47682
Авторский канал по ВАЙБ КОДИНГУ, сотрудничество: @nikwolve
Последний совет по Claude Code в этом году: /usage
«Я сейчас в лимит не врежусь?»
/usage — посмотреть текущие лимиты/extra-usage — снять ограничения
А что если дать Клоду возможность сочинять музыку. 😈
Вот первая песня, которую он написал =)
Мой любимый способ использовать Claude Code для сборки крупных фич — работать от спеки.
Начни с минимальной спеки или промпта и попроси Claude прогнать тебя через уточняющие вопросы с помощью AskUserQuestionTool
Потом открываешь новую сессию и уже исполняешь спеку.
Когда пилишь крупные фичи или новые проекты, Claude легко может задать 40+ вопросов, и в итоге получается гораздо более детализированная спека, при этом у меня всё ещё ощущение полного контроля над результатом.
Промпт, который я использую, такой:
read this @SPEC.md and interview me in detail using the AskUserQuestionTool about literally anything: technical implementation, UI & UX, concerns, tradeoffs, etc. but make sure the questions are not obviousЧитать полностью…
be very in-depth and continue interviewing me continually until it's complete, then write the spec to the file
Парень выкатил свежий блог про то, как выжать максимум из claude code 2.0 и агентских инструментов вообще. Завари чай и почитай для души 😈
Читать полностью…
Если ты всё ещё проходишь мимо скилла dev-browser — зря спишь.
На 1 демо можно увидеть как GPT 5.2 в Codex программно шарится по документации Seedream_AI на ByteDance VolcEngine
1. npm i -g openskills
2. openskills install SawyerHood/dev-browser
3. openskills sync
Готово.
Antigravity: просмотреть изменения или принять всё
Я: принять всё, ооо
Prompt: Создать анимацию запуска ракеты: старт с зажигания двигателя и густого дыма, затем медленный отрыв от площадки с постепенным ускорением. Всё в одном HTML-файле на HTML/CSS/JS.
HTML Output (размер результата):
618 строк HTML (gpt-5.2-extended-thinking)
332 строки HTML (gemini-3-pro)
188 строк HTML (grok-4.1-thinking)
820 строк HTML (opus-4.5-thinking-32k)
- gpt-5.2-extended-thinking: Оценка 9.6/10. Reasoning Time: 22 c, общий ответ: 129 c, объём reasoning: 205 слов
- gemini-3-pro: Оценка 9/10. Reasoning Time: 10 c, общий ответ: 36 c, объём reasoning: 203 слова
- grok-4.1-thinking: Оценка 2.8/10. Reasoning Time: 6 c, общий ответ: 10 c, объём reasoning: 63 слова
- claude-opus-4.5-thinking-32k: Оценка 7.4/10. Reasoning Time: 72 c, общий ответ: 184 c, объём reasoning: 1353 слова
Ещё один проект на сегодня: разработчик показал just-bash (реализацию bash на TypeScript под AI-агентов.) Зачем?
Агентам удобно разбираться в данных через шелл, и это работает лучше, чем куча спец-тулов. Внутри grep, sed, awk и всё, что обычно нужно Claude Code или Cursor. Есть бинарь, оверлей-ФС, sandbox-режим и API совместимое с Vercel Sandbox.
Практика такая: агент запускает just-bash, копается в проектах, патчит, проверяет, не имея доступа к настоящей системе. Быстро, безопасно в рамках песочницы и без выхода за root. Большую часть кода написал Opus 4.5, сам автор всё не читал. 😊
Пакет: тут
Подробнее: тут
На видео показан пример агента, исследующего только что созданную кодовую базу.
Чувак завернул Claude Code в контейнер и поднял его в Kubernetes как автономного онколл-бота. Он следит за конкретными namespace, ловит ошибки в приложениях, сам заходит в под, делает хотфикс и в конце собирает отчёт. По факту получился инженер дежурства 24/7, только без кофе и бессонных ночей. 😊
Архитектура простая: дашборд + cronjob. Поведение задаётся через env-переменные — auth_mode (api_key/auth.config) и worker_mode (autonomous/watcher). Мониторит только те namespace, которые вручную разрешили.
