🇺🇦 Math.random(): community of engineers

☁️ 12 безкоштовних курсів для тих, хто будує AI на хмарі

Частина 5: Cloud & ML Ops.

Фінал серії. Прикладне для тих, хто деплоїть моделі в продакшн на AWS, Azure чи GCP.

🟧 Amazon AWS
Від основ GenAI до ML-моделей у проді

1) GenAI Learning Plan
2) GenAI for Decision Makers
3) Low-Code ML on AWS
4) Amazon Transcribe: Getting Started
5) Machine Learning Learning Plan

🟦 Microsoft Azure
Готовий стек для корпоративного AI

1) Azure OpenAI Service
2) Azure AI Services + Power Virtual Agents
3) Custom ML Models
4) Master Azure AI Fundamentals

🟩 Google Cloud
Генеративка на інфраструктурі Google

1. Introduction to Image Generation
2. Introduction to Vertex AI Studio
3. Generative AI Explorer - Agent Platform

⚠️ Частина курсів потребує хмарного акаунта; окремі лаби можуть витрачати кошти на інфраструктуру.
💬💬💬💬💬💬💬💬💬
Серія «50 безкоштовних
AI-курсів» - повна карта:
💬💬💬💬💬💬💬💬💬
▪️ Для інженерів
▪️ Старт з нуля
▪️ Промпт-інжиніринг
▪️ AI Fluency
▪️ Cloud & ML Ops (ви тут)
💬💬💬💬💬💬💬💬💬
🔖Зберігайте цей пост - звідси відкривається вся серія 🔖

CoffeeScript - мова, яку списали років 10 тому, раптом виявилася 2 з 5 за дешевизною для LLM:

ZeroLang — 231 токен
CoffeeScript — 239
JavaScript — 287
Civet — 320
TypeScript — 377

Пам'ятаєте, за що його списали? Синтаксичний цукор, жодних типів, «мова для лінивих». Стрілочні функції з нього переїхали в сам JS — і на цьому подяки скінчилися. Відсутність типів стала ахіллесовою п'ятою, і індустрія пішла далі без нього.

👀А тепер незручна частина. CoffeeScript справді писали ліниві розробники для лінивих — щоб менше друкувати. Десять років це було звинуваченням. Сьогодні за клавіатурою дедалі частіше агент, і кожна пропущена фігурна дужка, кожна викинута крапка з комою — це токен, який модель не перечитує на кожному проході.

Лінь, за яку соромили, стала стратегією.

Патерн стабільний по всьому дослідженню: синтаксис на відступах послідовно б'є синтаксис на дужках. Дужка — токен. Крапка з комою — токен. Відступ — безкоштовний.

Повертатися на CoffeeScript не варто — екосистема давно не розвивається, а нетипізовані бази боляче масштабуються. Але патерн, який він уособлює, — саме те, до чого сходиться дизайн AI-first мов.

Іноді старі ідеї просто чекають свого часу.

Усі цифри й повний розбір тут🔖

🔵TypeScript «з'їдає» на 63% більше LLM-токенів, ніж найощадливіша мова з тих, що я тестував — і на 31% більше, ніж звичайний JavaScript.

За ту саму логіку.

Зі статті ви дізнаєтесь:

→ чому найощадливішою виявилась мова, про яку ніхто не чув
→ чому JavaScript і TypeScript стискаються найкраще — і все одно програють
→ як за 4 рядки коду виміряти цей податок на власному репозиторії

Друга частина «Tokenomics of Web Development» вже на HackerNoon

Прогнав ідентичний код через tiktoken на п'яти мовах — JavaScript, TypeScript, CoffeeScript, Civet і ZeroLang. Ті самі задачі, ті самі алгоритми, ідіоматичний код, без трюків на скорочення.

І одразу: це не заклик кидати типи, вони ловлять реальні баги. Це про дещо інше — про те, хто тепер читає твій код.

