Kurgan-Telecom Ru | Информационные технологии

В общем, тривиальная ситуация – пишу коллеге в рабочий чат с целью уточнить сроки по проекту. Вроде коротко и по делу, без всяких подтекстов: "А ты уверен насчет пятницы?". Я имел в виду буквально: есть ли у нас полная уверенность, что дедлайн реален, не подведет ли нас что-то, давай уточним этот момент. Потом я на что-то отвлекся, через время захожу в чат, а там с десяток сообщений. Коллега решил мне объяснить (это я в общих чертах пересказываю), что он вообще-то ответственный человек, что все будет как надо и зря я его так. Я перечитал свое сообщение раз пять. Где? Вот где там был упрек? Три слова и вопросительный знак. 

В общем, я задумался, как так выходит. Текст же вроде имеет фиксированное значение. Это не устная речь, где можно сослаться на тон. Это буквы, одинаковые для всех. Откуда такой разброс интерпретаций? И я решил кое-что почитать по теме, и вот чего узнал. 

Во-первых, меня заинтересовал тот факт, что мы привыкли думать, будто глаз плавно скользит по строчке и считывает каждую букву. А вот и нет. На деле все несколько… странно. Наш взгляд движется скачками - саккадами. Останавливается на долю секунды в одной точке, захватывает несколько символов, потом перепрыгивает дальше. Причем захватывает не все слово, а какие-то его части. Периферическое зрение достраивает остальное. Мозг непрерывно занят предсказыванием. Вот он видит начало слова, контекст предложения и угадывает, что же там дальше. 

Может, вам попадался этот известный пример с переставленными буквами: "По рзелульаттам илссеовадний одонго анлигйсокго унвиертисета..." Во-о-от. И мы спокойно это читаем. Но тут тоже важно не обмануться. Это работает только на коротких и хорошо знакомых словах, да и вообще там масса ограничений. И главный вывод не в том, что можно писать с ошибками, и вас все равно поймут. Вывод другой. Чтение – непрерывный процесс угадывания на основе предыдущего опыта. То есть уже на уровне движения глаз и первичной обработки сигнала мой мозг и мозг коллеги делают немного разную работу. У нас разный словарный запас, разная частота используемых слов, разные нейронные связи. Один и тот же набор закорючек запускает в наших головах немного отличающиеся цепочки. 

Привет, Хаброжители! Сегодня мы хотим рассказать вам побольше о новом предзаказе: «Метрики программной архитектуры. Кейсы, повышающие качество ПО».

Это не монография, а сборник из десяти самостоятельных глав от десяти архитекторов (Форд, Фарли, Лилиенталь, Вудс, Роза и другие), объединённых темой измерения качества архитектуры. Единой теории в книге нет, но есть рабочий код, формулы и параметры оценки, которые можно перенести в проект сразу — от DORA-метрик и фитнес-функций до GQM-подхода.

Вы открыли письмо, а ваш почтовый сервер по указанию из него уже стучится на внутренний адрес, которого вы ему не давали. В июле 2026 Roundcube закрыл релизом 1.6.17 сразу пачку дыр, две из них на 10.0 из 10. Я поднял уязвимую версию на изолированном стенде и прошёл SSRF целиком: HTML-письмо со ссылкой на стиль заставляет сервер сходить во внутреннюю сеть, обход защиты через sslip.io, а в логе виден запрос от IP самого сервера. Разбираю код, показываю как это поймать в логах и как чинит фикс. Отдельно честно объясняю, почему вторую 10.0 (zero-click XSS) из открытых данных воспроизвести нельзя, хотя выглядит эффектно.

Знаете, чем меня лично привлекал фриланс 15 лет назад? Примерно тем же, чем привлекает и сегодня — СВО-БО-ДОЙ. Фрилансер — это в первую очередь «свободный», и уже потом «копьеносец». Или, если хотите, сперва «вольный», и уже потом «стрелок». И в этом основная ценность данного формата работы, которая для меня до сих перевешивает многие плюшки найма по трудовому договору типа ДМС с ремонтом зубов, социального страхования или пенсии от государства.

