Kurgan-Telecom Ru | Информационные технологии

Есть два способа узнать, что вам пришло письмо. Первый — каждые тридцать секунд бегать к почтовому ящику и заглядывать внутрь. Второй — почтальон звонит в дверь, когда письмо реально есть.

Long Polling — это первый способ. Бот в бесконечном цикле долбит getUpdates на серверы Telegram: «есть что‑нибудь? а сейчас? а сейчас?». Telegram, надо отдать ему должное, держит соединение открытым и отвечает не мгновенно, а когда появляются апдейты — поэтому polling и называется long. Но суть не меняется: инициатор — вы, соединение висит постоянно, и весь этот механизм живёт внутри одного вашего процесса.

Webhook — это почтальон. Вы один раз говорите Telegram: «вот мой HTTPS‑адрес, стучись сюда». Дальше при каждом новом сообщении Telegram сам делает POST‑запрос на ваш эндпоинт с JSON‑апдейтом внутри. Нет сообщений — нет запросов. Нет запросов — нет расхода ресурсов.

Для пет‑проекта на пять пользователей разницы никакой, поллинг даже удобнее — не нужен домен и сертификат. Но как только бот становится частью нагруженной системы, вебхуки выигрывают по всем фронтам: апдейт прилетает мгновенно, а не в конце очередного цикла опроса; входящий трафик — это обычные HTTP‑запросы, которые можно балансировать между несколькими инстансами; и главное — бот превращается в обычный веб‑сервис, к которому применим весь стандартный инструментарий: Nginx, healthcheck'и, метрики, горизонтальное масштабирование.

Привет! Хочу рассказать вам о том, как мы применили продуктовый подход к исследованию опыта разработчиков при работе с Figma, чтобы создать единый стандарт оформления макетов в компании.

На Хабре уже есть несколько отличных разборов того, как разные команды наводят порядок в Figma: аннотации, стрелки, сценарии, раскладки макетов и так далее. Я видел материалы Ozon Tech, t2, Иннотех — это классные справочники правил, можно брать и пользоваться. Но, когда в 2024 году я взялся за задачу подготовки стандарта для нашей компании, то столкнулся с вопросами, о которых нигде ничего не нашел. Как разработать единый подход? Что считать правильным и почему? Как упаковать эту идею и «продать» остальным членам команды, а главное: что делать дальше?

В этой статье поделюсь нашим методом поиска ответов на эти вопросы.

Итак, друзья, на днях вышел традиционный обзор рынка труда. Теперь уже за июнь 2026 г. Оригинал материалов размещен тут. На мой взгляд, он показывает интересную картину: не то чтобы кадровый дефицит закончился; скорее рынок стал сложнее и менее однородным.

Рынок труда в России за последние годы застрял в нескольких формулировках: «кадровый дефицит», "гонка зарплат", "рынок соискателя". Людей не хватает, зарплаты растут, работодатели конкурируют за кандидатов, бизнесу сложно закрывать вакансии.

И если смотреть только на общий показатель hh.индекса, кажется, что рынок развернулся в сторону работодателя. В июне 2026 года он составил 8,3, т.е. на 1 размещенную вакансию приходится указанное число соискателей. И вроде бы все здорово, но если погрузиться чуть глубже на уровень профессий и отраслей, картина быстро перестает быть простой и очевидной.

Два года по вечерам в одиночку пилю текстовую MMORPG в Telegram. Сейчас в ней 1111 аккаунтов и 586 выживших, которые бродят по мрачному острову. И где-то в админке ждёт кнопка, которая сотрёт их прогресс до нуля. Сезонный вайп, как в Rust. Я собрал её, проверил на тестовом сервере и до сих пор не нажал на проде. Рассказываю, почему «стереть всех» это не DELETE FROM, как один разработчик не держит в голове 99 таблиц, и какой тест блокирует мне деплой, если я забыл про новую таблицу.

ИИ снова закрывается. Пока мир следит за технологической войной чипов, Пекин и Вашингтон начали закрывать доступ к самому главному — готовым моделям. США уже убрали Claude Mythos из общего доступа, из-за рисков в кибербезопасности. 

