КайфКодинг

🚀 Обычный технарь + ChatGPT спасли собаку от рака за пару месяцев! 🐶💉
Австралийский предприниматель Пол Коннингэм (AI-специалист, без биологического образования) не сдался, когда его спасённой собаке Рози (staffy-shar pei, 8 лет) диагностировали агрессивный мастоцитарный рак. Ветеринары дали «несколько месяцев».
Что он сделал:

За $3000 секвенировал ДНК опухоли в UNSW
С помощью ChatGPT + AlphaFold нашёл мутации и спроектировал персональную mRNA-вакцину
Учёные UNSW RNA Institute (проф. Páll Thordarson) и ветеринары University of Queensland изготовили и ввели вакцину

Результат: огромная опухоль размером с теннисный мяч уменьшилась в два раза, остальные «растаяли», Рози снова бегает, играет и полна энергии! 🔥
Это первая в мире персональная mRNA-вакцина для собаки. Учёные в шоке: «Если получилось у обычного человека — почему не для людей прямо сейчас?»
История взорвала X: репосты от Paul Graham, Jack Dorsey, Bill Ackman и тысячи восторгов.
🔗 Ссылки:
• Полная статья в The Australian (оригинал):
https://www.theaustralian.com.au/business/technology/tech-boss-uses-ai-and-chatgpt-to-create-cancer-vaccine-for-his-dying-dog/news-story/292a21bcbe93efa17810bfcfcdfadbf7
• Подробно в Daily Mail (бесплатно):
https://www.dailymail.co.uk/news/article-15644819/paul-conyngham-dog-vaccine-cancer.html
• Самый вирусный пост в X (почти 10 000 лайков, 9 млн просмотров):
https://x.com/sebkrier/status/2032696950630252586
• Пост учёного из UNSW, который делал вакцину:
https://x.com/PalliThordarson/status/2033013002061136212
Это уже не фантастика. AI democratizes медицину прямо на наших глазах.
Что думаете, ребята? Готовы к персональным вакцинам от рака для людей в ближайшие годы? Пиши в комментах 👇
#AI #Медицина #ChatGPT #Наука

JB сегодня запустили public preview своей новой агентской среды!

Мне (к сожалению) не заплатили за рекламу, но выглядит очень интересно и вкусно. Там можно и свои ключи использовать, и жб подписку.

Мой товарищ который лидит эту разработку обещает что оно уже скоро обрастет фичами и станет #1 агентской средой в мире, так что срочно нужно перекатываться 🫡


https://air.dev/

Поучительная статья о том, как строить инфраструктуру, чтобы ваших агентов не хакнули, и не увели заветные ключики от ЛЛМ.

💯💯💯

Сергей Булаев AI 🤖 - об AI и не только

[1/2] Measuring the Impact of AI on Developer Productivity at Meta (Рубрика #AI)

Превосходное выступление от ребят из запрещенной в России Meta, которое я пересматривал раза 3, чтобы получше разобраться со всеми деталями. Выступали Payam Shodjai (senior director of product management) и Pavel Avgustinov (techlead) направления developer productivity в Meta и они рассказали кучу интересных подходов + технических деталей того, как они подходят к этому вопросу. После этого выстулпения я гораздо лучше понял концепты из статьи "What's DAT? Three Case Studies of Measuring Software Development Productivity at Meta With Diff Authoring Time" (см. мой разбор).

Основная идея доклада крутилась вокруг вопроса "а как измерять влияние AI-инструментов на реальную инженерную продуктивность в большой компании?". И из доклада видно, что Meta построила всеобъемлющий набор метрик, собрала исчерпывающую телеметрию, научилась учитывать сложные операции в системах контроля версий (это обещали пошарить в новом whitepaper, так как базовый git не умеет делать так, как Sapling от Meta). Дальше они искали прямые корелляции между использованием AI и классическими метриками productivity/business value. И речь тут шла не про стандартный code completion, а о более широком наборе AI-инструментов по всему SDLC.

Если упрощать, то ребята показали, что без хорошей инструментализации разговор про ROI от AI быстро превращается в мнения и ощущения. Поэтому Meta делает ставку не на опросы как единственный источник, а на связку из телеметрии, diff-метрик, поведенческих данных и проверки этих данных на реальных рабочих сессиях. Это хорошо согласуется с описанной Meta системой Diff Authoring Time (DAT), которая объединяет privacy-aware telemetry из IDE, ОС и version control и затем валидируется наблюдательными исследованиями, опросами и визуализациями.

