, мха и камня. Наши предки интуитивно понимали, что если между двумя слоями засыпать землю или глину, то в доме становится заметно теплее. Так рождались первые примитивные «слоеные» стены. Шли века, и на смену случайным засыпкам приходили всё более продуманные механизмы. Сегодня же многослойные конструкции превратились в сложные инженерные системы, где каждый слой просчитан, подогнан и выполняет свою функцию.

Без таких конструкций невозможно представить современное проектирование. Поэтому для нашего примера – двухэтажного коттеджа – необходимо было смоделировать многослойные конструкции в nanoCAD BIM Строительство.

В этой статье мы детально рассмотрим многослойные конструкции стен, однако принцип моделирования таких конструкций в nanoCAD BIM Строительство универсален и применим также к другим элементам здания, например к перекрытиям.

Сам проект имеет интересную предысторию. «Коробка» дома уже была возведена на участке, но в процессе строительства возникла необходимость пристроить к дому веранду и гараж. В связи с этим принято решение смоделировать коттедж в новом продукте – nanoCAD BIM Строительство.

Здесь мы столкнулись с ограничением: в текущей версии nanoCAD BIM Строительство отсутствует прямая, «коробочная» возможность создавать многослойные стены как единую интеллектуальную конструкцию (рис. 1). Процесс моделирования сводится к последовательному построению отдельных стен, каждая из которых будет соответствовать одному слою конструкции с заданными характеристиками.

Последний месяц лета закрываем длинным списком релизов для AI-агентов: документация, MCP-сервер, скиллы, навыки, файлы в чате и четыре новые модели в каталоге. Причина простая: каждое третье обращение к нашей документации — от агентов, нужно считаться с новой аудиторией.

Вторая половина выпуска для тех, кто читает сам: три класса хранения в S3, отмена удаления баз, клон приложения в App Platform, домены через Госуслуги и обновленный Kubernetes.

Разворачиваем каждый пункт ниже ↓

В вашей дизайн-системе могут быть особые требования к внешнему виду скроллбаров. К сожалению, нативные возможности стилизации весьма ограничены, поэтому, если вы сталкивались с подобными требованиями, единственный вариант — делать собственный компонент.

Для этого нам нужно решить несколько задач: понять, когда надо показывать ползунок, какого он должен быть размера и где находиться, обновлять положение при прокрутке и тому подобное.

Что, если я скажу вам, что в 2026 году JavaScript для всего этого нам больше не нужен?

Пару недель назад YouTube подкинул мне пятиминутный ролик с небольшого канала, где автор демонстрирует преимущества RAG на графах над обычным RAG поверх корпуса текстов.

Пример довольно простой. LLM должна ответить на вопрос: “Кто должен подписать возврат клиенту на 800 фунтов в марте?”. Ответ, естественно, содержится в предоставленных текстах, но для того, чтобы его добыть, нужно уметь в multi-hop reasoning, т.к. необходимая информация лежит в 3х разных местах:

Модель вернула не все записи, валидатор отбросил пригодные данные, ручная очередь спрятала подходящие вакансии. Разбираю три места, где мой конвейер терял полезные результаты, и проверки, которые помогли это обнаружить.

Прототип в Figma может выглядеть логично для дизайнера и всей продуктовой команды, но первый же пользователь способен за несколько минут обнаружить проблемы, которые никто не заметил на ревью. Неочевидная кнопка, непонятный следующий шаг, неожиданная логика формы — исправить такие вещи в прототипе значительно проще, чем после разработки.

В этой статье разберу, как организовать тестирование прототипов Figma: подготовить сценарии и задания, подобрать участников, собрать обратную связь и превратить результаты в конкретные решения по интерфейсу. Отдельно покажу, как связать работу с прототипом с опросом в Тестографе, чтобы получать не только отдельные комментарии пользователей, но и данные, которые можно сравнивать и анализировать.

Я занимаюсь анализом данных в Тестографе и консультирую клиентов по методологии опросов, поэтому буду смотреть на тестирование прототипов прежде всего как на исследовательскую задачу. Нас будет интересовать не вопрос «нравится ли пользователю дизайн», а более полезные вещи: смог ли человек выполнить задачу, где он столкнулся с затруднением и какие данные действительно позволяют понять, что стоит изменить в интерфейсе.

За последние полгода вышли сотни материалов об ИИ-агентах. Особенно много говорят про OpenClaw и Hermes. Я изучил, пожалуй, добрую половину из них, протестировал сам и хочу поделиться выводами.