Китай в свою очередь готовится заблокировать экспорт GLM, Qwen и DouBao. Добро пожаловать в эпоху «цифрового суверенитета», где нейросети официально признаны стратегическим оружием. Разбираемся, к чему приведет эта односторонняя прозрачность.

На NLP/LLM собеседованиях часто проверяют не только знание архитектуры Transformer, но и понимание полного жизненного цикла современной LLM: как модель предобучается, почему обычная GPT-модель ещё не является удобным ассистентом, зачем нужен instruction tuning, как работает RLHF и что такое alignment, какие у него есть подводные камни.

В этой статье - чеклист по GPT-like моделям, prompt engineering, этапам обучения LLM и alignment. Это не полноценная лекция с нуля, а тренажёр перед техническим интервью: пройтись по ключевым определениям, увидеть типовые вопросы и закрыть пробелы в формулировках.

Содержание:

Краткая история развития LLM от GPT до ChatGPT

Техники промпт-инжениринга

Этапы обучения LLM

Alignment

Итоговый чеклист вопросов с собесов

Полезные материалы

Чтобы измерять нагрузку, ошибки, задержки и потребление ресурсов, осознанно поддерживать SLO и настраивать алерты, не обойтись без Prometheus. Он принимает текстовый формат на HTTP-эндпоинте. Только вот Kafka, PostgreSQL, сетевое железо и Redis метрики по HTTP не отдают, либо понимают только JMX, SNMP и собственный REST API. Так что без переводчика не обойтись.

Всем привет! Я DevOps-разработчик из MTC Web Services. Этим материалом я открываю цикл из пяти постов, благодаря которому вы шаг за шагом напишете собственный Prometheus exporter с нуля на языке Go. Но просто написать код может и ИИ. Моя же цель — дать вам не только практическую, но и теоретическую основу, чтобы в будущем вы могли легко разработать свой exporter под любую задачу. 

Если вдруг вам уже знакома теория и важнее практика — заглядывайте в оглавление за практикой. В качестве примера я выбрал kafka_exporter: он покрывает несколько типов источников, позволяет реализовать паттерн Custom Collector и его легко тестировать локально. А еще есть много популярных kafka_exporter, с которыми мы сможем сравнить наш результат. Код буду коммитить в репозиторий.

Мы сильно улучшили нашего агента в этом релизе и прокачали нашу топовую модель Koda pro в основе которой GLM 5.2. В момент первого запуска в нашем плагине даже не было режима «Агент», а сейчас он стал для нас основным. С момента запуска этого режима в прошлом сентябре мы накопили много опыта в создании кодового агента. В релизе 1.0 мы значительно улучшили агентность: обновили реализацию агентных инструментов, системный промпт и провели новую итерацию обучения моделей. В результате, на нашем бенче из задач, отобранных из SWE-bench Verified, на нашей старой версии Koda Pro метрики увеличились на 10%.

Модель              resolved/completed

Koda-pro old v9.8. 59%

Koda-pro (GLM5.2)            77.4%

claude-sonnet-5          78.8%

Koda Pro основанная на GLM 5.2 и близка по метрикам к топовым моделям.

Мы провели большое число замеров нашего агента с различными opensource-моделями. GLM 5.2 показала себя наилучшим образом. Также ещё подкрутили настройки под неё. Отдельная история — это оптимальный инференс модели и как её ужать в одну ноду. В итоге у нас получилось раскачать Koda Pro до уровня Claude Sonet 5.

В центре практически каждой наблюдаемой массивной галактики находится сверхмассивная чёрная дыра. Космический телескоп НАСА имени Джеймса Уэбба обнаружил, что некоторые из этих сверхмассивных чёрных дыр могут быть даже слишком большими для галактик, в которых они находятся, что ставит под сомнение представления астрономов об этих объектах и вызывает вопросы об их росте в ранней Вселенной. Астрономы по-прежнему исследуют многие ключевые вопросы, касающиеся этих загадочных и мощных объектов, и их изучение может помочь учёным понять, как формируются и растут галактики.