1️⃣ Умная классификация пулл-реквестов с помощью LLM
Долгое время главной метрикой в компании был DDM (Diffs per Developer per Month - количество диффов/коммитов на разработчика в месяц). Однако с внедрением ИИ эта метрика стала уязвима для "закона Гудхарта": разработчики могли искусственно завышать показатели, нарезая задачи на мелкие коммиты, а ИИ генерировал много бойлерплейта (шаблонного кода). Чтобы измерять реальную бизнес-ценность, Meta внедрила метрику Feature DDM. Для этого они используют LLM, которые автоматически анализируют содержимое каждого пулл-реквеста и классифицируют его на:
- Feature Diffs: код, создающий новую продуктовую ценность для пользователя.
- Non-Feature Diffs: рефакторинг, обновление конфигураций, тесты и документация.
ИИ-ассистенты оцениваются именно по тому, насколько они увеличивают количество продуктовых диффов.

2️⃣ Посимвольная телеметрия и внутренние инструменты (Devmate)
Meta не полагается на базовую статистику системы контроля версий. Для сбора данных они используют свой внутренний ИИ-инструмент - Devmate (кастомное расширение для IDE). Главный нюанс их телеметрии - посимвольное отслеживание (character-level tracking). Система точно знает происхождение каждого символа в коде. Meta может с абсолютной точностью сказать, какой процент символов в итоговом слитом пулл-реквесте был напечатан инженером вручную, а какой - сгенерирован нейросетью и оставлен без изменений. Отдельно упоминается про то, что Sapling позволяет умно отслеживать transition между commits и правильнее считать как трансформируется код при помощи edit/rebase и остального, а также кем именно (людьми или автоматикой). Помимо этого, телеметрия отслеживает узкие места всего цикла (SDLC): время нахождения задачи на код-ревью, циклы одобрения и прохождение автоматических тестов.

В следующем посте я расскажу про основные инсайты, которыми поделились авторы и которые реально интересны.

#Engineering #Software #Bigtech #Productivity #Management #Leadership #Processes #AI #ML #Architecture #DevEx #DevOps

Все, рабочий день закончился, Борис Черный заботится о нас

Harness Engineering

Давайте расскажу про этот свежий баззворд 2026-го.

В начале года выяснилось что скорость разработки упирается уже не в модели и не в агентов, а в способ их запрягать. Нужно уметь запускать много раз, координировать работу, учить не повторять ошибки, и так далее.

Народ быстро собрал смешной ответ в виде Ralph loop: примитивный цикл запуска Claude Code, названного в честь Ральфа из Симпсонов. Эта штука просто долбит агент в цикле задачами из списка. И даже с такой тупой обвязкой народ справлялся делать реально огромные проекты.

Баззворд Harness Engineering взлетел после одноименной статьи от OpenAI где они рассказывали про обвязку вокруг Codex для автономного кодирования нового своего проекта. Народ быстро подхватил нейминг и побежал заниматься своими harness. Как обычно, людям только дай название.

С тех пор появилось множество проектов и накопленного опыта как лучше обвязки делать. Часть обвязок лежит на стороне агентов, часть – в скиллах и внешних координаторах. Есть простые штуки вроде "не повторяй ошибок", есть сложные системы координации тысяч агентов для работы над огромными проектами.

Что точно понятно – это ещё один важный компонент LLM-инженерии. Кто лучше делает harness, тот больше и стабильней выдает результата.

Учитесь запрягать ваших агентов 🤖🤖

Шэньчжэнь. Ребята из бигтеха провел ивент по бесплатной (там целых две команды все же ввести надо!) установке openclaw всем желающим (и, полагаю, подсадить их на триал на свое облако с моделькой).

Это с одной стороны очень круто что разные возрастные и социальные группы получают доступ к полному агентированию.

С другой стороны, учитывая какая большая openclaw дыра в безопасности, ставить его людям которые не могут сами его себе установить - будто бы ждет пока не случится какая-нибудь неприятность.

Anthropic обновили свой skill-creator ровно в тот момент, когда я выложил skill-conductor. Синхрон настолько точный, что я проверил - нет, они у меня не списывали 🤣

Спасибо @weistigr за подсказку ❤️
У нас в группе оч крутые подпискики собрались, между прочим

Крч, разобрал их апдейт по косточкам. Это очень-очень сильный скилл - мощный интсрумент. Там три агента-специалиста. И я в восторге от этого подхода!