Буду ли я отчаянно сопротивляться попыткам любого удаленного работодателя контролировать мою работу, пытающегося загнать меня в рамки и алгоритмы? Конечно, буду. Иначе, простите, зачем мне вообще фриланс?

Предлагаю всех причастных присоединиться к обсуждению. Ниже объясню свою позицию и приведу пару примеров, когда заказчикам все же удалось встроить меня в свою систему контроля, но было это очень далеко от тотального режима. Итак, погнали…

Как я автоматизировал превращение вайбкодерского PoC в production-ready MVP

За несколько часов с помощью AI можно собрать работающий PoC: интерфейс открывается, кнопки нажимаются, основной сценарий проходит.

Потом кто-нибудь спрашивает:

А это уже можно выкатывать в прод?

И тут начинается самое интересное. В проекте обнаруживаются дублирование логики, слабая типизация, почти отсутствующие тесты, случайная архитектура, забытые debug-логи и один файл на несколько тысяч строк, который страшно открывать и ещё страшнее менять.

Мне регулярно приходится заниматься именно второй половиной этой работы — превращать быстро собранные прототипы в поддерживаемые MVP.

В какой-то момент я понял, что каждый раз повторяю примерно один и тот же инженерный процесс. Так появился Pre2Prod — CLI на базе Codex, который последовательно проверяет репозиторий, составляет план исправлений, выполняет его и независимо перепроверяет результат.

Под капотом — один постоянный Reviewer, временные Workers, 41 специализированное ревью и простой цикл:

Review → Plan → Implement → Re-review

За четыре месяца работы в паре с Claude Code вокруг проекта наросла инфраструктура, которой в первый день не было и в помине: пять скиллов, четыре хука, 2066 строк собственных скриптов. Разбираю четыре проблемы, которые пришлось решать не промптом, а кодом — и три случая, когда агент уверенно врал.

Использовать нейросети для работы с внутренними данными компании — идея классная, но скармливать их внешним API банально опасно. Никому не хочется, чтобы коммерческая тайна или уязвимости инфраструктуры утекли в сеть.

Выход — поднять модель в своем закрытом контуре. В этой статье мы пошагово развернем языковую модель nvidia/MiniMax-M2.7-NVFP4 на GPU-сервере и подключим ее к S3-совместимому объектному хранилищу. Под катом разбираемся, как подобрать конфигурацию сервера для запуска, создать преднастроенную виртуальную машину, запустить MiniMax-M2.7 через vLLM, подключить S3 и загрузить туда тестовые логи, а также передать модели технический контекст из S3 и сохранить сформированный отчет обратно в бакет.

Рассказываю о корпоративной культуре Японии и её популярных стереотипах внутри страны и за её пределами. В статье — личный опыт, мнение, наблюдения и небольшие исследования. 

Это цикл статей для тех, кто интересуется Японией, её современной жизнью и культурой повседневных деталей. В прошлый раз я писал о культуре печатей в Японии.

Привет, Хабр! В прошлых статьях мы уже обсуждали эволюцию подходов к мониторингу — от ручного анализа данных до использования MCP-серверов для взаимодействия с LLM  и сравнивали философию open-source стека (Prometheus + Grafana) с готовыми APM-платформами . Сегодня я хочу применить этот опыт к специфичной, но крайне важной области — мониторингу систем на платформе «1С:Предприятие».

Задача мониторинга 1С-ландшафта традиционно считалась нетривиальной. Причин несколько: это и закрытость платформы, и специфические источники данных, и сложность интерпретации происходящего для бизнеса. Однако за последние годы инструментарий сильно шагнул вперед. Давайте разберем, какие вообще существуют способы заглянуть под капот работающей 1С — от классических штатных средств до современных решений, строящих единую картину наблюдаемости.