Я астроном, изучающий сверхмассивные чёрные дыры в других галактиках. Эти увлекательные астрономические объекты могут рассказать исследователям о том, как материя поглощается или выбрасывается из центра галактики и как это может влиять на другие процессы в галактике.

Небольшая история о том, как я искал для себя читалку, как в итоге придумал новый формат для электронных книг — и, главное, как я месяцами воевал с дешёвыми LLM, чтобы они генерировали этот формат без ошибок. Будет и про устройство формата, и про то, как он «затюнен» под копеечные модели, и про основные проблемы.

Я разрабатываю спортивный гаджет, и он умеет принимать пульс со стандартных BLE-датчиков с профилем Heart Rate. Датчиков у меня было три ...

Чат GPT давно перестал быть инструментом только для текстов. Сегодня это сильная модель, которая помогает придумывать визуальные идеи, описывать сцены, дорабатывать промты и создавать картинки по обычному человеческому запросу. Пользователь может написать, какое изображение ему нужно, уточнить стиль, настроение, детали кадра — и получить готовый визуал без сложных настроек. 

Когда нужно быстро сгенерировать изображение для поста, карточки товара, обложки, аватарки или личной фотосессии, удобно использовать нейросеть для генерации изображений, где можно работать с визуалом онлайн и пробовать разные идеи без сложного софта. Такой подход особенно полезен, если вы не хотите разбираться в профессиональных редакторах, но хотите получить красивую картинку по описанию.

В этой статье расскажу о том как я воплотил в реальность свою идею разработать легковесный prodaction guardrails. Расскажу что такое Guardrails, далее поделюсь основными компонентами lite-guardrails, его архитектурой, этапами разработки, настройкой observability, а также созданием документации по проекту.

Компания Valve опубликовала релиз проекта Proton 11.0-1, основанного на кодовой базе проекта Wine и нацеленного на обеспечение запуска в Linux игровых приложений, созданных для Windows и представленных в каталоге Steam. Выпуск 11.0-1 отмечен как первый стабильный релиз ветки 11.0. Наработки проекта распространяются под лицензией BSD.

Proton позволяет напрямую запускать в Linux-клиенте Steam игровые приложения, поставляемые только для Windows. Пакет включает в себя реализацию DirectX 8/9/10/11 (на базе пакета DXVK) и DirectX 12 (на базе vkd3d-proton), работающие через трансляцию вызовов DirectX в API Vulkan, предоставляет улучшенную поддержку игровых контроллеров и возможность использования полноэкранного режима независимо от поддерживаемых в играх разрешений экрана. Для увеличения производительности многопоточных игр поддерживаются механизмы esync (Eventfd Synchronization) и futex/fsync.

( читать дальше... )

 proton, valve, wine, игры

Помните интернет-магазины, где на странице контактов висел номер ICQ? Зелёный цветок показывал, что менеджер онлайн и может ответить на запрос.  А про квитанцию Сбербанка в способах оплаты? Её нужно было распечатать, заполнить и отнести в отделение. Та ещё интернет-торговля.

В 2000-х всё стало иначе. ICQ сменили на чаты поддержки. Квитанции ушли в музей. Потом Price.ru и первые прайс-агрегаторы уступили место маркетплейсам. Интерфейсы стали лучше, оплата быстрее, доставка привычнее. Сейчас уже виден следующий слой: товар может стать ответом AI-ассистента на запрос покупателя. А дальше начнётся новая борьба за то, какие товары попадут в ответ машины.

Привет, Хабр. Меня зовут Дмитрий Смирнов. Я более 20 лет занимаюсь развитием бизнеса в ритейле, FMCG и смежных отраслях. В этой статье хочу описать эволюцию ритейла не как историю красивых интерфейсов, а как историю потери контроля. Кто видит покупателя? Кто управляет карточкой? Кто решает, какой товар будет наверху? И что будет, когда первый контакт с покупателем уйдёт от маркетплейса к AI-ассистенту?