Сейчас копаю именно в эту сторону: рой агентов в skill - это целая команда вместо одного медленного сотрудника (ну вот, уже AI стал медленным, дожили)

Но я был бы не я, если бы тут же не забрал лучшее в свой conductor.

Обновил и улучшил skill-conductor. И вот в чем отличие:

1. Архитектура до кода
Creator сразу прыгает к "давай напишем SKILL.md". Conductor заставляет сначала выбрать паттерн. Самая дорогая ошибка - неправильная архитектура. Переписывать потом долго и больно.

2. Test Driven Development - Сначала прогон и падающие тесты без skill, потом пишем skill

3. 5 осей скоринга с числовыми значениями
Если набирает 45-50, то готов в продакшн, если меньше - переписывать.

В общем, Сreator - это серьёзный testing engine. Conductor - это полный цикл от идеи до пакета.

Выбирайте сами, что вам ближе

Обновлённый skill-conductor по ссылке

@aimastersme

🔍 Anthropic представили Code Review для Claude Code - мультиагентный ревью PR-ов.

Когда открывается pull request, Claude запускает команду специализированных агентов. Пять независимых ревьюеров анализируют изменения с разных сторон: соответствие CLAUDE.md, поиск багов, анализ git-истории, проверка предыдущих комментариев к PR и верификация code comments. Каждая находка оценивается по шкале 0-100, и только высокоуверенные проблемы (порог 80+) публикуются как комментарии - это резко снижает количество false positives.

Внутренние результаты Anthropic впечатляют: выход кода на инженера вырос на 200% за год. До Code Review только 16% PR-ов получали содержательные комментарии - теперь 54%. На больших PR (1000+ строк) 84% получают замечания, в среднем 7.5 проблем на PR.

Три уровня серьезности: красный (баг, фиксить до мержа), желтый (мелочь, не блокирует), фиолетовый (баг который уже был в коде, не из этого PR). Настраивается через CLAUDE.md и REVIEW.md в репозитории.

В документации указана стоимость $15-25 за ревью одного PR в среднем. Даже с учетом того что 5 агентов работают параллельно по 20 минут - кажется дороговато. Доступно в research preview для Team и Enterprise планов.

https://code.claude.com/docs/en/code-review

#anthropic #claude #claude_code #ai #coding

—————————
Мысли Рвачева
—————————

Попробуем внедрить в марте

You can write code faster. Can you deliver it faster? (Рубрика #Productivity)

Это открывающий keynote доклад с конференции DPE Summit 2025 (я уже про нее упоминал). Его рассказывает Hans Dockter, CEO Gradle Inc, который ассоциируется с темой build automation и delivery pipeline: он основал Gradle Build Tool, руководил крупными enterprise-сборками и давно работает на стыке tooling, DevEx и software delivery.

Главный тезис доклада вынесен в название - GenAI ускоряет написание кода, но это не означает ускорение доставки работающего софта, Автор отмечает, что если AI увеличивает объём изменений upstream, то downstream-система - build, test, compliance, deploy - начинает захлёбываться и это выглядит как звучит как предупреждение для слушаетелей. Hans объясняет эту проблему так
- AI делает код быстрее, чаще и в больших объёмах, но одновременно снижает глубину человеческого понимания
- Это провоцирует крупные и более рискованные батчи изменений
- Это ухудшает feedback loops и растёт число сбоев
- В итоге, между "быстро поэкспериментировать" и "надёжно доставить в production" возникает всё больше трения

Если говорить про инсайты выступления, то они такие

1️⃣ Фокусироваться надо не на output, а на outcome
Важен не рост объёма сгенерированного кода (LoC, lines of code), а рост количества рабочего софта, которое команда реально доводит до пользователей

2️⃣ Узкое место смещается из coding в delivery system
Если раньше многие команды оптимизировали IDE, code review и генерацию кода, то теперь конкурентное преимущество будет у тех, кто умеет ускорять pipeline throughput без потери качества и без взрывного роста стоимости CI (continious integrations). То есть выигрывает уже не тот, кто "быстрее пишет код", а тот, у кого архитектура пайплайна выдерживает AI-нагрузку.

3️⃣ GenAI-ready pipeline - это не просто больше железа
Автор рассказывает про конкретные классы решений, что надо улучшать: траблшутинг, интеллектуальная параллелизация запусков, предиктивное выполнение тестов, универсальное кеширование, автоматизация применения политик. В общем, закидать раннерами не получиться - придется перестраивать систему как умный конвейер с хорошей диагностикой и управлением риском

4️⃣ Observability и быстрый анализ ключевых причин становятся частью developer experience
Кажется, что мы идем в сторону того, что AI-кодинг может становиться для разработчика все более "чёрным ящиком", а поэтому важно усиливать не только тестирование, но и видимость сигналов: результаты тестов, статический анализ, группировку фейлов, coverage, диагностику причин падений.