Читайте та рахуйте свій токен-податок на власному коді👀

#TokenEconomics #LLM

👀 Як перевести проект на Rust-тулінг за вихідні

JS у AI-епоху · тренд 1 з 10

Rust-based тулінг став дефолтом, а швидкий пайплайн = агент не чекає = менше токенів. Тепер конкретика - що і як замінити, без болю і з можливістю відкату.

1. Лінтер + форматтер: ESLint + Prettier → Biome

Два інструменти, два конфіги, два проходи по коду - в один бінарник. Biome дає ~97% сумісності з Prettier і працює у 25-35 разів швидше.

Міграція автоматична:

npm install --save-dev --save-exact @biomejs/biome
npx @biomejs/biome migrate eslint --write
npx @biomejs/biome migrate prettier --write

Команди читають ваші .eslintrc і .prettierrc та переносять правила в biome.json. У кінці інструмент покаже, який відсоток правил відтворено - рішення приймаєте за даними, не наосліп.

Перевірка: biome check . замість окремих lint і format.

2. Рантайм + менеджер пакетів: Node.js → Bun

Bun стартує миттєво (немає startup overhead) і ставить залежності в рази швидше. Почніть з малого: bun install замість npm install у pet-проекті. Більшість npm-скриптів працюють без змін.

Що варто знати до переходу:

Biome гірше покриває Vue, Markdown, YAML - якщо їх багато, лишіть для них Prettier, а Biome дайте на JS/TS. Гібрид теж робочий.

Bun у проді ще не для всіх кейсів - перевірте свої нативні залежності.
Усе оборотне: конфіги ESLint/Prettier не видаляйте відразу, тримайте тиждень паралельно.

🗣Чому це не просто "модно":

Коли CI летить за 30 секунд замість 5 хвилин, міняється сам ритм роботи. А якщо у вас агент ганяє pipeline на кожен PR - він не простоює в очікуванні, і ви не палите токени на чекання.

Дія на вихідні: візьміть один pet-проект, проженіть три команди вище, запустіть biome check. Півгодини - і ви всередині теми, про яку у 2026 питатимуть на співбесідах.

Що у вашому стеку?
🔥 Biome · 👏 Bun · ⭐ обидва · 👀 ще ні

#js_ai_trends

🟠 Svelte — головний герой цієї історії про токени. І найдивніший.

Бо за всіма законами токенізації мав би програти. А він виграє.

Розберемо детально.

Сторона перша: стиснення (tokenizer affinity). Текст однакової довжини перетворюється на різну кількість токенів — це і є стиснення. У токенізатора є чесний показник — «токенів на символ» (tokens-per-char): чим нижче, тим щільніше код лягає в модель. Svelte тут має 0.320 — НАЙГІРШЕ значення в усій групі. Його синтаксис шаблонів напханий пунктуацією, яка просто не стискається. SolidJS для порівняння — 0.269, найкраще в тесті.

За цією логікою Svelte у хвості. Логічно?

Сторона друга: обсяг (verbosity). А тепер питання, яке ми забуваємо поставити — скільки взагалі коду довелося написати? І ось тут Svelte розвертається. Ті самі 5 компонентів він описує найкоротше з усіх. Бо за нього думає компілятор: ти ставиш count++ — він сам розгортає це в реактивність. React змушує виписати setCount і useEffect руками. Angular зверху ще накидає декоратори — @Component, standalone, imports.

Сторона третя: підсумок. Краща токенізація програє меншому обсягу коду. SolidJS стискається найкраще в цьому тесті — і все одно програє, бо коду в нього більше. Svelte бере не щільністю символів. Він бере тим, що символів узагалі менше.

Саме тому головний висновок не про Svelte. Він про те, від чого насправді залежить вартість коду для LLM. Її визначають два незалежні фактори:

1️⃣ наскільки ефективно код токенізується;
2️⃣ скільки цього коду взагалі довелося написати.