Коллега прислал скриншот: попросил модель перемножить два шестизначных числа, та выдала ответ мгновенно, уверенно и с ошибкой аккурат в середине числа — первые и последние цифры правильные, серединка выдуманная. Подпись под скриншотом была короткая: «И вот этому мы доверяем юнит-экономику?» Вопрос риторический, но он вскрывает недопонимание, которое я встречаю постоянно, в том числе у технарей: от языковой модели ждут поведения калькулятора, а потом обижаются. Давайте разберём, почему арифметика для LLM — противоестественное занятие, почему она при этом «иногда работает» и что индустрия с этим делает. Спойлер: делает, и довольно успешно, просто не там, где кажется.

Начать придётся с банальности, которую все знают и мало кто продумывает до конца: языковая модель предсказывает следующий токен, а не исполняет алгоритм. Умножение в столбик — это процедура: разряды, переносы, промежуточные суммы, строгий порядок операций. Процессор её исполняет, школьник исполняет, а трансформер за один проход — нет: он порождает текст, похожий на правильный ответ, опираясь на статистику виденных примеров. Для коротких чисел этой статистики навалом — таблица умножения и мелкая арифметика встречаются в обучающих данных миллионы раз, поэтому «7 × 8» модель выдаёт безошибочно. Но это работа памяти, а не вычислителя: примерно как вы отвечаете «пятьдесят шесть», не перемножая ничего в голове. С ростом разрядности похожие примеры из данных заканчиваются, и модель начинает делать то, что умеет, — правдоподобно продолжать. Отсюда фирменный почерк ошибок: верные крайние цифры (их проще выучить как паттерн) и каша в середине, где нужно честно тащить переносы.

Моему деду восемьдесят два. Инженер, пятьдесят лет стажа, из них последние пятнадцать — в почётной должности «внук, почини интернет». Excel он уважает, мессенджеры терпит, а важные электронные письма распечатывает и складывает в шкаф — «чтобы было». Прошлой зимой он посмотрел по телевизору сюжет про искусственный интеллект и спросил меня, правда ли, что «эта штука пишет документы». Я сказал: правда. Он сказал: покажи. Дальше начались три месяца полевого эксперимента, из которого я вынес больше, чем из иных рабочих проектов, — потому что смотреть, как с технологией разбирается человек без наших рефлексов, оказалось поучительнее любых статей про UX.

Первая попытка провалилась образцово. Я открыл ему чат — тогда это был ChatGPT через мой аккаунт, но с тем же успехом это мог быть GigaChat или что угодно ещё, — развернул экран и гордо сказал: пиши что хочешь. Дед посмотрел на пустое поле, потом на меня и задал вопрос, который я теперь считаю главным вопросом всей потребительской ИИ-индустрии: «А что писать-то?» Я ответил худшим из возможных способов: «Да что угодно!» Он пожал плечами, набрал двумя пальцами «здравствуйте» и получил в ответ три абзаца доброжелательной пустоты. На этом сеанс закончился. «Болтливая, — резюмировал он. — Как справочная, только справок не даёт».

Разбор полётов занял у меня пару недель, и главный вывод был неприятным для моего самолюбия: проблема не в дедушке. Пустое поле пугает не тех, кто глуп, а тех, кто аккуратен. Он инженер старой школы; для него система без документации — неисправная система. Он всю жизнь работал с системами, у которых есть паспорт, режимы и допуски, и предложение «пиши что хочешь» звучит для него не как свобода, а как «инструкция утеряна, действуй на свой страх и риск». Добавьте сюда два классических страха поколения: «я нажму не то и сломаю» и «оно всё запоминает» — второй, кстати, не такой уж иррациональный, если почитать пользовательские соглашения. В общем, свободный чат разбился о совершенно здравую осторожность.

Задача выглядела на полчаса: найти команде сервис для расшифровки созвонов с заказчиками. Требования скромные — русская речь, разделение по голосам, выгрузка текстом, вменяемая политика по данным. Единственное ограничение мне выставили сами коллеги: «только не по рекламе из телеги, найди по-человечески». По-человечески — это, видимо, по каталогам. Через неделю я вынырнул из этих каталогов с готовым решением, лёгкой контузией и наблюдениями, которыми хочу поделиться, потому что сам жанр «каталог ИИ-инструментов» оказался устроен куда занятнее, чем я думал.