Мне понравилась еще и метафора, что автор подобрал для выступления - он сравнивал скорость мутаций в организмах и появление рака со скоростью AI кодинга и мутациями GenAI моделей, которые приводят к галлюцинациям. В итоге, автор провел параллели между количеством клеток у слонов по сравнению с людьми и работой их механизмов коррекции и защиты от мутаций - если бы у слонов не было такой защиты и они имели похожие средства само-корректировки ДНК, то они бы жили на порядок меньше и умирали от рака. Параллель тут была с нашими CI/CD инструментами, которые должны быть крутыми, чтобы мы могли защищаться от недетерминистической природы GenAI моделей, которые теперь генерируют нам потоки кода:)

Если говорить про выводы, то мне кажется следует вынести следующие четыре вещи
1. Мерить надо не сколько кода написали, а как изменились lead time, failure rate, MTTR и time-to-feedback
2. DevEx теперь включает качество delivery loops, а не только удобство редактора и SDK
3. Платформенная команда становится ещё важнее: именно она делает AI adoption безопасным и экономически оправданным
4. Самая зрелая позиция для руководителя - не спорить "заменит ли AI инженеров", а перестроить систему так, чтобы рост output не разрушал outcome

В общем, AI тут скорее сделал все эти вещи еще более важными, так как они и раньше были на повестке многих компаний.

#DevEx #Metrics #DevOps #Engineering #Software #Management #Leadership

Алгоритм:
- стартуем с ленивого промптинга в Gemini (нам нужно видео Range Rover велар в лесу, как в рекламе с разными планами)>> на выходе изображение + prompt for kilng 3

Вставляем фото и промпт в Kling 3 >> получаем видео

Джипик в лесу. Даня , 9 лет. 1 промпт

В Китае хайп OpenClaw только растёт:

Район Шэньчжэня, Лунган - принял черновик политики, где написано:
субсидируем развёртывание OpenClaw и поддерживаем «АИ-компании из одного человека»

В черновике:

• бесплатные для использования места где OpenClaw предустановлен (типа технопарков)

• 50% субсидии на сервисы, 30% на железо

• 3 месяца бесплатного компьюта для новых проектов

• до ¥10M поддержки для стартапов

Твиттерские быстро превратили новость в «Шэньчжэнь даёт всем OpenClaw бесплатно!!1» - но пока это черновик, один район и нужно пройти отбор (источник)

Но вдумайтесь, китайские власти начали субсидировать агентский слой АИ - не чипы и модели, а конкретно то, что запускает агентов, полный цикл покрыть хотят

2026 будет диким во всех смыслах мне кажется

Прямо по

17 марта стартует последний поток обучения курса «Как делать продукт» в текущем формате и по старым ценам

А возможно и последний поток этого курса ever.

С вайбкодингом и агентами мир поменялся и мне нужно измениться.

Мне удалось создать две мощные методологии, которые приносят миллионы и миллиарды если применять их по-серьёзному. Я обучил 12 000 продактов, маркетологов и предпринимателей основам сегментации, созданию ценности, отстройке, позиционированию, упаковке и выходу из конкуренции. Ещё примерно 30-40 тысяч человек посмотрели мой курс пиратски.

Мои курсы всегда были одними из самых дешёвых на рынке, на что мне студенты говорили "чувак, это должно стоить в разы дороже", при этом стабильно занимают 1-3 места по удовлетворённости и популярности в разных исследованиях. И это должно измениться потому что я стал адекватнее оценивать ценность, которую студенты забирают из моего обучения.

Это был путь длиной в 8 лет. 59 открытых потоков. 40 корпоративных обучений. Больше 1500 воркшопов. Четырнадцать больших пересборок методологий и курса.

17 марта стартует последний поток курса в текущем формате: живые воркшопы, все студенты работают в рабочих тетрадях над своим продуктом, лекции. И по старым ценам.

Большинство студентов меняют в своём продукте сегмент и джобы в течение обучения, пересобирают ценность и коммуникацию. Формируют стратегию. И начинают быстрее расти.

Потом я пойду в творческий отпуск и принесу вам нечто новое.

🔗 https://zamesin.ru/producthowto/