Kurgan-Telecom Ru | Информационные технологии

Я не программист, не девопс и не системный администратор. По диплому — недоучившийся инженер-энергетик, программировать учился сам по учебникам, команды никогда не было. При этом у меня выросли два сервера, полсотни виртуалок и десяток микросервисов. В ночь на четвёртое июня всё это едва не закончилось: кто-то зашёл на резервный сервер и снёс двадцать две виртуальные машины вместе с дисками примерно за десять минут. Разбираю по шагам, где именно я оставил дверь открытой.

В этой статье мы решим классическую задачу из курса гидродинамики [4]: сделаем симуляцию плоского течения в канале. Для этого мы напишем на Python код, численно решающий систему дифференциальных уравнений в частых производных, описывающих поведение несжимаемой жидкости:

Каждый день я изучаю что-то новое. Просматривая очередной курс на компьютерную тематику на Степике я задался вопросом. Насколько мне сегодня нужны эти знания? Не просто для изучения ради изучения, общей эрудиции или тренировки для ума. А именно как полезные практические знания? Или может и не нужны вовсе?

Ответ на этот вопрос сильно зависит от целей. Зачем я учусь и чего хочу этим добиться? Многие приходят к программированию, и вообще в IT, с желанием получить работу (и бабки, бабки, с*ка, бабки!). У меня такой цели никогда не было. Это и плюс, и минус. И причина своеобразного взгляда на мир компьютерных наук, в самом широком смысле термина. Для меня это не прагматика, а прежде всего средство для творчества и самовыражения.

Почти в каждой достаточно большой IT-команде рано или поздно появляется человек, про которого коллеги думают примерно одно и то же: с ним тяжело.

Самое интересное, что сам он совершенно не обязательно считает себя сложным человеком. Наоборот: он прямой, принципиальный, требовательный, профессиональный и просто переживает за результат.

Если перевести эгосинтонность на язык IT, получается довольно точная формула: окружающие уже видят баг, а внутри собственной системы человека он всё ещё зарегистрирован как фича.

Всё началось с желания организовать и автоматизировать работу с Terraform, впоследствии с Terragrunt, выстроить управляемый процесс, централизовать, настроить понятный RBAC, в общем, сделать так, «чтобы было красиво». Было сделано несколько подходов, и были рассмотрены разные варианты. Отправной точкой стало структурирование кода, его декомпозиция и рефакторинг, и постепенно дошло до автоматизации самого процесса применения (или просто plan/apply). К этому моменту основная часть кода сконцентрировалась в монорепозитории в self-hosted GitLab, общая и повторяемая логика отделилась во внутренние приватные модули, а сам код вырос в объёмах: более 4 000 .tf файлов, не учитывая внешних и внутренних модулей, более 900 проектов (каталогов), более 30 000 ресурсов, более 30 уникальных провайдеров Terraform. Конечно, все эти условия в той или иной степени повлияли на конечный выбор.

В этой статье расскажу, как мы перешли от ручного управления Terraform и Terragrunt к автоматизированному процессу на базе Atlantis, какие альтернативы рассматривали, почему выбрали именно Atlantis и с какими неочевидными особенностями столкнулись при его эксплуатации.

Алиса уже умеет за один диалог понять, какой пылесос нужен покупателю, подобрать модели, показать цены и привести к покупке. Следующий шаг очевиден: агент человека сам запросит цены, остатки и доставку у агентов магазинов, выберет предложение и оформит заказ. MCP, A2A, UCP, AP2, ACP и YCP постепенно собирают техническую основу такой торговли. Разбираю, что из этого уже работает в России и США, что изменилось всего за последний месяц и насколько реально, что через 1–2 года человеку станет все реже нужен сайт интернет‑магазина.

Бывает так, что нужно быстро вытащить статью с Хабра, сдернуть с нее чистый текст, разметку и картинки. И желательно сделать это без разворачивания огромных парсеров и сложных сетапов. Мне нужен был простой инструмент, который делает ровно одну задачу: берет ID статьи, забирает весь контент, скачивает медиа и при желании сохраняет все в аккуратный Markdown. Так появился habraloader.