В демке он запускается в autonomous mode: находит ошибку, патчит прямо в рантайме и заканчивает отчётом. Время реакции — около 3–5 минут. Автор проверил на двух кейсах: один простой, другой пожёстче.
Дашборд и прогоны можно глянуть тут
Репозиторий и пример k8s-конфигов (в том числе под ArgoCD) лежат в посте, тут же
PKM cтартовый набор. С AI-агентами и хуками на базе Obsidian + Claude Code:
• шаблон структуры Obsidian-хранилища (чтобы сразу начать вести заметки по шаблону)
• интеграция с Claude Code (чтобы интеллект мог работать с твоими заметками)
• хуки, кастомные агенты и «skills» (автоматизация задач, ревью недель, организация воронок и т.д.)
• автоматические коммиты, гиты, шаблоны ежедневных задач и целей
• модульные правила и расширяемость под себя
• цель — за ~15 минут получить рабочую PKM-систему с AI-помощниками
Кому интересно, вот ссылка 📖
/export
Иногда нужны “протоколы”./export выгружает весь диалог в markdown: все промпты, ответы, вызовы тулов — вообще всё.
Удобно для доков, для обучения, ну и чтобы доказать самому себе в прошлом, что ты это уже пробовал.
В последнее время вокруг Wenxin постоянно всплывают новости.
Только что пролистывал текстовый рейтинг LMArena и неожиданно увидел, что выкатили ещё один превью-релиз — ERNIE-5.0-Preview-1203.
Он уже ворвался в глобальный топ-10 и стал единственной китайской моделью в топ-20. Похоже, Baidu всё это время спокойно и под шумок наращивала мощь.
Говорят, релиз финальной версии запланирован на январь. Если даже превью уже настолько сильное, то на какое место выйдет полноценный релиз? 😲
Интерес подогревается. Я продолжу следить за новостями и, когда выйдет финальная версия, постараюсь найти время и прогнать её в реальных тестах.
Парень сделал skill для Claude, который превращает Claude Code в персонального наставника по программированию.
Ключевая идея простая. Claude Opus 4.5 уже сейчас лучший тьютор в мире. Команда Anthropic отлично поработала с этой моделью. У нее сильный эмоциональный интеллект и очень глубокие знания в коде.
Сам skill по сути просто обвязка. Он дает Claude возможность агентно собрать правильный контекст именно о ТЕБЕ, чтобы максимально точно персонализировать обучение.
Вот за счет чего это работает.
» Профиль ученика с первого дня. При первом запуске Claude проводит мини-интервью. Спрашивает про твой бэкграунд в программировании, цель (к чему ты хочешь прийти) и немного про тебя как человека. Это сохраняется и влияет на каждый туториал, который он для тебя пишет. С самого начала все на 100% персонализировано.
» Туториалы на ТВОЕМ коде. Когда ты хочешь что-то изучить, Claude не пихает абстрактные примеры из случайного блога. Он находит примеры прямо в том коде, над которым ты сейчас работаешь. Так концепции реально лучше укладываются, чем на оторванных от жизни примерах.
» Режим квизов с интервальным повторением. Можно запустить /quiz-me, и Claude проверит тебя по тем темам, которые ты уже проходил. Он ведет score по пониманию для каждого туториала и использует интервальное повторение. То, где ты плаваешь, возвращается через 2 дня. То, что ты уже уверенно знаешь, уходит на интервалы 55+ дней.
» Единая база знаний для всех проектов. Неважно, ты пришел в новую компанию и разбираешь их код, изучаешь open source или прокачиваешь свой собственный вайб-кодинг проект. Все туториалы лежат в одном месте (~/coding-tutor-tutorials/). Твой персональный coding-tutor едет с тобой через все проекты.
В итоге получается замкнутый цикл: учишься → проходишь квиз → закрепляешь → учишься дальше → снова квиз → снова закрепление. Туториалы эволюционируют, знания накапливаются, а Claude со временем все лучше учит именно ТЕБЯ.
