Моя лента

Или: как корпоративный софт вынудил меня написать своё приложение

Представьте картину. Понедельник, 10:00. В календаре — ежеквартальный all-hands на час. CEO заходит в Teams с видом человека, которому есть что сказать. Первые пять минут — действительно интересно. Потом начинается.

«Наша миссия — создавать ценность для клиентов, двигаясь вперёд как единая команда к амбициозным целям следующего квартала, опираясь на наши ключевые компетенции и синергию между подразделениями...»

Вы смотрите в экран. Потом в окно. Потом снова в экран. Мозг предательски начинает думать о том, что бы поесть на обед и не пора бы поставить кофе.

Хочется включить его фоном и заняться своим делом. Но неловко — вдруг скажут че-то важное? Вот если бы потом можно было быстро пробежаться по тексту и вытащить три реальных факта из часового эфира, а лучше запихнуть все это в LLM, чтобы она все сделала за меня ...

В «Яндексе» обучили нейросеть для «Яндекс Карт» более точно интерпретировать детализированные запросы от пользователей. Например, для обработки запроса «Посоветуй ресторан с ризотто на Павелецкой» нейросеть сначала выделит его ключевые смысловые компоненты «ресторан», «ризотто», «Павелецкая», а затем найдет среди множества вариантов наиболее релевантные и предложит пользователю.

Привет!

Это юбилейный десятый выпуск Frontend Status — дайджеста по фронтенд-разработке и AI.

В этом выпуске:

📺 TanStack AI генерирует картинки, а не только чат-ботов.

🤖 Почему ИИ выдаёт глупый код — и трёхуровневая архитектура, которая это исправляет.

🎨 Математическая модель masonry-раскладки на Flexbox — с алгеброй, а не «работающим примером».

⚡ TypeScript 6.0, обновления безопасности Node.js, петиция против AI-кода в ядре Node.js и Kafka из Node.js по-взрослому.

⚛️ TanStack улучшил пропускную способность SSR в 5 раз, а Strawberry Browser переписал 130 000 строк с React на Svelte за две недели.

🅰️ Angular выпустила официальные скиллы для AI-агентов.

💚 Компоненты визуализации звука для Vue.js на Web Audio API.

…и многое другое.

Здравствуйте. Несколько лет глубоко погружён в тему корпоративных RAG-систем. В последнее время, как от коллег, так и от заказчика часто слышу, что векторный поиск это слабое место и вчерашний день, и что нас спасут только графовые системы. Нашел несколько постов и видео на эту тему. Захотелось попробовать. В статье делюсь своими впечатлениями, рефлексирую и рассказываю как воспроизвести эксперименты.

Почему Ollama? Выделение вычислительных ресурсов на RAG в проекте - отдельная больная тема. Мне нужно было понять нижнюю планку. Если коротко, кое-как работает даже на 4b моделях.

Причём здесь киберпанк? Очень нравится этот жанр, а ещё я люблю использовать для проверки RAG/LLM штук знакомые тексты. Для экспериментов с Microsoft GraphRAG я выбрал рассказ "Johnny Mnemonic" Уильяма Гибсона, для начала на английском.

В конце марта 2026 года состоялся выпуск проекта дистрибутива DietPi 10.2 для одноплатных ПК на базе архитектур ARM и RISC‑V, таких как Raspberry Pi, Orange Pi, NanoPi, BananaPi, BeagleBone Black, Rock64, Rock Pi, Quartz64, Pine64, Asus Tinker, Odroid и VisionFive 2. Версия проекта DietPi 9.0 вышла в январе 2024 года. Сборку DietPi 10.0 представили в январе 2026 года.

Привет, Хабр! Это Сергей Перевозчиков, основатель агентства контекстной рекламы «КонтекстЛаб». Я часто вижу одну и ту же ситуацию: компания запускает рекламу, тестирует гипотезы, внедряет разные трюки — а продажи либо стоят на месте, либо растут на символические 10–20%, при этом рентабельность только ухудшается.

В таких случаях проблема почти никогда не в самой рекламе. Она скрыта глубже — на пути клиента к покупке. В воронке есть «пробоины», через которые просто утекают заявки.

