КайфКодинг

Так, вышла GPT5 – спасибо JetBrains, партнеру OpenAI который подключил ее один из первых и в продуктах которого она будет доступна в течение часа по дефолту, где я ее и тестил

Бенчмарки постить не буду, хочу начать со своего опыта использования:

– GPT5 гениальна в кодинге – я застал и трогал все главные серии моделей начиная с GPT-2, и лучше для написания кода просто не существовало до этого момента (Claude челики – сорян)

– Страницы в видео она сделала с одного промпта (и одного ответа) – вы можете ей скормить или идею, или научный пейпер, и она соберет готовую веб страницу где сразу будут все виды скинов, прописаны стили, состояния кнопок, анимации и тп, она неимоверно клево делает frontend задачи

– Это первая модель, с которой я кодил 2 часа Python проект,  распилил его на части, докинул кучу новой логики, потом запустил и все заработало – такого никогда не получалось с Gemini Pro 2.5 или Sonnet 4

– Она все еще оверинженерит простые задачи (если неправильно промптить) – но ее оверинженеринг работает, в отличие от Sonnet-Opues 4, с первого раза – и работая с ней долго, можно быть уверенным, что она не сделала никаких новых «призрачных функций»  которые не используются (давняя проблема вайбкодинга)

– Если с ней работать в многошаговом режиме для разработки, она прям хорошо дебажит проблемы по скриншотам – эти страницы она сделала с 1-3х ходов:
https://shir-man.com/pie-photo/
https://shir-man.com/solar/

– Модель обучена на данных до октября 2024 года – она уже знает как работают агенты на LLM, как делать запросы в API к крупным провайдерам, с ней очень быстро можно кодить любой современный АИ-софт

– Цены, модель стоит ДЕШЕВЛЕ чем Sonnet-4; но тут есть нюансы, вы можете указать в API как долго модель будет думать перед ответом или «мыслительный бюджет», от этого меняется цена результата

В общем, правда не знаю что Antropic планирует делать с таким конкурентом, они выпустили вчера Opus 4.1 и она хуже и дороже

«Опять власть сменилась»

Пока на стриме хвастаются тем, как за один промпт можно делать приложения и сайты, я читаю системную карточку.

В ней очень много внимания уделяется «сдерживанию» модели, чтобы она не обманывала, не вела себя неправильно, не галлюцинировала то, что не использовала итд. Возможно — и это заметно с моделями Anthropic — с большими умными моделями делать это всё сложнее и сложнее, и сил положено много.

Модель будет куда реже удалять ваши тесты, если у неё что-то не получается сделать :)

Модель взявшая золото на мат олимпиаде была хороша, что она не говорила ответ, когда не была уверена в результатах. ГПТ 5 раскрывается в этом направлении

#вакансия

Ищем AI-native технаря / разработчика / вайб-кодера

Мы делаем Subscription-based mental health B2C app. Fully vibe-coded, то есть мы сами не написали ни строчки кода, но это уже вполне рабочая production версия с живыми юзерами и выручкой. Надо ее дорабатывать и улучшать.


Что надо делать:

⁃ допиливать продукт (в основном вайбкодим в Replit)

⁃ отвечать юзерам в саппорт (и попутно автоматизировать этот процесс)

⁃ фиксить баги и допиливать продукт (и разбираться, почему всё сломалось)

А также много всего с помощью AI. Примеры задач, которые мы сами делали на прошлой неделе:

⁃ сложить данные из Stripe и Amplitude с помощью Airbyte в BigQuery

⁃ построить в Metabase дашборд на основании данных в BigQuery

⁃ проинтегрировать сапорт-систему с нашей аппкой, чтобы было видно, что происходит у юзеров

⁃ пробросить события в Amplitude, чтобы можно было строить оперативную аналитику

⁃ прикрутить мониторинг, чтобы он кидал алерты, если что-то падает

⁃ настроить proxy-сервер, чтобы через него Google Scripts ходили в банк и парсили транзакции

⁃ настроить в n8n, чтобы алерты из Slack/Email прокидывались в Telegram

⁃ и много всего еще


Требования к кандидату:

⁃ Не обязательно уметь писать код. Но обязательно понимать, как работают алгоритмы, базы данных, API, JSON, SQL и прочие штуки.

⁃ Хорошо, если в прошлом вы разработчик, но в этом проекте вам не надо будет писать код, только промпты.

⁃ Очень желательно техническое образование. У нас слабость на физтехов, но в целом подойдет любой хороший технический универ.

⁃ Это норм, если вы чего-то из этого не умеете. Главное — голова на плечах, умение и желание учиться, и хорошая техническая база.