Как установить в Claude Code:
• Выполни /plugin, чтобы открыть менеджер плагинов
• Добавь marketplace nityeshaga/claude-code-essentials
• Включи плагин coding-tutor
GitHub: тут
И еще есть 20-минутное видео, где автор подробно показывает, как пользоваться плагином и как он устроен
Всем нужны onboarding-доки. С /init Claude пишет их сам./init → Claude читает твой кодбейс и генерирует файл CLAUDE.md с командами сборки, инструкциями по тестированию, описанием ключевых директорий и принятых конвенций.
Claude онбордит сам себя. Хороший Claude. ❤️
Большой момент для Postgres.
AI-инструменты для написания кода до сих пор часто слабо справляются с PostgreSQL.
Не потому что модели тупые, а из-за того, как они вообще обучались писать SQL.
LLM-ы тренируются на интернете, а интернет забит устаревшими ответами с Stack Overflow и «быстрыми гайдами», которые решают проблему здесь и сейчас, но не учитывают эволюцию Postgres за десятилетия.
Поэтому, когда просишь ИИ сгенерировать схему, он выдает что-то, что формально запускается, но проигнорировано куча важных штук:
Нет GENERATED ALWAYS AS IDENTITY (с PG10)
Никаких expression или partial индексов
Нет NULLS NOT DISTINCT (PG15)
Нет CHECK-ов и нормальных внешних ключей
Генерятся безликие имена, которые ничего не говорят
Но это решаемая проблема.
ИИ можно научить писать нормальный Postgres, если дать ему доступ к правильной документации прямо на этапе генерации.
Ровно это и делает свежевышедший pg-aiguide от TigerDatabase — опенсорсный MCP-сервер, который дает инструментам кодогенерации доступ к 35 годам постгресовского опыта.
Если коротко, MCP-сервер позволяет:
Делать семантический поиск по официальному мануалу PostgreSQL (с учетом версий, понимает отличия PG14 vs PG17)
Использовать наборы «скиллов» с мнением по лучшим практикам: дизайн схем, индексация, ограничения
Я прогнал эксперимент в Claude Code, чтобы посмотреть, как это работает, и вместе с командой собрал результаты.
Запрос: «Сгенерируй схему для e-commerce дважды: с MCP выключенным и включенным. Потом оцени и сравни результаты».
Результат с включенным MCP:
На 420% больше индексов (включая partial и expression)
На 235% больше ограничений
На 60% больше таблиц (нормализация)
11 функций и триггеров под автоматизацию
Современные паттерны PG17 по всему проекту
Схема, сгенерированная с MCP, уже на старте имеет нормальную целостность данных, оптимизации под производительность и адекватные соглашения по именованию, которые не стыдно унести в прод.
pg-aiguide работает с Claude Code, Cursor, VS Code и любыми MCP-совместимыми инструментами.
Бесплатный и полностью опенсорс. 👍
Есть ли еще программисты, которые изучают основы, прежде чем позволить ИИ писать код за них?
Читать полностью…
Команда Codex "/review" под капотом использует вот этот промпт:
https://github.com/openai/codex/blob/main/codex-rs/core/review_prompt.md
Он довольно "не универсальный" и жёстко задаёт стиль, поэтому вместо этого можно попросить основного агента поднять суб-агента вручную:
codex exec \
-s read-only \
-m gpt-5.2-codex \
-c model_reasoning_effort="xhigh" \
"<review-prompt>"
Предновогодний подгон от Грег Айзенберга: он написал пошаговый план по созданию мобильных приложений с помощью ИИ. ❤️
Это полноценная инструкция из 33 пунктов, как запустить свой ИИ-стартап:
1. Берёшь Claude Code, Rork, Vibecode и прочие инструменты, поднимаешь первый мобильный MVP в тот же день, как появилась идея.Читать полностью…
2. Через Claude Code уплотняешь логику, закрываешь крайние кейсы, делаешь поведение предсказуемым.
3. Сразу продумываешь ключевое взаимодействие так, чтобы оно помещалось в 10 секунд записи экрана. Это новый «lean startup».