Більшість порівнянь зосереджується саме на першому факторі. Svelte показує, що другий фактор може виявитися важливішим.

Під мікроскопом важлива токенізація. У рахунку — обсяг коду.

#TokenEconomics #LLM #Svelte

👀Де Senior та архітектор беруть технічний контент - 5 джерел, які можна застосувати вже зараз👇

Проблема не в нестачі відео. Його забагато. Проблема в тому, що значна частина «технічних доповідей» - маркетинг. Я свого часу витратив чимало годин, поĸи відсіяв зайве. Ось що лишилось.

1. InfoQ / QCon - архітеĸтурний хардĸор

Записи доповідей QCon: як Netflix, Shopify, LinkedIn вирішують реальні задачі масштабування. Принцип заявлений прямо: «patterns and practices, not products».

✅ Підпишись на трек, а не на ĸонференцію. Шукай Architecture, Distributed Systems, Observability - і пропусĸай усе з Introduction чи 101.

2. CNCF / KubeCon - база для хмар

Якщо ви в Kubernetes чи міĸросервісах - більшість сесій виĸладені онлайн безкоштовно.

✅ Не намагайся подивитися все. Візьми один трек (наприклад, platform engineering) і пройди його доповіді поспіль - так складеться ĸартина, а не уривĸи.

3. 🇺🇦 DOU - календар подій

Українська сцена: конференції, мітапи, онлайн-події. Зручний фільтр за форматом і темою, видно, що відбувається тут і зараз.

✅ Постав фільтр «online» - так не прив'яжешся до міста й не пропустиш події, які можна слухати з будь-де. Заходь раз на тиждень, а не полюй за анонсами в чатах.

4. Lu.ma - сучасні мітапи

Тут проходять події з AI, System Design, Infrastructure. Зручніше стежити за спільнотою, ніж за назвами ĸонференцій.

✅ Став фільтр на старті: дивись на спіĸерів. Контриб'ютори open-source? Працюють там, де є складні виĸлиĸи (Uber, Airbnb, Netflix)? Якщо ні - проходь повз.

5. LeadDev / LDX3 - для переходу в Lead

Доповіді про роботу з ĸомандами й технічну ĸультуру. Доступні в записах.

✅ Якщо плануєш у Lead чи Engineering Manager - не чеĸай підвищення, щоб почати. Дивись ці доповіді зараз, щоб зайти в роль підготовленим.

Головне: підписĸа на одне перевірене джерело б'є хаотичний пошуĸ. Обираєш фільтр один раз - далі він працює за тебе.

А де берете контент ви?

👍 - користуюся цими, не новина
👀 - забираю собі кілька джерел

#dev_digest

6 курсів про те, як працювати з AI правильно (а не просто швидко) ⚡

Частина 4: AI Fluency

Не про код. Про те, як вбудувати AI в роботу команди — ефективно, етично і без хаосу. Для тих, хто впроваджує, а не лише користується 👷‍♂️.

🥷 Anthropic: фреймворк AI Fluency — Системний підхід до співпраці людини й AI

1️⃣ AI Fluency: Framework & Foundations

2️⃣ AI Fluency for Educators

3️⃣ Teaching AI Fluency 📚

⚖️ Етика та відповідальність
Де межі, ризики й сліпі зони

1️⃣ LinkedIn: Ethics in the Age of GenAI

2️⃣ Google: Introduction to Responsible AI

3️⃣ Google: Responsible AI - Applying AI Principles

Корисно не лише інженерам, а й тімлідам та всім, хто веде команду в AI

Ваша думка: «Хто має відповідати за етику AI у продукті?»

👍Компанія і чіткі правила
🧑🏼‍💻Кожен інженер особисто на своєму рівні

👀 Серія «50 безкоштовних AI-курсів»:

▪️ Для інженерів
▪️ Старт з нуля
▪️ Промпт-інжиніринг
▪️ AI Fluency (ви тут)
▪️ Cloud & ML Ops

#free_ai_learning

🍋jscpd має 1,5 млн завантажень на тиждень. І я не вгадую, що в ньому покращити. Я це вимірюю.