Привет, Хабр! Однажды я подумал, что вот не умеют разработчики жить. В каждом из языков есть свои напасти (от которых, в принципе, спасаются разве что разработчики-полиглоты). Возьмем хотя бы C++ — даже без его шаблонов, исключений, и т.д., там все еще много мраков. Возьмем хотя бы iostream — он, блин, весит 2 МБ в последней версии GCC при компиляции под Windows! Или, вот, std::string — динамическая строка. Звучит интересно на бумаге, учитывая, что язык не из добрейших, но на практике...

Гибкие печатные платы ценятся за способность изгибаться и принимать нужную форму внутри корпуса устройства. Но эта же гибкость становится недостатком в тех местах, где плата должна оставаться жёсткой — например, в зоне установки компонентов или подключения разъёма. Для решения этой задачи применяются платы жесткости (stiffener).

В этой статье разберём, что такое stiffener, зачем он нужен, из каких материалов изготавливается и как крепится к гибкой плате.

Привет, Хабр! Меня зовут Денис Корбаков, я технический директор «Смарт-Софт». Мы разрабатываем NGFW и регулярно разбираем, какие сетевые события можно использовать для независимого контроля автоматизированных систем. Последний год эта задача резко усложнилась. В инфраструктуре массово появился новый операционный тип машинного субъекта: автономный агент, который сам выбирает инструменты, меняет контекст и делегирует полномочия.

Zero Trust никогда не ограничивался только людьми. NIST SP 800-207 прямо включает в модель non-person entities: сервисы, приложения, автоматизированное ПО, и обсуждает их ещё с версии 2020 года. Субъект как класс не новый, новыми являются масштаб, автономность и модель поведения. Большинство корпоративных реализаций IAM на практике заточены либо под человека с интерактивной сессией, либо под стабильный сервисный аккаунт, который работает годами с предсказуемым поведением. ИИ-агент находится между этими моделями: не человек, способный самостоятельно оценить допустимый объём своих полномочий, и не полностью статичный сервис с неизменным поведением. Как отмечает исследование Cloud Security Alliance, проведённое при поддержке Aembit, существующие подходы к IAM испытывают нагрузку, на которую изначально не проектировались.

Человек уже решил записать еду. Но вместо ввода приложение предлагает поиск, штрихкод, фото, AI, рецепт, избранное — и ещё несколько дверей. Я сравнил девять трекеров и проверил на моём обеде, где появляется лишнее состояние.

Программисты 1C не любят типовые конфигурации.

Объясню на одном примере и станет понятно, что 1C не заботится о тех, кто использует ее код в своих решениях.

Пагинация ломается не только внутри запроса к базе. Это цепочка: бэкенд определяет порядок и границу страницы, фронт хранит курсор и объединяет ответы, а пользователь меняет фильтры, повторяет запросы и возвращается на экран. Разберём шесть ситуаций, в которых локальные проверки зелёные, а список целиком работает неправильно.

В июле OpenAI выпустила новую линейку моделей, в конце месяца дважды поменяла цены, а на осень назначила отключение Assistants API, Videos API и всего поколения GPT-4. Мы переподключали под эти изменения свои сервисы и по ходу сверяли каждый шаг с документацией. Заодно посмотрели, сколько русскоязычных руководств успело устареть — оказалось, почти все, включая августовские.