4. Смотри топовые короткие видео в своей нише и выпиши первые 3 секунды каждого — это входные хуки.
5. Демо вокруг хука, а не вокруг списка фич — меняем мышление.
6. Записывай простые демки прямо с эмулятора или устройства и выкладывай без полировки.
7. Короткие видео — твой канал обратной связи в реальном времени. Это важно.
8. Тестируй несколько хуков для одного и того же приложения до того, как снова трогать код.
9. Смотри в аналитике, где люди ставят паузу, пересматривают или пишут «wait what» — это сигналы, что им реально важно.
10. Скринь комментарии, которые понятнее всего описывают продукт, и используй эту формулировку дальше.
11. Скормите комментарии Claude Code и попроси сгруппировать фидбек в конкретные изменения.
12. Вкати минимальное изменение, которое делает демо понятнее.
13. Через Claude Code быстро внеси правки и перезапиши демо в тот же день (делает основатель, помощник или ИИ-аватар — не важно).
14. Повторяй цикл каждый день, пока приложение не станет объяснять себя без озвучки.
15. Пусть демо само станет механизмом дистрибуции. Это твой ориентир.
16. Вводи пейволл, когда появился интерес. Проверяем готовность платить.
17. Добавь один вопрос или мини-опрос в онбординг, чтобы создать ощущение вложенности.
18. Используй ответы, чтобы персонализировать первый результат под пользователя.
19. Покажи результат сразу после онбординга, чтобы было понятно, что ввод имел значение.
20. Сразу после первого использования дай одно чёткое инсайт-сообщение «зачем это вообще».
21. Сохраняй первый результат, чтобы возникло чувство владения и повод вернуться.
22. После появления ценности попроси о небольшом следующем шаге — усиливаем вовлечённость.
23. Популярные ответы из онбординга превращай в новые углы для демо-контента.
24. Покажи прогресс «до/после», даже в простом виде.
25. Дергай повторное вовлечение, когда результат реально изменился.
26. Дай способ экспортировать/шарить результат так, чтобы сохранялся контекст — помогает вирусности.
27. Улучшай онбординг-тексты с Claude Code по тому, что реально конвертит.
28. Хук зафиксирован, когда люди начинают объяснять приложение друг другу.
29. Увеличивай частоту публикаций, когда формат стабильно работает. Продолжай эксперименты.
30. Подстраивай продукт под то, что заходит в видео.
31. Коротко: Ship → демо → наблюдай реакцию → ужимай цикл → монетизируй → повторяй, пока не появится инерция.
32. Дальше, если повезло: PMF. Потом дивиденды, новые приложения (купить или собрать), или раунд, если хочется.
33. Всё. Ты собрал мобильное приложение с ИИ.
Sandbox Mode
«Я могу запустить npm install?» [Allow]
«Я могу запустить npm test?» [Allow]
«Я могу прочитать этот файл через cat?» [Allow]
и так по кругу штук сто раз/sandbox → границы заданы → Claude работает внутри
Один раз задаешь рамки. Дальше Claude спокойно крутится внутри них.
Максимальная скорость по принципу yolo при реальной безопасности
Узнать больше 🎁
Бесплатный API с моделями ИИ — без привязки карты.
✓ 1000 запросов в день к моделям OpenAI
✓ Есть Qwen 3, Kimi K2 и Llama
✓ Аудио, голос, reasoning и прочее
Сервис называется Groq → http://groq.com
Дообучи DeepSeek-OCR под свой язык
(все на локалке, 100%)
Большинство vision-моделей воспринимают документы как огромные последовательности токенов, из-за чего обработка длинного контекста получается дорогой и медленной.
DeepSeek-OCR использует контекстное оптическое сжатие, чтобы переводить 2D-лейауты в vision-токены. Это дает эффективную обработку сложных документов.
Это vision-модель на 3B параметров, которая дает 97% precision, при этом использует в 10 раз меньше vision-токенов, чем текстовые LLM.
И да, ее можно без проблем дообучить под свой кейс на одной GPU.