Сьогодні - про внутрішню кухню роботи над open-source проектом.

⁉ Як зрозуміти, чого вартий твій продукт порівняно з іншими?

‼️ Запустити бенчмарк 🚀

Я взяв 7 copy-paste детекторів і прогнав усі на одній базі: 547 файлів, 223 формати, однакові умови для всіх.

Результати показав тут:

⚡️ Швидкість
🪙 Токени
🧩 Формати - сьогодні, фінальна 👇

👀 Дуже часто Copy-Paste Detector каже, що «дублікатів немає». Але він просто не зазирнув всередину ваших Vue- та Svelte-файлів. Сучасний файл - це не суцільний текст: один .vue, .svelte чи .astro містить кілька мов одразу - скрипт, стилі, шаблон. У markdown - YAML і блоки коду. І те, як інструмент це читає, вирішує все.

Існує 2 види інструментів:

🔴 Flat-text - порівнюють усе з усім: CSS зі скриптом, шаблон зі стилями. Або шум, або сліпота: звіт каже «чисто», а копіпаст лишається в коді.

🟢 Section-aware - спершу парсить файл, ділить на мови, і лише потім порівнює CSS із CSS, скрипт зі скриптом. Це вміє лише движок jscpd.

👨🏻‍💻Окремо про markdown: код усередині .md jscpd дістає з блоку й порівнює як код, а не як текст документації. Дубль, схований у прикладі коду, більше не проходить повз.

Результат: знайти дублікати між різними форматами (наприклад, однаковий CSS у .svelte та .astro) здатні лише три інструменти. І всі - на jscpd.

💡 Висновок.

У сучасних проектах дублікати ховаються не в тексті, а в структурі. Інструмент, який бачить лише текст, у найгіршому випадку звітує «чисто» - і ви вірите цьому звіту. Якщо інструмент не розуміє секцій усередині файлу - він не розуміє frontend.

🔗 Бенчмарк форматів: jscpd.dev/benchmarks/cross-format
💻 GitHub: github.com/kucherenko/jscpd
☕ Підтримати: opencollective.com/jscpd

А ваш CPD точно бачить дублікати у .vue і .svelte - чи просто каже «чисто»?

👍 Бачить, я перевіряв
👀 Не знаю - піду перевірю
😱 Тепер боюся дивитися

#jscpd #CopyPasteDetector

🎯 8 безкоштовних ресурсів, щоб прокачати промптинг по-серйозному

Частина 3. Промпт-інжиніринг

Промпт-інжиніринг — це відносно нова дисципліна й важлива компетенція: розуміти можливості моделей, будувати застосунки й ефективно з ними взаємодіяти.

За допомогою промпт-інжинірингу можна:
• підвищувати безпеку використання LLM;
• покращувати якість відповідей;
• підключати зовнішні інструменти та API;
• доповнювати моделі знаннями конкретної предметної області;
• створювати нові можливості та сценарії застосування ШІ.

Простіше кажучи: якщо раніше достатньо було «вміти ставити запитання ChatGPT», то сьогодні промпт-інжиніринг став окремою інженерною дисципліною на стику розробки, аналізу даних і роботи зі штучним інтелектом.

Зібрав найкраще — від гайдів до повноцінних курсів.