На своих проектах я всегда разбираю воронку целиком и работаю с конверсией на каждом этапе — от первого касания до сделки. В этом кейсе покажу методику, которая помогает находить эти потери и системно их закрывать, с конкретными примерами и результатами.

Компания Google анонсировала новую голосовую модель Gemini 3.1 Flash Live, сделав акцент на скорости отклика и качестве живого общения. По сравнению с предыдущей версией модель быстрее реагирует на запросы и точнее распознает акустические нюансы, включая темп речи, интонацию и высоту голоса. Отдельное внимание уделено фильтрации фонового шума, что улучшает работу в реальных условиях.

Строим AI-ассистента для бизнеса — и обнаруживаем, что каждое сообщение пользователя с персональными данными уходит в Google. Рассказываю, как это исправить, не сломав UX.

Когда мы запускали AI-ассистента для квалификации лидов в строительном бизнесе, первый же вопрос от клиента поставил меня в тупик: «А куда уходят персональные данные, которые люди вводят в чат?»

Я знал ответ. И он мне не нравился.

Пользователь пишет: «Меня зовут Дмитрий, наша компания ООО Ромашка, телефон +7 903 123-45-67, email dmitriy@company.com». Это сообщение в том же виде уходит в Google Gemini API для генерации ответа. Google получает PII — имя, телефон, email конкретного человека. Каждый раз. С каждым пользователем.

Для бизнеса в России это три проблемы одновременно.

Юридическая. 152-ФЗ требует, чтобы персональные данные российских граждан обрабатывались на территории РФ. Передача данных на серверы Google — даже для обработки, не хранения — это трансграничная передача данных, которая требует уведомления Роскомнадзора и согласия субъекта. Штрафы начинаются от 3 млн рублей.

Бизнес-риск. Контактная база клиентов — главный актив отдела продаж. Отдавать её в третьи руки, пусть даже крупной корпорации — вопрос корпоративной гигиены.

Этика. Клиент пишет в ваш чат. Он доверяет вам свои данные. Не Google.

Задача сформулировалась чётко: большая языковая модель должна вести диалог естественно — обращаться по имени, знать компанию, упоминать email — но никогда не получать реальные персональные данные. Звучит как противоречие. Решение оказалось элегантным.

Статья о том, с какими сложностями могут столкнуться пользователи, установившие ИИ-агента OpenClaw, построенная на личном опыте. Спойлер: монстр под капотом, 81 млн токенов за три дня, конфликты с сервером и почему он не просто бот, а ниндзя-одиночка.

Энцо Феррари начал писать мемуары только после смерти сына Дино. До этого было не до того — гонки, завод, борьба за секунды и победы отнимали всё время. Когда Дино не стало, пришлось остановиться и оглянуться. Так появилась эта книга.

«Мои ужасные радости» — это не хроника автоспорта и не учебник по конструированию болидов. Автор просто делится мыслями, идеями, убеждениями и чувствами, из которых соткана канва его жизни. Строгой хронологии и академической выверенности здесь нет — только живой голос человека, который 60 лет следил за историей гонок из первого ряда и сам же её создавал.

Энцо Феррари — человек, чье имя стало синонимом скорости, страсти и итальянского совершенства. Основатель компании Ferrari, создатель машин-легенд, он прожил жизнь, в которой триумфы и трагедии шли рука об руку. Гонщик, конструктор, руководитель команды — он был всем этим одновременно, но прежде всего он был человеком, одержимым автомобилями.

В бизнес-среде профессионализм традиционно ассоциируется с надежностью, умением держать удар и доводить задачи до конца любой ценой. Но у этой медали есть оборотная сторона: именно высококвалифицированные специалисты и руководители чаще других пропускают сигналы о необходимости паузы. Они продолжают работать на истощении, потому что их профессиональные качества – перфекционизм и выученная устойчивость – начинают работать против них.