Я использовал Unsloth для эксперимента на персидском тексте и получил улучшение character error rate на 88.26%.
↳ Базовая модель: 149% character error rate (CER)
↳ Дообученная модель: 60% CER (на 57% точнее)
↳ Время обучения: 60 steps на одной GPU
Персидский был просто тестовым кейсом. Ты можешь подставить свой датасет под любой язык, тип документов или конкретную предметную область, с которой работаешь.
Все на 100% open source
Технический стек:
- UnslothAI для запуска и тонкой настройки модели
- LightningAI среды для хостинга и развертывания
Код и настройки среды можно найти здесь
Старший инженер Google выкатил документ на 424 страницы под названием Agentic Design Patterns.
Каждая глава подкреплена кодом и закрывает передний край разработки AI-систем:
→ цепочки промптов, роутинг, память
→ MCP и координация нескольких агентов
→ guardrails, reasoning, планирование
Это не блог-пост. Это полноценная программа. И она бесплатна.
PDF-версия кому нужна 📖
Firecrawl выкатили ноду/agent для n8n
Обогащать данные ещё не было настолько легко: просто опиши, что тебе нужно, и /agent сам подтянет всю нужную инфу.
Глянь интеграцию тут
AI-фреймворк для пентестинга с упором на автономных агентов.
Внутри больше 150 инструментов для автоматизации пентестов, поиска уязвимостей, багбаунти-рутинга и ресёрча в безопасности.
Сохраняем себе 🕺
Большинство гайдов по RAG ограничиваются схемой retrieval + generation. При многотуровых диалогах и сложной логике такой подход быстро разваливается по качеству.
На GitHub нашел проект Агентный RAG для чайников. Не ведись на слово "для чайников" в названии: по сути это продакшен-уровневое решение agentic RAG, собранное на LangGraph.
Там есть память диалога и иерархическая индексация: сначала поиск по мелким чанкам, затем подтягивание крупных для полного контекста. Это снижает риск ответов без нормального окружения.
Поддерживается параллельная работа нескольких агентов для разруливания сложных запросов. Если инструкция расплывчатая, система может сама переспросить, чтобы уточнить намерение, вместо того чтобы уверенно галлюцинировать.
Еще внутри есть Gradio-интерфейс: управление документами, сохранение диалогов, ручное вмешательство (human-in-the-loop) и прочее. Плюс дается полный гайд по конвертации PDF в Markdown, с инструментами и сравнением вариантов.
Есть быстрый деплой через Docker и подробные Notebook-уроки, так что локально поднять все довольно легко.
Теперь можно собирать реальные приложения прямо в ChatGPT.
Без сетапа. Без переключения вкладок.
Просто опиши, что хочешь сделать, и смотри, как это оживает.
Знакомься: Replit в ChatGPT.
Старт прямо в ChatGPT: напиши @Replit и опиши свою идею.
Приложение начинает собираться сразу.
Начать можно здесь 🎧
Replit Agent:
• создаёт приложение
• настраивает всё окружение
• показывает живой превью прямо в чате
Без переключения вкладок.
Нужно что-то поменять? Просто скажи:
«Приведи в порядок лейаут.»
«Добавь ещё одну страницу.»
«Смени цвета.»
Изменения применяются в реальном времени.
Если ты можешь объяснить идею, ты можешь превратить её в приложение.
Попробуй ❤️
Можно использовать skills, чтобы оркестрировать сабагентов для сложных воркфлоу. Это отличный способ оптимизировать контекст, потому что у каждого сабагента он свой. Сегодня это потестили, работает реально хорошо.
Можно даже обернуть весь skill в отдельного сабагента, который будет его вызывать, чтобы ещё сильнее экономить контекст сессии.
Правда, это может ухудшить понимание того, что происходит внутри. Этот вариант пока не до конца изучен.
Что странно, можно упаковать сабагентов прямо внутрь самого skill, в папку {skill}/agents/. В документации про это вообще ни слова, но на практике всё работает вполне нормально.
Пруфы на 2 скрине 🎩