Вайб-кодинг

Плагин для Claude Code, который добавляет 7 AI-агентов (code reviewer, debugger, security auditor и т.д.), 6 skills и 8 automation hooks.

Вот как его запустить:

1. Открой терминал
2. Клонируй репозиторий:
git clone https://github.com/CloudAI-X/claude-workflow.git
3. Запусти Claude с плагином:
claude --plugin-dir ./claude-workflow

Готово. Claude теперь сам будет выбирать нужного агента в зависимости от того, что ты у него спрашиваешь.

Проект от CloudAI-X: http://github.com/CloudAI-X/claude-workflow

Недавно на GitHub попалось практическое руководство по вайб-кодингу. Это целостная методология AI программирования, ориентированная на разработку сложных проектов

Ключевая идея -» «сначала планирование». AI не дают самому планировать, вместо этого его направляют через дизайн-документы, выбор техстека, планы реализации и другие артефакты, чтобы кодовая база оставалась структурированной и консистентной.

Внутри полный набор стандартизированных системных промптов, шаблоны структуры проекта и скрипты на весь пайплайн - от уточнения требований до финальной реализации кода.

Также есть несколько сотен промптов под разные сценарии, генератор мета-промптов и библиотека Skills.

Тем, кто собирается писать крупный проект с Claude Code или Codex, стоит сначала заглянуть в это руководство.

При проведении пентеста или security-оценки больше всего бесит не нехватка инструментов, а их разрозненность.

Приходится постоянно прыгать между Nmap, SQLMap, Nuclei, + вручную разбирать кучу результатов сканирования.

Недавно на GitHub попался open-source фреймворк Guardian с довольно интересной идеей: к классическим security-инструментам прикрутили AI-мозг. 👏

По сути, это автоматизированная платформа для пентеста на базе Google Gemini.

Она объединяет Nmap, Nuclei, SQLMap и ещё около 15 популярных security-тулзов, а AI занимается интеллектуальным планированием атак.

Фреймворк автоматически проходит весь пайплайн - от порт-сканирования и веб-разведки до валидации уязвимостей, и даже умеет динамически менять стратегию тестирования на основе полученных результатов.

Есть Docker-образ из коробки со всеми предустановленными инструментами, также поддерживается локальный деплой с кастомной конфигурацией. Потребуется только API-ключ Google Gemini.

Claude Agent SDK

Тот же цикл агента, инструменты и управление контекстом, на которых работает Claude Code, доступны в виде SDK.

Можно собрать агента, работающего как Claude Code, буквально за десяток строк.

И это только старт. 🥂

+ Supabase 🛌

DeepSeek Moment 2.0 🤔🤔

IQuest-Coder-V1 подъехал: первый open-source кодер 2026 года. 40B параметров, 81.4% на SWE-Bench — выше Claude Sonnet 4.5 и GPT-5.1. За проектом стоит команда основателей китайского хедж-фонда Ubiquant.

IQuest Lab стартовали год агрессивно. Линейка IQuest-Coder-V1 показывает очень хорошие метрики на ключевых кодовых бенчмарках. Флагман с 40B занимает первое место:

- SWE-Bench Verified: 81.4%
- LiveCodeBench v6: 81.1%
- BigCodeBench: 49.9%

Подход к обучению тоже нетривиальный. Они используют Code-Flow Training — по сути, обучение на эволюции репозиториев, истории коммитов и динамических трансформациях кода. Это даёт модели не просто «знать синтаксис», а понимать, как код живёт и меняется в реальных проектах. Loop-варианты поверх этого используют рекуррентный трансформер с общими параметрами между итерациями - экономия ресурсов и прирост эффективности.

Линейка состоит из 7B, 14B и 40B вариантов. Все — с нативным 128K контекстом. Есть версии Instruct и Thinking: Thinking заточены под рассуждения, Instruct — под прикладные задачи и повседневный кодинг.

Факт, что за этим стоят деньги и люди из Ubiquant, намекает на серьёзные ресурсы. Но бенчмарки пока не подтвердили независимые команды. В комьюнити на X реакция восторженная, но с осторожностью, многие спрашивают, «насколько это настоящее, а не тюнинг под метрики».

40B, обгоняющая модели в двадцать раз больше неё, звучит как сказка. Это реальный скачок или просто оптимизация под тесты? Узнаем, когда появятся независимые прогоны.