Начал я, как все, с самого известного англоязычного агрегатора, где счёт позиций давно идёт на десятки тысяч. Первое впечатление сильное: вводишь задачу, получаешь стену карточек. Второе впечатление приходит минут через двадцать: значительная часть этой стены — однотипные обёртки над одними и теми же API, различающиеся лендингом и ценником. Третье впечатление — самое неприятное: заметная доля ссылок ведёт на сервисы, которые уже умерли. Домен продаётся, «мы ушли на пивот», просто вечная заглушка. Каталог при этом бодро показывает карточку с описанием и рейтингом. Оно и понятно: записи добавляются пачками, а перепроверять десятки тысяч позиций вручную никто не будет — экономика жанра не сходится.

Экономика жанра вообще главный ключ к его пониманию. Каталоги живут с размещений, подписок разработчиков и «фичеринга» — платного поднятия в выдаче. Это не делает их бесполезными, но означает простую вещь: порядок карточек отражает не качество сервисов, а структуру чьих-то маркетинговых бюджетов. У Futurepedia и Toolify та же модель, плюс вокруг каждого выросла ферма SEO-статей формата «15 лучших нейросетей для X в 2026 году», которые, по всем признакам, пишутся теми же нейросетями. Круг замкнулся: ИИ генерирует обзоры ИИ-сервисов, чтобы люди находили их через поиск, наполовину состоящий из таких же обзоров.

Redis долго был понятным выбором: BSD-лицензия, можно использовать почти где угодно. После смены лицензии в 2024 году всё стало сложнее: RSAL, SSPL, AGPLv3, Valkey, форки и вопросы к юристам.

В статье рассматриваю этот вопрос со стороны обычных продуктовых команд, а не облачных провайдеров. Если Redis у вас внутри как кеш, очередь или для сессий, что реально меняется, где начинаются риски и что сегодня разумнее выбрать - Redis 8, Valkey или другой Redis-compatible вариант.

Недавно я объяснял стажёру, как правильно формулировать запрос к языковой модели, и на середине фразы «сначала задай роль, потом контекст, потом формат ответа» поймал дежавю. Ровно этими же интонациями мне самому когда-то объясняли bash: сначала команда, потом ключи, потом аргументы, и не дай бог перепутать порядок. Прошло тринадцать лет, индустрия совершила несколько революций, а я снова диктую человеку синтаксис невидимого языка, у которого нет ни автодополнения, ни подсветки ошибок, ни даже гарантии, что вчерашняя команда сегодня сработает так же.

Это не случайное сходство. Мне кажется, мы наблюдаем полный оборот маятника, который качается в интерфейсах уже полвека, и полезно посмотреть на него целиком.

Командная строка была первым массовым интерфейсом и до сих пор остаётся самым мощным. Она даёт доступ ко всему пространству возможностей системы — но при одном условии: это пространство надо держать в голове. Пустая строка с курсором не сообщает о системе ничего. Какие команды существуют, какие у них ключи, что система умеет в принципе — всё это знание живёт вне интерфейса: в man-страницах, книжках, головах старших товарищей и, конечно, в личных шпаргалках. Каждый юниксоид со стажем таскает за собой файлик с выстраданными однострочниками, потому что помнить весь синтаксис невозможно, а терять найденное решение обидно.

Графические интерфейсы победили командную строку не потому, что были мощнее. Они были заведомо слабее: любой GUI показывает лишь подмножество того, что умеет система. Победили они потому, что сделали возможности видимыми. Кнопка сообщает: меня можно нажать. Меню перечисляет всё, что здесь вообще бывает. Дон Норман называл это аффордансами — свойствами объекта, которые сами подсказывают способ обращения с собой. Дверная ручка-скоба говорит «тяни», пластина — «толкай», и когда дизайнер путает одно с другим, получается «дверь Нормана», об которую бьются поколения посетителей. Так вот, GUI — это система, целиком собранная из правильных дверных ручек. Порог входа упал на порядок, компьютеры ушли в массы, а командная строка осталась профессионалам — как более мощный инструмент для тех, кто готов платить за мощность обучением.