📘 Першоджерела (від тих, хто робить моделі)

1. OpenAI Prompt Engineering Guide

2. Prompt Engineering Guide

🎓 Структуровані курси (коли хочеться системно, а не уривками)

1. Prompt Engineering for Developers — DeepLearning.AI

2. Prompt Engineering Specialization — Vanderbilt University (Coursera)

3. Essentials of Prompt Engineering (AWS) — Coursera

🧩 Для тих, хто з нуля (без передумов, простою мовою)

1. Learn Prompting

2. Amazon: Foundations of Prompt Engineering

🎨 Бонус для візуалу (промптинг не тільки для тексту)

1. DALL·E 2 Prompt Book

Зберігайте — база, до якої вертаєшся не раз 🔖

📚 Серія «50 безкоштовних AI-курсів»:

▪️ Для інженерів
▪️ Старт з нуля
▪️ Промпт-інжиніринг (ви тут)
▪️ AI Fluency
▪️ Cloud & ML Ops

#free_ai_learning

🗣Дайджест тижня. Не новини заради новин - 5 речей, які можна застосувати в роботі вже зараз 👇

🛡 OWASP випустив Top 10 загроз для LLM

Окремий Top 10 для LLM (з 18.11.2024), у 2025-2026 став обов'язковим, як веб-Top 10. Prompt injection - на 1 місці другий рік поспіль.

✅ Перед тим як пускати агента в робоче репо: постав human-approval на деструктивні команди (видалення, push у main) і обмеж доступ агента до прод-середовища.

💸 GitHub перевів Copilot на оплату за токени

З 1 червня всі плани Copilot рахують AI Credits за токенами (1 кредит = $0.01). Code completions лишились безкоштовними.

✅ Розділи задачі за вартістю: дешеві моделі на рутину (тести, доки, рефакторинг), флагмани - лише на архітектуру. Інакше рахунок наприкінці місяця здивує.

📄 Формат правил проекту AGENTS.md підтримали OpenAI, Google (Jules), Cursor і Factory

Замість зоопарку (CLAUDE.md, .cursorrules, свій файл у Copilot) - один файл, який розуміють Codex, Gemini, Aider, opencode. 60k+ проєктів, курує Agentic AI Foundation (Linux Foundation).

✅ Поклади в корінь репо AGENTS.md зі стандартами (naming, структура, патерни, тести). Claude Code поки не читає його нативно - роби симлінк CLAUDE.md на нього.

🐙 OpenCode - один із найпопулярніших open-source агентів (170k+ ⭐ на GitHub)

Термінальний агент під MIT, 75+ провайдерів, LSP-діагностика повертається в модель після кожної правки.

✅ Не хочеш залежати від одного вендора - постав OpenCode і підключи свої моделі (хоч локальні через Ollama).

🤖 GitHub відкрив Copilot SDK для всіх

2 червня. Агентний рушій можна вбудувати у свої тули: повний runtime (планування, тули, правки файлів, MCP), 6 мов, підписка не потрібна.

✅Робиш внутрішні тули - збери на ньому CI-асистента, генератор release notes чи review-бота, не пишучи власну оркестрацію.

Що з цього вже у твоєму процесі?

👍 - працюю так, не новина
👀 - забираю собі кілька пунктів

#dev_digest

🔴38% зайвих токенів і втрачених грошей на кожному запиті до AI — через ваш фреймворк. Саме стільки коштує вибір «не того».

Я перевірив ті самі компоненти — від hello до таблиці з фільтром — і написав їх на кожному фреймворку. Однакова функціональність, один токенізатор:

🟢 Svelte — 598 токенів
🟡 React — +25%
🔴 Angular — +38%

+38% — це не про стиль коду. Це рядок у вашому рахунку за API. Бо код тепер читають не люди, а агенти — тисячі разів на місяць. На кожному рев'ю, кожному «полагодь оце», кожному прогоні ви платите за зайве знову і знову.

А тепер парадокс, який ламає інтуїцію. У Svelte НАЙГІРШЕ стиснення у всій групі — його синтаксис погано лягає в токенізатор. І він однаково виграє. Чому? Бо коду треба менше: ти пишеш count++ — решту добудовує компілятор. У React ти пишеш ту саму сантехніку руками. І платиш за кожен символ.

Висновок простий: усе, що ви пишете явно — має ціну. Усе, що виводить компілятор — безкоштовне.