Источник: huggingface.co/IQuestLab

Парень собрал кастомную команду Claude Code, /interview, чтобы получать железобетонные спеки.

• Сначала строишь план в plan-режиме
• Запускаешь команду /interview
• Claude задаёт 20–50 уточняющих вопросов
• Claude обновляет файл плана на основе твоих ответов

Отлично вычищает любую двусмысленность.

./claude/commands/interview.md :

---
allowed-tools: AskUserQuestion, Read, Glob, Grep, Write, Edit
argument-hint: [plan-file]
description: Интервью для проработки плана/спеки
---

Вот текущий план:

@$ARGUMENTS

Проведи со мной детальное интервью с помощью инструмента AskUserQuestion вообще по чему угодно: техническая реализация, UI и UX, риски, трейд-оффы и так далее, но следи за тем, чтобы вопросы не были очевидными.

Будь максимально детализирован и продолжай интервью до тех пор, пока всё не будет полностью проработано, а затем запиши финальную спеку обратно в `$ARGUMENTS`.

Jan-v2-VL-Max-Instruct уже доступен 💛

Новая 30B модель с поддержкой vision-language, расширение линейки Jan-v2-VL. По сути, это эксперимент с “перемешанным” рассуждением внутри Instruct-модели.

Хорошо тянет длинные задачи, не съезжает с контекста, когда всё усложняется. Подходит для ресёрча, многошаговых задач и всего, где нужна выдержка и последовательность.

Можно попробовать тут: http://chat.jan.ai

Claude умеет писать код… но может ли он растить что-то живое? 🪴

Похоже, да. Разработчик доверил уход за томатом ИИ-модели Claude, настроив автономную систему на базе Arduino. Claude следит за условиями в теплице 24/7 — свет, температура, влажность, CO₂ и состояние почвы проверяются каждые 15–30 минут.

На 34-й день произошёл сбой: из-за ошибки в коде Arduino отключились свет, нагрев и вентиляция. Растение начало вянуть. Claude восстановил работу системы, включил оборудование и подал воду, после чего растение пришло в норму примерно за 13 минут.

Сейчас томат на стадии вегетации, у него 15–20 листьев. Видны лёгкие признаки стресса от влажности, но рост продолжается. Эксперимент остаётся стабильным, и в ближайшие недели ожидается переход к цветению и возможному плодоношению. 😏

Когда вы выходите за рамки контекста в Claude Code:

вместо того чтобы жать /compact, запускаете /export и копируете весь чат в буфер
потом /clear → вставляете скопированное и в конец дописываете continue

и дальше просто смотрите, как оно работает

Народ с 2 IQ говорит: «да ты ничего не выигрываешь».

А я беру диалог на 200K токенов, делаю фокус — и после трюка остаётся около 70K.
130K токенов освобождено.

Чтобы это работало, надо отключить авто-compact.

Почему вообще прокатывает?

Потому что команда export вычищает мусор: обрезает файлы, выводы MCP и всякое служебное. Остаётся чисто переписка. Агент становится тупее, потому что теряет часть контекста, но зато снова может нормально продолжать разговор.

я наблюдаю, как Клод пишет для меня код

Большинство вообще не понимают, чем отличаются skills, subагенты и MCP.

1. Skills

Текстовые инструкции, которые говорят модели, как именно делать задачу.
Типа: анализируй таблицы вот так, пиши письма в таком тоне.
Многоразовые. Поведение стабильное.

2. Subагенты

Отдельные копии модели, у каждой своя роль.

- ты ревьюишь код
- ты пишешь тесты
- ты обновляешь доки

Работают параллельно.

3. MCP

Универсальный переходник к внешним инструментам.
Нужно дернуть Linear, залезть в базу, постучаться в API — вот это MCP.
Даёт доступ к тому, что находится вне модели.

Если упростить:

Skills = как делать задачу
Subагенты = кто и что делает (параллельно)
MCP = к каким инструментам есть доступ

Последний совет по Claude Code в этом году: /usage

«Я сейчас в лимит не врежусь?»

/usage — посмотреть текущие лимиты
/extra-usage — снять ограничения

Сначала узнай свои лимиты. Потом пробей их насквозь.

С наступающим!🎁

claude --dangerously-skip-permissions

А что если дать Клоду возможность сочинять музыку. 😈

Вот первая песня, которую он написал =)

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. 👍