Условия:

⁃ Работа на острие технологий. Вы будете использовать самые современные решения и очень многому научитесь

⁃ ЗП в долларах, работа на зарубежном рынке, удаленка

⁃ Работа в крутой команде

Откликаться здесь

Вакансия от друга, выпускника МФТИ

А вы знаете, пользуетесь пользовательскими слэш командами в Claude Code?

Это такие предзаданные (вами) промты, базу которых можно постепенно наращивать. Размещаются либо внутри проекта (.claude/commands/) либо глобальные - в домашнем каталоге (~/.claude/commands/). Соотвественно можно завести либо глобальный репозиторий, либо использовать внутри репозитория проекта.

Командам можно передавать аргументы, а так же перед отправкой промта можно выполнять bash команды. Можно включать другие файлы через @ и запускать процесс размышлений с помощью нужных слов.

Frontmatter так же поддерживается. Ну и MCP сервера предоставлять свои команды.

Вот несколько сборников для тестов и вдохновения:

- Awesome Claude Code
- Claude Command Suite
- Claude Code Session Management
- Claude Code Slash Commands

Сергей Булаев AI 🤖 - об AI и не только

Mark Sharp - найдите этот extension в поиске Cursor (VS code) и наслаждайтесь красивым форматированием .md файлов

А как я это пропустил?

Чикаго Булз выдали невероятный камбек в финале в марте 2025 https://youtu.be/j2kvgwLapKk?t=2430

__name__}")
            
        # Автоматически создаем MR с исправлениями
        auto_create_fix_mr(model_class, changes)

## 💡 Принципы AI-driven test maintenance

1. Автоматизация над реагированием - система должна исправлять себя быстрее чем ломаться
2. Контекст для AI агентов - агент должен понимать последствия изменений
3. Fail fast с автофиксом - ломаем пайплайн, но предлагаем решение
4. Monitoring над debugging - предотвращаем проблемы, не боремся с последствиями

## 🎯 Что мы получили
- Скорость разработки: AI-агент меняет код → тесты автоматически адаптируются
- Качество: 98.5% покрытие стабильно поддерживается при любых изменениях
- Команда: Фокус на фичах, а не на поддержке тестов
- Масштабируемость: Система работает при 10x скорости разработки

## 🔗 Реализация
Полная система: [SCHEMA_EVOLUTION_GUIDE.md](link)
Продвинутые паттерны: [TEST_BEST_PRACTICES.md](link)

---

Главный инсайт: При AI-driven разработке качество тестов — это не проблема. Проблема — скорость их поддержки. Классические подходы не масштабируются на 10x скорость изменений.

#AIEngineering #TestAutomation #DevOpsEvolution #ScalableTesting #EngineeringExcellence

---

## 🎯 Вопросы для обсуждения (для middle/senior)

Архитектурные:
- Как вы решаете проблему test maintenance при быстрой разработке?
- Какие паттерны используете для автоматической синхронизации тестов?
- Как мониторите качество тестов в CI/CD при частых изменениях?

AI-specific:
- Сталкивались с проблемами, когда AI агенты ломают тесты?
- Как даете контекст AI агентам о зависимостях в коде?
- Используете ли автогенерацию тестов из схемы?

Практические:
- Какие инструменты помогают в real-time мониторинге изменений схемы?
- Как автоматизируете создание MR для исправления сломанных тестов?
- Есть ли у вас примеры property-based тестирования для моделей данных?

Делитесь опытом и решениями! Особенно интересны кейсы с высокой скоростью разработки 🚀

# 🚨 AI-driven разработка: когда крутая система тестирования становится бутылочным горлышком

Привет, команда!

У нас в SQT проекте 98.5% покрытие интеграционными тестами (193/196), полный E2E с Playwright, Clean Architecture — в общем, все как надо. Но недавно случился интересный кейс, который показал новую проблему AI-driven разработки.

## 💥 Парадокс: крутые тесты + AI = новые проблемы
Контекст: Разрабатываем с AI-агентом в 10x скорости → агент обновил схему БД → 22 интеграционных теста упали одномоментно

Не про качество тестов (они у нас отличные), а про maintenance overhead при сверхбыстрой разработке с AI.

Корень проблемы: Когда код меняется в 10 раз быстрее, классические подходы к maintenance тестов перестают работать.

