Вайб-кодинг

Opus 4.5 + three.js + mediapipe = Absolute Cinema

это то, что нужно программистам в 2026 году. 😆

Antigravity крутой инструмент

Но большинство вообще не понимают, как им пользоваться.

За эти 33 минуты ты разберёшь всё, что нужно знать про Antigravity. 👍

Google Gemini выкатила новый режим Guided Learning.

Теперь через него можно учиться чему угодно, по шагам, как с личным тьютором.

Как включить Guided Learning:

→ Открываешь Google Gemini в браузере
→ Создаёшь новый диалог
→ В списке режимов выбираешь Guided learning
→ Спрашиваешь тему или загружаешь документ для изучения

Готово. Никакой настройки, никаких плагинов.

Чем Guided Learning отличается. Gemini ведёт по теме шаг за шагом и следит, что ты понимаешь материал, а не просто пролистываешь.

Что внутри:

• Структурированные уроки с нормальными объяснениями
• Медиа-контент: картинки, видео, интерактив
• Кастомные квизы на проверку понимания
• Подстраивается под твой прогресс

Это прямой конкурент Study Mode у ChatGPT.

Но фишка Gemini скорее в структуре и гайдировании, а не просто в ответах.

Эра AI-тьюторов уже началась. 😋

Линус Торвальдс, создатель Linux и Git, использовал Antigravity от Google для создания визуализатора с помощью вайбкодинга

😁😁😁

Воу, вышел Claude Delegator 😳

Плагин для Claude Code, который позволяет использовать подпроцессы на GPT 5.2 прямо внутри Claude Code.

Через GPT 5.2 (через codex) можно поручить архитектуру проекта, аудит безопасности или любые другие изменения в кодовой базе.

Инструкция по установке:

· Добавить маркетплейс

/plugin marketplace add jarrodwatts/claude-delegator

· Установить плагин

/plugin install claude-delegator

· Запустить настройку

/claude-delegator:setup

GitHub: тут

Мини лайфхак по vibecoding с Opus 4.5.

Попроси Claude построить state-machine диаграммы для уже существующих компонентов.

Так он прогонит все возможные пути (иначе обычно ленится) и заодно поможет проверить, что логика на системном уровне вообще работает как задумано.

Большой момент для тех, кто строит агентные системы.

В софте регулярно повторяется один и тот же паттерн.

Сначала все фокусируются на проблеме “как построить”.

Появляются фреймворки, они созревают и становятся реально хорошими. Потом вдруг бутылочным горлышком становится деплой.

Мы уже видели это с нейросетями.

PyTorch, TensorFlow и Caffe были отличны для сборки моделей. Но их деплой требовал возни с разными форматами и рантаймами.

ONNX позволил разработчикам собирать модель в любом фреймворке, экспортировать в стандартный формат и деплоить куда угодно.

Сейчас тот же паттерн разворачивается вокруг агентов.

Фреймворки вроде LangGraph, CrewAI, Agno и Strands уже достаточно зрелые, чтобы сборка агента перестала быть самой сложной частью.

Теперь самое сложное — то, что идет после: деплой, стриминг, управление памятью, наблюдаемость и авто-скейлинг.

Это уже не проблемы агента, а инфраструктуры. И прямо сейчас каждую из них команды решают вручную.

xpander берет подход ONNX для этой задачи, и это правильная ментальная модель.

Идея простая: привозишь своего агента (собранного на любом фреймворке), деплоишь через xpander и получаешь всю прод-инфраструктуру.

Что в комплекте:

• serverless деплой за ~2 минуты
• SSE стриминг для UX реального времени
• память на уровне сессии/пользователя
• 2000+ коннекторов (Slack, GitHub и другие)
• единый API для вызова любого агента, независимо от фреймворка

Unified API, вероятно, самая интересная часть.

По сути, любой задеплоенный агент (независимо от фреймворка) получает один и тот же endpoint для вызова, одну и ту же структуру payload, стриминг-формат и схему авторизации.

Фронтенду больше не нужно знать, на чем агент собран — на LangGraph, CrewAI или кастоме. Он просто бьет по endpoint и получает ответ.

Это важно, потому что во многих организациях разные команды собирают агентов на разных фреймворках — по предпочтениям и под задачи.

Без унифицированного слоя командам приходится поддерживать несколько паттернов интеграции и стримингов.

xpander же дает один API-контракт поверх каждого агента, так что потребляющее приложение не обязано знать, на чем агент собран.

Видео показывает unified API xpander в работе.

Можно расширить стандартный формат endpoint на любого агента, независимо от фреймворка, и получить одинаковый стриминг, память, наблюдаемость и скейлинг, не меняя ни строки интеграционного кода.