Компания «Нанософт», ведущий российский разработчик САПР/ТИМ-решений, объявляет о выходе нового программного продукта для хранения и визуализации данных 3D-сканирования – PointCloudVault.

Сегодня проектные и строительные компании сталкиваются с серьезным вызовом: объем данных лазерного сканирования достигает десятков и сотен гигабайт, их передача между отделами занимает многие часы, а работа с «тяжелыми» облаками точек часто приводит к сбоям в локальных сетях и, как следствие, к простоям. Отсутствие единого корпоративного хранилища разобщает команды, замедляет принятие решений и увеличивает риск потери актуальных версий данных.

PointCloudVault – серверное решение для создания корпоративной инфраструктуры хранения данных лазерного 3D-сканирования. Продукт предназначен для проектных и изыскательских компаний, предприятий промышленности и строительства, а также других организаций, которым необходимо надежное и масштабируемое хранилище больших массивов данных.

Ключевые возможности

В прохладе лондонской весенней ночи, под пасмурным небом, вокруг меня раскрывается знаменитая Трафальгарская площадь. Адмирал Нельсон возвышается на своём пьедестале, за его спиной — Национальная галерея, а неподалёку — церковь Св. Мартина-ин-зе-Филдс. С XIII века это место служило королевскими конюшнями для соколов, а затем — для лошадей. К 1844 году оно стало общественным пространством в самом сердце одного из крупнейших городов мира. 

Несмотря на то что эта площадь была свидетельницей столь грандиозных исторических событий, я здесь не ради этого. Меня интересует гораздо более конкретный вопрос: я хочу выяснить, что происходит с подобными местами, когда в них проникает искусственное освещение, в частности, от светодиодов (LED). Сегодня вечером моим спутником является Саймон Торп, местный дизайнер по освещению, который, держа в руке экспонометр, притаился в тени у шпиля памятника Нельсону. «Два люкса, — сообщает он, — и здесь очень уютно». Два люкса — это в 10–20 раз больше освещённости, чем при полной луне. Мы хорошо видим друг друга, а расположенная поблизости табличка уверяет нас, что в целях безопасности здесь работает система видеонаблюдения (CCTV). 

В этой статье я расскажу тебе про перспективные подходы в использовании MCP связок для решения задач в области автоматизации тестирования, ручного тестирования и в целом QA области.

Генеративный ИИ всё активнее проникает в корпоративные процессы, но во многих компаниях его продолжают внедрять по-старому — точечными решениями под каждый отдельный кейс. Почему такой подход упирается в потолок и что приходит ему на смену, рассказывает Илья Радченко, директор по платформенным продуктам SimpleOne.

«Люди понимают то, что им дают понять», — говорил Фрэнк Абигнейл. Модели — тоже. Статья о том, как jailbreak обходит защиту LLM не силой, а формой: легендой, стилем, поддельной ролью.

О гиперавтоматизации обычно говорят как о способе быстро сократить издержки и избавиться от рутины. Это подход к автоматизации, сочетающий в себе набор технологий, включая RPA и AI. На презентациях все выглядит просто: выбрали процесс, настроили робота c ИИ, получили экономический эффект.

На практике все оказывается сложнее — многие проекты заканчиваются успешным пилотом, но дальше автоматизация не масштабируется. Меня зовут Мирза, я руководитель проектов ROBIN компании SL Soft и за время работы я сопровождал десятки инициатив, в которых RPA использовалась вместе с ИИ, поэтому сегодня я поделюсь с вами самыми распространенными ошибками внедрения, из‑за которых гиперавтоматизация не оправдывает ожиданий.