Вводное.
Открываешь статью с многообещающим заголовком. Читаешь пять минут. Потом десять. И вдруг осознаешь, что потратил время впустую: перед тобой либо пересказ Википедии, либо философские размышления автора на тему «как же тяжело жить», либо кривой перевод чьей-то субъективной заметки с Medium, в которой нет ни строчки кода, ни одной метрики, ни архитектурной схемы.
Соотношение сигнала и шума на Хабре неуклонно падает. Инженеры приходят сюда за опытом, паттернами и разбором полетов, а получают информационный фастфуд.
Недавно в ленте мелькнул перевод заметки от именитых вице-президентов Microsoft о том, что «ИИ убивает карьеру джунов». Потратив время на чтение, я обнаружил, что это классическое управленческое эссе. В нем ноль фундаментальных механизмов, ноль алгоритмов, ноль метрик производительности и ноль конфигураций. Это просто мнение, замаскированное под техническую аналитику. Когда автор берет такой «мусор», решает, что он полезен, и тащит его на Хабр, он не делится опытом. Он крадет время тысяч инженеров. Теоретические статьи и исторические экскурсы имеют право на существование. Но они должны содержать оригинальное исследование, глубокий анализ или систематизацию фактов. Если статья просто пересказывает общеизвестные факты без новой аналитики — это перепост Википедии, которому место в личном блоге, а не в профильных хабах.

Всё началось с анализа статей для другого разбора, в итоге вылилось в решение автоматизации.
а конкретно, спасибо вот этой статье.

Полтора года назад я написал о своём подходе к структуре FastAPI-приложений. С тех пор два крупных проекта, production и несколько архитектурных граблей заставили меня многое пересмотреть. В этой статье расскажу, что изменилось и какие решения действительно упростили мне разработку.

Современные жилые комплексы сложно представить без умных цифровых решений. Но по состоянию на 2026 год многие цифровые системы в новостройках перестают полноценно работать уже через несколько лет после ввода дома в эксплуатацию. Часть функций отключается, отдельные сервисы становятся недоступны, данные перестают обновляться. 

Собрал причины, по которым система умного дома начинает буксовать вскоре после ввода в эксплуатацию. Расскажу, как на это влияет маркетинг строительных объектов и почему бытовые гаджеты с AliExpress и других маркетплейсов не заменяют промышленные решения. А также предложу свой взгляд с точки зрения эксперта-практика, принимавшего участие в реализации 50+ проектов умного дома,  как добиться от системы  такой устойчивости, чтобы и через 10-20 лет все работало, как в первый день. 

Перегрузка Span.Sort с компаратором-структурой должна была работать быстрее обычной. Замер показал обратное: памяти она расходует больше всех, а времени тратит больше, чем компаратор-класс — на .NET 8, 9 и 10.

В .NET 11 результат меняется, но не везде.

Почему PLM-системы не понимают ЕСКД: от проблемы совместимости к проектированию собственной модели данных

Сегодня HR-службам не позавидуешь. Часто именно они оказываются в центре скандалов, обвинений и объекты «раздачи слонов». И везде есть своя правда. Компании оказались не готовы к происходящему, HR-службы заваленными резюме, а понимания какова должна быть идеальная структура компания в новых условиях (а какие они?) и как должен выглядеть идеальный сотрудник нет. Руководство компаний часто идет на ощупь, пытаясь рефлекторно отвечать на вызовы – по мере поступления проблем. А тут еще ИИ, не только в качестве проблемы ATS-фильтров, но и как новый «член команды». Не говоря уже о требовании к кандидатам слиться с ИИ-помощником в едином экстазе и порыве…

В связи с чем попалась очередная любопытная статья на РБК В статье описана проблема взаимодействия людей и ИИ-агентов. В погоне за инновационностью и для того, чтобы выглядеть более прогрессивно, менеджеры компаний начинают ИИ-агентов объявлять «членами» команды, наделять ИИ-агентов реальными должностными полномочиями. В результате чего ИИ вытесняет людей из процесса принятия решения, а люди начинают сваливать на ИИ свои провалы. Мне эта ситуация показалась интересна с двух точек зрения: с точки зрения науки менеджмента и философской науки.

С точки зрения науки менеджмента. Что такое «команда», откуда это взялось и почему именно эта, командная парадигма, и стала проблемой.

Анализируя историю последних 30 лет, можно заметить тенденцию к переосмыслению понятия «предприятие» с организационной точки зрения. Если до 90-х годов XX века, предприятие понималась скорее как механизм, имеющий жесткие правила (впрочем, не лишенный гибкости),более-менее стройную иерархическую структуру управления и подчиненную вполне понятной цели – получения прибыли, то потом все поменялось.