#TokenEconomics #LLM #Svelte #React #Angular

Повне дослідження — таблиці в доларах по 10 моделях 👀у статті на Hacker Noon

Це частина 1 з 5. Далі — мови, де анотації типів у TypeScript додають +63% до ціни за ту саму логіку 👀

👀Як взагалі можна спалити 158 000 токенів там, де вистачає 2 800?

Дуже легко. Показую.

Той самий код, ті самі 212 дублікатів. Один інструмент пошуку копіпасту віддає AI звіт на 2 800 токенів, інший — на 158 000.

Різниця — це ваші гроші, спалені на токенах.

Проблема:
Більшість інструментів видають «важкі» звіти, не оптимізовані для LLM — величезні JSON або неструктуровані дані. Вони забивають контекстне вікно, сповільнюють відповідь і роздувають вартість кожного запиту.

А тепер наочно. Ефективність на 212 клонах:

🔴 Гроші на вітер — не для LLM:

• Duplo — 158 000 токенів, величезний JSON із купою false positives
• PMD CPD — 21 000 токенів, розкидані по 34 файлах

🟡 Частково придатні:

• Simian — 15 000 токенів, без структурованих метаданих
• Fallow — 400 токенів, та це не економія: він просто бачить мізерну частину коду

🟢 Готові до роботи з AI — економно:
• jscpd@5 — 2 800 токенів
• jscpd@4 — 2 700 токенів
• jscpd-rs — 3 000 токенів

У jscpd є окремий флаг --reporters ai — компактний звіт без зайвого шуму, створений саме для AI-пайплайнів.

⚠️ Важлива ремарка:
Токени на клон не можна порівнювати між інструментами напряму — кожен визначає «клон» по-своєму. Порівнюйте лише всередині однієї групи.

Висновок:
Коли звіт іде в LLM, його розмір — це прямі витрати вашого часу й бюджету. Той самий результат можна віддати економно або спалити на ньому гроші. Обирайте інструменти, які поважають ваш токен-ліміт.

Це друга з трьох частин про порівняння Copy-Paste Detector (CPD) інструментів. Частина 1 — про швидкість. Далі — як інструменти бачать дублікати між різними форматами файлів.

🔗 Бенчмарк токенів: jscpd.dev/benchmarks/ai-token-efficiency
💻 GitHub: github.com/kucherenko/jscpd
☕ Підтримати: opencollective.com/jscpd

#TokenEconomics #LLM #CopyPasteDetector #jscpd

⌨️Найдорожча помилка розробника у 2026 — вчити те, що вже вміє AI.

AI не замінить розробників.

Але він уже замінює тих, хто не розуміє, як будуються AI-системи. Питання лише в тому, чи встигнете ви адаптуватися.

За останні пів року вимоги до Senior+ рівня змінилися радикально. Ось мій roadmap на карті вище — орієнтир, куди вкладати час, поки вікно можливостей відкрите, а конкуренції в цих темах ще мало.

⏺Svelte, який рахує токени.
⏺Python, що втрачає агентів.
⏺Аудит, якого ще не було.

Повний розбір — на DOU
🔗 https://dou.ua/forums/topic/60053/

#js_ai_trends

🇺🇦 Math.random(): community of engineers pinned a photo

А ви знали, що більше знайдених дублікатів не означає кращий пошук? Іноді це лише більше… помилок.

Я постійно вдосконалюю свій jscpd, тож вирішив перевірити, як справляються інші. Зібрав сім інструментів і прогнав на одній базі: 547 файлів, 150+ форматів, для всіх однакові умови.

І ось що показали цифри.

Багато клонів, мало сенсу:

⚠️ Duplo - 162 мс, 518 клонів, найбільше з усіх. Зіставляє сирий текст без токенізації, реагує на відмінності у форматуванні - тому більшість збігів false positives.