## 🔍 Анатомия проблемы AI-driven разработки

Что произошло конкретно:

# AI агент рефакторил Assessment модель:
# ❌ Убрал прямые поля: Assessment.user_id, Assessment.store_id  
# ✅ Оставил только FK: Assessment.configuration_id

# Но тестовые фабрики не синхронизировались автоматически:
class AssessmentFactory:
    def create_assessment_data(
        user_id=None,     # ❌ AttributeError!
        store_id=None,    # ❌ AttributeError!  
    ):
        return {"user_id": user_id, "store_id": store_id}  # 💥

Классический подход: вручную исправить 22 теста за несколько часов
AI-разработка: такое происходит каждый день, ручками не успеваешь

## 🧠 Почему это принципиально новая проблема

Traditional Development:
- Схема меняется редко → тесты стабильны месяцами
- Изменения планируются → можно подготовить тесты заранее
- Человек помнит контекст → легко понять что сломалось

AI-Driven Development:
- Схема меняется каждый день → тесты ломаются постоянно
- AI принимает решения автономно → неожиданные изменения
- Контекст изменений не очевиден → сложно быстро починить

## 🛡️ Решения для AI-driven maintenance (не базовые, а продвинутые)

### 1. Автоматическая синхронизация фабрик с моделями

# Реальный-time детекция изменений схемы в CI
@pytest.fixture(autouse=True)
def verify_factory_schema_sync():
    """Автоматически проверяет синхронизацию при каждом тесте"""
    detector = SchemaEvolutionDetector()
    violations = detector.detect_schema_drift()
    if violations:
        auto_fix_factories(violations)  # Пытаемся исправить автоматически
        pytest.fail(f"Schema drift detected and auto-fixed: {violations}")

### 2. AI-Agent Schema Awareness система

# AI агенты получают контекст о зависимостях
class AIAgentContext:
    def modify_model(self, model_class):
        dependent_factories = self.find_dependent_factories(model_class)
        dependent_tests = self.find_dependent_tests(model_class)
        
        # AI агент знает что нужно обновить
        return ModificationPlan(
            model_changes=changes,
            factory_updates=dependent_factories,
            test_updates=dependent_tests
        )

### 3. Schema Evolution в рамках Continuous Integration

# GitLab CI с автоматическим исправлением
schema-evolution-check:
  script:
    - python scripts/detect_schema_drift.py
    - if [ $? -eq 1 ]; then python scripts/auto_fix_factories.py; fi
    - pytest tests/schema/ --auto-fix-mode
  allow_failure: false  # Ломаем пайплайн, если не можем автоисправить

### 4. Property-based test generation для быстрых изменений

# Тесты генерируются из схемы автоматически
@pytest.mark.parametrize("model_class", get_all_models())
def test_factory_model_contract(model_class):
    """Этот тест автоматически адаптируется к изменениям любой модели"""
    factory = get_factory_for_model(model_class)
    assert_factory_matches_model(factory, model_class)
    
    # Бонус: автоматически тестируем все CRUD операции
    test_instance = factory.create()
    assert_can_save_and_load(test_instance)

### 5. Real-time schema monitoring в production

# Мониторинг изменений схемы в реальном времени
class SchemaMonitor:
    def on_model_change(self, model_class, changes):
        # Уведомляем команду о критических изменениях
        if changes.is_breaking:
            slack.send(f"🚨 Breaking schema change in {model_class.

Разрабы главной кодерской нейронки Claude выпустили топовый видеокурс по программированию — бесплатно и для всех желающих.

Внутри:

— Научат правильно писать промты под разные задачи;
— Покажут, как подрубить ИИ к сторонним сервисам и создавать дизайны в Figma парой предложений;
— Готовые юзеркейсы с интерацией нейросетей в работу;
— Гайды по созданию своих ИИ-агентов для рутины;
— Расскажут, зачем они заставили Claude играть в старые игры Pokemon.

Превращаемся в опытного вайбкодера — здесь.

@exploitex

Выпуск уже на канале! Очень мощно вышло 💪 https://www.youtube.com/watch?v=jLSOE97bJX8

Очень классный выпуск про генерацию контента

Самый ценный YouTube канал

https://www.youtube.com/@aiDotEngineer/videos

https://www.youtube.com/watch?v=u4tIhyfF63Y

Лёша Поломодов - выпускник МФТИ, технический директор Т банка.

Обязательно посмотрю это видео.

Описание от Леши:

Стартаперы из Y Combinator говорят, что вайб-кодинг помогает им писать по 95% кода. Казалось бы, выдаешь всем инженерам компании Cursor и радуешься... но не все так просто.

В этом докладе я рассказываю про state of the art-подходы к тому, как разложить работу инженеров на jobs to be done-сценарии, а дальше как уже эти сценарии можно улучшать. В процессе говорю про как классические подходы к написанию кода, так и варианты помощи с проектированием API, проведением code review, запуском тестов, устранением уязвимостей или детекцией аномалий при эксплуатации решений. В докладе будет не только рассмотрение SOTA, но и рассказ о том, что у нас реально работает и как мы подходим к оценке эффекта применения этих методов.