Давайте признаем: полезных кейсов применения сейчас действительно немного, денег вся эта инфраструктура ест прилично, а половину демонстрируемых функций проще вызвать в обычном чате с ИИ. И это вполне валидные претензии к OpenClaw как к готовому продукту. Вот только рассматривать его исключительно как потребительский продукт — ошибка. Когда я это понял, мой взгляд на технологию кардинально изменился. Революция действительно произошла, но не там, где ее привыкли искать.

В этой статье мы подробно разберем, почему OpenClaw стал важной вехой в развитии ИИ, хотя и не предложил ничего принципиально нового, а затем рассмотрим архитектуру автономных агентов и пошагово пройдем процесс создания и деплоя вашего собственного цифрового помощника.

Тестировщик — одна из самых доступных точек входа в IT. Не надо знать сложные алгоритмы и не нужен диплом технического вуза. Но нужно уметь думать нестандартно, находить, что не работает, и точно описывать проблемы. Это делает QA-инженера ценным членом команды.

По данным исследования Хабр Карьеры за первое полугодие 2026 года, зарплаты тестировщиков выросли на 5% — это один из лучших показателей среди IT-специализаций. Для сравнения, з/п разработчиков выросли только на 1%. 

При этом разброс внутри профессии большой: ручное тестирование и автоматизация — разные деньги и разные требования. В статье разберём, кто такой QA-инженер, чем занимается, сколько зарабатывает, где учиться и как получить первую работу.

Привет, Хабр! Была одна вещь, которая давно (примерно 3 дня) не давала мне покоя в Sheeternetes. Весь смысл проекта — «таблица и есть кластер»: Deployments, Nodes, Pods живут во вкладках, таблица — источник истины. Вот только в первых версиях мы покривили душой и шли против истины. Планировщик — та самая часть, что решает, какой под на какую ноду поедет, — был Python-функцией, которая читала таблицу снаружи. То есть таблица хранила состояние, а думал Python.

Это жульничество, и оно меня грызло (на самом деле нет, это клод так придумал). Поэтому я решил убрать последний внешний мозг: переписать планировщик как формулу таблицы. Без Python, без Apps Script, без bash. Одна =LET(…) на под, которая читает вкладку Nodes и решает, куда его поставить, — пользуясь только тем, что встроено в Google Sheets.

И оно работает. Воспроизводит bin-packing, capacity, spread, sticky placement, cordon, affinity и taints — и выдаёт ровно ту же раскладку, что и настоящий Python-планировщик, на всех девяти его юнит-тестах.

На первый взгляд, поиск в сервисе услуг — это довольно типовая задача. Что там может быть особенного? Под капотом лежит каталог услуг, Elasticsearch, нормализация запросов, ранжирование, кеширование. Ничего такого, чего не было бы в других продуктах. Но это только на первый взгляд.

Сейчас расскажу, как устроен поиск в Профи.ру, зачем мы добавили в него LLM и почему языковая модель у нас не заменила классический алгоритм, а стала его дополнительным слоем.

Cursor начал отменять платные подписки пользователей из России: 5 сентября появились сообщения о письмах, в которых сервис ссылается на работу из запрещённого региона. В одном из уведомлений пользователю отменили Pro+ и пообещали вернуть деньги за неиспользованный период. Масштаб отключений пока неясен, но вопрос «а в чём теперь работать?» уже вполне практический.

Сколько ни улучшай PostgreSQL, сколько ни отчитывайся о реальных историях внедрения, архитектурный потолок от этого никуда не исчезает: есть класс задач, где дальнейшее развитие в рамках традиционной архектуры объективно затрудняется. 

Именно здесь появляется Tantor Polar — распределенная СУБД с разделением вычислений и хранения и 100% совместимостью с PostgreSQL. На ее основе построена машина баз данных Tantor XData Gen3, объединяющая мощные вычислительные узлы, высокопроизводительное общее хранилище и высокоскоростную сеть c RDMA в единую систему. В этой статье мы покажем, что эта архитектура дает на практике — рассмотрим устройство синергично работающих программных и аппаратных модулей позволяющих достичь высоких показателей в популярных нагрузочных фреймворках, таких как TPC-B (250 тыс. TPS) и TPC-C (2,6 млн NOPM). 

Я пишу эту статью, потому что потратил довольно много времени разбираясь с подключением сервисов Google Workspace к Claude Code CLI и OpenClaw. И хочу чтобы другим было проще. Я постарался объяснить что происходит, чтобы когда вы читали инструкции вашего агента или документацию, понимали что от вас хотят.

В статье нет пошагового гайда по настройке какого-то конкретного клиента. Это набор знаний, как настроить любой клиент (например, написанный вашим агентом)

А подключение агента к календарю и почте - тема полезная. Я уже не представляю как ставить встречи на много человек вручную (хотя вьетнамские флешбеки имеются =))