Сборка остается отделена от деплоя - так и должно быть.

100% исходный код 👍

как vibecoding смотрит на тебя в 00:37 ночи, когда ты собираешься ложиться спать

Только что откопал годный инструмент: Gemini Design MCP. Это MCP-модуль,. Можно прикрутить куда угодно, где есть поддержка MCP, например Claude Code, чтобы прокачать дизайн.

Сценарий простой: пока Claude Code работает над логикой, он поднимает фоновый агент, который дергает этот MCP и улучшает фронт.

Глянуть можно тут ✌️

Claude Code для чисел >>> Claude Code для кода

Комьюнити Claude собрало AI-агента, который:

* моментально коннектится к данным из HubSpot, Notion и Sheets
* строит графики, пишет код и делает анализ данных
* построен на Claude Agents SDK и Composio Tool Router

Полностью бесплатный и опенсорс

Исходный код ❤️

GPT 5.2 Codex Extra High – 2 ч 01 мин 16 с

«Убрать все использования any и type casting, затем убедиться, что конфиги lint и type обновлены так, чтобы зафиксировать их в будущем. В конце проверить, что все гейты, то есть lint:fix, typecheck и test, проходят».

Важное напоминание о том, насколько эта модель лютая.

⛩

Claude Code работает в песочнице внутри текущей директории.

Пилишь веб-приложение, которое импортит код из общего SDK за пределами текущей директории?

/add-dir ../sdk

После этого Claude видит обе директории и может читать и редачить обе. Без символических ссылок и без переключения сессий.

Мастеркласс по Claude Code и Replit

00:00 Вступление
02:22 Разбор dev против prod
05:30 Локальная разработка vs Replit
10:30 Плюсы облака
14:07 Параллельные агенты с мобильного
25:15 Claude Code внутри Replit
44:30 Личные заметки через Obsidian
46:50 Agent SDK
48:30 Советы и фишки

YT: смотреть
Шаблон: тут

Google сейчас раздает Gemini Enterprise бесплатно

Это их корпоративная AI-платформа за 21$ в месяц, и тут даже карту не просят

Что входит:

- все модели Gemini
- Veo 3 для видео
- создание кастомных AI-агентов на своих данных
- Deep Research и NotebookLM в комплекте

Настройка занимает пару минут:

1. открываешь страницу Google Cloud Gemini Enterprise
2. жмешь Start 30-day trial

Проверял полчаса назад — всё работает как надо 🎁

Интересная штука: десктопное приложение, которое позволяет гонять AI-модели локально на своей машине. Без API-ключей. Без облака. Ничего никуда не уходит.

Всё крутится у тебя на компьютере, так что полный контроль, приватность и возможность экспериментировать с open-source моделями оффлайн

100% исходный код 🐶

Собираем своего AI-агента: держи сборник открытых ресурсов, где собрано больше 70 практических проектов и полноценных туториалов, от уровня входа до продвинутых тем. 👍

Проекты отсортированы по сложности и по сценариям применения: базовые агенты, простые приложения, MCP-интеграции, системы памяти, RAG-приложения и продвинутые мультиагентные системы. Плюс есть полный курс AWS Strands.

Каждый проект содержит полный код и детальное описание, с поддержкой популярных фреймворков вроде Agno, LangChain, CrewAI, PydanticAI и так далее

Это шаг вперёд в мультимодальном поиске и кросс-модальном понимании: представили Qwen3-VL-Embedding и Qwen3-VL-Reranker

Основные моменты:
✅Построены на базе модели Qwen3-VL
✅Обрабатывают текст, изображения, скриншоты, видео и смешанные входы
✅Поддерживают 30+ языков
✅Показывают SOTA-результаты на мультимодальных retrieval-бенчмарках
✅Open source и доступны на Hugging Face, GitHub и ModelScope
✅API-деплой на Alibaba Cloud скоро появится

Двухфазная retrieval-архитектура:

» Embedding-модель - генерирует семантически насыщенные векторные представления в едином embedding-пространстве
» Reranker-модель - вычисляет более точные релевантностные оценки для повышения качества поиска

Ключевые сценарии применения:

image-text retrieval, видео-поиск, мультимодальный RAG, visual question answering, мультимодальное кластерирование контента, мультиязычный визуальный поиск и другое

Возможности для разработчиков:

• Настраиваемая размерность embeddings
• Кастомизация инструкций под задачу
• Поддержка quantization для embeddings для более эффективного и дешёвого продакшн-деплоя

Hugging Face：qwen3-vl-embedding / qwen3-vl-reranker

ModelScope：Qwen3-VL-Embedding / Qwen3-VL-Reranker

Github: тут
Блог: читать
Технический отчет: читать