Майже нічого не бачить:

⚠️ Fallow dupes - 164 мс, 10 клонів. Аналізує лише JS/TS, решту 513 файлів із 547 не опрацьовує - непридатний для багатомовних баз.

Повільні й обмежені в покритті:

⚠️ Simian - 964 мс, 424 клони. Звітує агрегованими блоками, без поділу на мови - не зрозуміти, у якій секції коду дублікат.
⚠️ PMD CPD - 36 с, 56 клонів. Ретельний у межах однієї мови, але повільний: опрацював лише 71 файл із 547.

Один клон різниці - і 32 рази у швидкості. Переписування на Rust дало приріст, зберігши якість виявлення:

✅ jscpd v5 (Rust) - 84 мс, 212 клонів.
✅ jscpd v4 (JavaScript) - 2.7 с, 211 клонів.

Суть у тому, що велике число знайдених клонів нічого не гарантує. Текстові інструменти швидкі, але завищують кількість збігами, яких насправді немає. Точні працюють повільно або бачать лише кілька форматів. Токенізація дозволяє не вибирати: тримає і швидкість, і точність водночас.

Це перший із трьох розборів цього бенчмарку. Далі - як інструменти розпізнають дублікати між різними форматами файлів, і скільки токенів з'їдає звіт кожного з них під час роботи з LLM (частина 2)

🔗 Повний бенчмарк: jscpd.dev/benchmarks/detection-speed
💻 GitHub: github.com/kucherenko/jscpd
☕ Підтримати: opencollective.com/jscpd

#CopyPasteDetector #jscpd #TokenEconomics #LLM

AI-агенти швидкі, але некеровані? Gangsta Agents повертає контроль: кожен агент знає роль, кожен код починається зі специфікації 🎯

Як це влаштовано:

🔸 Spec Before Code — фаза Sit-Down завершується підписаним Contract. Без нього жоден Worker не пише код.

🔸 Battle-Tested Skills — розвідка, TDD-дрили, дебаг через допит, стратегії виходу. Кожна навичка — чистий markdown-файл.

🔸 Правило 1% — якщо є хоча б 1% шансу, що скіл застосовний, ти його викликаєш. Без раціоналізацій. Без скорочень.

🔸 Мультиагентна оркестрація — Underboss декомпозує, Crew Leads оркеструють, Workers виконують паралельно. Gangsta Agents Family масштабується.

🔸 Мультиплатформність — нативні інтеграції: Claude Code, GitHub Copilot, Gemini CLI, OpenCode, Codex. Cursor — через npx skills add.

І кожен phase gate проходить лише зі схваленням Don (user) 🤝

👉 https://gangsta.page

#gangsta_agents #SDD #VibeCoding #SpecDrivenDevelopment

jscpd v5: 83 секунди → 3.4 секунди

Copy-paste detector для коду тепер у 24–37 разів швидший - повне переписування engine на Rust.

Реальні цифри (10 прогонів, Apple Silicon, v4 Node.js проти v5):

→ 548 файлів: 1.03с → 0.03с (34x)
→ 9K файлів, 164 MB: 15.8с → 0.43с (37x)
→ 17K файлів, 902 MB: 83с → 3.4с (24x)

Чому різниця така велика:

Зник startup overhead - на малому репозиторії майже весь 1.03с був запуском Node.js, ще до
сканування. Нативний бінарник стартує миттєво.
Тепер усі ядра - старий engine був однопотоковий, новий спалює 7.3с CPU за 3.4с реального часу.

І головне: drop-in заміна. Ті самі прапорці, конфіг, 223 формати.

Встановлення те саме - npm install -g jscpd.

Запустіть на своєму найбільшому репозиторії і напишіть результат у коментарях)

github.com/kucherenko/jscpd

#CopyPasteDetector #jscpd #TokenEconomics #LLM

Multi-agent debate ≠ The Grilling.

Виглядають однаково: два агенти сперечаються, третій синтезує. Але вирішують різні задачі.