Привет, Хабр! Еще 5 лет назад интеллектуальные функции камер в переговорных комнатах в основном ограничивались автоматической регулировкой экспозиции и простым шумоподавлением. Сейчас к этому добавились нейросетевые детекторы людей, отслеживание по голосу и видео, режим мультикадра и режиссерские сценарии переключения. Но даже самая продвинутая камера будет бесполезна, если ее тип и расположение не соответствуют размеру комнаты и сценариям встреч, а свет настроен неправильно.

Меня зовут Дмитрий Белозеров — я работают в МТС Линк и моя команда отвечает за ПО и оборудование для переговорных комнат. На основе своего опыта и опыта коллег составил гид по основным типам камер, ИИ-функциям и сценариям для разных помещений. Материал пригодится новичкам и тем, кто хочет быстро погрузиться в тему.

Если вы работаете с системами для управления корпоративным контентом, то понимаете, что главная их проблема — это недостаточный уровень производительности. То, что прекрасно работает на 20 документах, тормозит и выдает ошибки на 2 млн. Как узнать об этой проблеме до того, как система сдана клиенту в промышленную эксплуатацию? Ответ: провести нагрузочное тестирование.

Привет! Мы — Владимир Семенов, старший системный архитектор LDM (входит в холдинг LANSOFT), и Олеся Панкова, инженер по нагрузочному тестированию. В нашей статье — не сухие цифры из отчета, а экспертиза инженеров команды.

По всей Северной Америке дата-центры растут как грибы и превратились из второстепенного элемента экономики в критическую инфраструктуру. Они обслуживают облачные вычисления, онлайн-банкинг, стриминг, электронную коммерцию, блокчейн, государственные системы и самое главное — искусственный интеллект.

В США действует более 5 400 дата-центров, ещё 1 500+ находятся на разных стадиях строительства. Согласно анализу Pew Research Center, картина меняется радикально: если сейчас 87% действующих объектов расположены в городах, то 67% запланированных — уже в сельской местности. Строительство смещается на Юг и Средний Запад — эти два региона получат три четверти всех новых объектов. Лидеры по числу запланированных строек: Вирджиния (287), Техас (170), Джорджия (141), Иллинойс (123), Аризона (86).

Уже сегодня 38% американцев живут в пяти милях от хотя бы одного действующего дата-центра. Ещё 4% — вблизи запланированного. Итого 42% населения уже стали соседями этой индустрии — и это ещё до завершения большей части запланированных строек.

На этом фоне растёт недовольство у простых американцев, которые испытывают нехватку электроэнергии, чистой воды и страдают от шума дата-центров. Они пытаются всеми силами остановить строительство новых объектов.

Масштабирование – это всегда стресс для компании. То, что работало в небольшой команде, перестает быть эффективным, когда сотрудников становится в разы больше. И чаще всего бизнес спотыкается не о внешние обстоятельства, а о собственную неготовность управлять знаниями и процессами.

Первого января 1864 года из Иркутска ушла телеграмма. По содержанию — ничего особенного: поздравление императору с Новым годом, дежурный верноподданнический жест. Интересно другое. Ответ из Петербурга пришел через 17 часов.

Семнадцать часов. Вроде много, да? Но вдумайтесь.

Еще лет за десять до этого депеша из Иркутска в столицу ехала с фельдъегерем. Хороший фельдъегерь покрывал шесть тысяч верст недели за три (Транссиба еще не было). Благодаря строгому документированию таких пересылок мы знаем примерные нормативы доставок: три недели считались отличным результатом. Обычная же почта шла месяц-полтора.

А тут — ответ через 17 часов. Вместе с очередями на промежуточных станциях и переписыванием депеши на узлах. Отличный результат.

Власти этой экономией времени были впечатлены настолько, что к 1870 году телеграф Российской империи стал самым протяженным в Европе — 91 тысяча километров.

Давайте проследим его историю и посмотрим, через что ходили депеши в нашей стране в XIX веке. Начнем с того, как провод вообще дополз до Иркутска. А закончим тем, как телеграмма из Лондона стала доходить до Владивостока — и кто по дороге пытался ее читать.