🤔 Три відмінності:

1. Grounding. Дебати працюють на тому, що в промпті - дві LLM ввічливо галюцинують одна одній. Grilling не стартує, поки ground truth не перевірено.

2. Ціль. Дебати шукають найкращу версію позиції. Grilling питає - чи варто її тримати взагалі. Легітимний результат включає «вбити ідею повністю».

3. Зупинка. Дебати - за розкладом, фіксовані раунди. Grilling — на рівновазі: жодного нового валідного заперечення І жодної залишкової тривоги у Don.

Дебати зупиняються на «досить сперечатися». Grilling - на «нема що валідного атакувати». Маєш вердикт, що пережив атаку.

Однакова обгортка. Зовсім різний механізм усередині.

Part 2 👉 https://dev.to/kucherenko/the-grilling-29d1

#MultiAgentDebate #gangsta_agents #SDD #VibeCoding #SpecDrivenDevelopment

Найдорожча помилка з потужним інструментом - застосовувати його скрізь.

The Grilling - фаза, де ідея проходить структуровану атаку, перш ніж стати специфікацією. Proposer захищає рішення, Devil's Advocate шукає діри, Synthesizer переписує після кожного раунду.

Сесія завершується, коли Devil's Advocate не має валідних заперечень і Don не має питань - обидва тиски вичерпані одночасно. Nash Equilibrium.

Але є зміни, де цей процес завдає більше шкоди, ніж користі:

▪️ Тайпо, бамп залежностей - агенти вигадують заперечення, щоб заповнити раунди. Система переходить в театр.
▪️ Чистий рефактор із зеленим baseline - потрібна перевірка збереження поведінки, не атака ідеї.
▪️ Прототипування - adversarial review вбиває дослідження.
▪️ Прод горить, фікс малий - пропусти, задокументуй, рухайся.

Правило: скільки коштуватиме відкотити це, якщо ти помиляєшся?
Більше за review → гриль. Менше → ні.

Rigor - це не ганяти всі гейти щоразу. Це розуміти, який гейт важливий у конкретний момент

Part 2 серії про Gangsta Agents

#gangsta_agents #SDD #VibeCoding #SpecDrivenDevelopment

14 безкоштовних AI-курсів, щоб увійти в тему з нуля 🌱

Частина 2. Старт з нуля

Якщо ви вже пишете код і хочете хардкор - гляньте попередній допис для інженерів 👆

🤖 Google: швидкий старт

Мікрокурси по 30-60 хвилин - зрозуміти основи між справами

1) AI for Anyone

2) Introduction to Generative AI

3) Introduction to Large Language Models

4) Introduction to Responsible AI

🥷 Перше знайомство з Claude

Як працює сучасний AI-асистент і де його межі

1) Claude 101

2) AI Capabilities and Limitations

🎓 Університети та великі бренди

Фундамент від тих, кому довіряють - з сертифікатами

1) IBM AI for Everyone: Master the Basics

2) Linux Foundation: Data and AI Fundamentals

3) University of Helsinki: Elements of AI

💼 LinkedIn: коротко і з відео

Базові концепції простою мовою, зручно дивитись із телефона

1) Introduction to Artificial Intelligence

2) What Is Generative AI?

🔌 Cisco: безкоштовно + сертифікат

Точка входу від світового бренду, визнана в індустрії

1) Introduction to Modern AI

2) Introduction to Data Science

🛠️ Microsoft: для тих, хто далі в код

Коли база зрозуміла і хочеться більшого

1) AI for Beginners (12 тижнів, GitHub)

Зберігайте в закладки і проходьте по одному - не намагайтесь усе за раз 🔖

📚Серія «50 безкоштовних AI-курсів»:

▪️ Для інженерів
▪️ Старт з нуля (ви тут)
▪️ Промпт-інжиніринг
▪️ AI Fluency
▪️ Cloud & ML Ops

#free_ai_learning