Как я и сказала, профессионализм в бизнес-среде часто понимают как умение держать удар и доводить дела до конца любой ценой. Именно эта черта – высокая требовательность к себе – долгое время помогает расти, получать доверие, брать на себя ответственность. Но есть момент, когда качество, которое помогало подниматься, начинает тянуть вниз. Профессионализм превращается в перфекционизм – версию себя, которая перестала быть гибкой.

Обычно говорят о двух видах перфекционизма. Среди них адаптивный – это когда высокие стандарты помогают расти, но не мешают замечать свои пределы и вовремя останавливаться. И еще один – дезадаптивный – когда человек постоянно чувствует, что он недостаточно хорош, что любой результат можно улучшить, что отдых – это слабость. Именно второй тип прочно связан с выгоранием и неспособностью вовремя остановиться.

В рабочем контексте дезадаптивный перфекционизм проявляется как:

Сегодня веб-приложения остаются основой для функционирования бизнеса. Их стабильность влияет как на финансовую, так и репутационную составляющие организации. Но также внешние ресурсы компаний являются привлекательной целью для злоумышленников. По данным представителей сервиса WAF ГК «Солар», за 2025 год общее количество кибератак на веб-приложения выросло на 89% в сравнении с 2024 годом. Учитывалась статистика по организациям из разных сфер, в том числе госсектора, логистики и транспорта, ритейла, финансов, промышленности.

Успешность такой кибератаки зависит в том числе от наличия уязвимостей в веб-приложениях. Ими злоумышленники могут пользоваться, чтоб получить доступ к системе, а затем ее компрометировать. Компания «Анлим», центр компетенций по информационной безопасности, не первый год специализируется на пентесте (от англ. penetration test). За время многочисленных проектов по взлому ИТ-инфраструктуры специалисты компании «Анлим» назвали три наиболее распространенных уязвимости, а также рассказали о способах их устранения.

Привет! На связи Наталья Нефедова — менеджер продукта и head of сообщества техписателей в Cloud.ru. 

В 2024 году у нас в компании произошла реорганизация, после которой мы, техписатели, перестали находиться в матричной структуре, а распределились по продуктовым командам («изюм в булке») и нашими руководителями стали менеджеры продуктов. В этой новой реальности экспертиза и профессия техписателя как таковая стали размываться, нам надо было каким-то образом это остановить. И в этом нам помогло сообщество, которое не только обратно объединило профессию техписаталей, но и влияет на бизнес-цели компании. 

Наш опыт создания сообщества оказался объемным и насыщенным, поэтому поделюсь им в трех частях. Материал будет интересен, если у вас еще нет сообщества и вы хотите его создать, или оно уже есть и вы хотите попробовать новые механики, чтобы повысить его эффективность.

В первой части расскажу про минусы «изюма в булке» для нашей компании, а также про дизайн и операционную модель нашего сообщества.

Смена повествователя меняет всё. Разбираю механику, которая сделала новую экранизацию «Грозового перевала» сильнее оригинала.

Открываю экспериментальный цикл уменьшенного формата в личном блоге на Хабре.

Здесь не будет исторически-ностальгических прелюдий и рефлексии «кому и зачем это нужно». Просто небольшие истории спонтанно-рутинного решения той или иной практической задачи. Например, оживление ретро-техники, исследование её внутреннего устройства, а также создание самоделок. Одним словом, какая-то техническая возня («техновоз»), не особо приглядная, не имеющая глубокого смысла, но по своему увлекательная.

В свой первый рейс техновоз привёз мне китайскую портативную 16-битную Сегу с занимательной родословной. Даже две штуки, и обе потребовали некоторых приседаний перед их помещением в коллекцию.

Мы живем в эпоху, когда ИИ стал доступен каждому. Но за магией PyTorch скрывается колоссальная инженерная работа и сложные вычислительные процессы, которые для большинства остаются черным ящиком. 

Это четвертая статья из цикла От MNIST к Transformer, цель которого пошагово пройти путь от простого CUDA ядра до создания архитектуры Transformer - фундамента современных LLM моделей. Мы не будем использовать готовые высокоуровневые библиотеки. Мы будем разбирать, как все устроено под капотом, и пересобирать их ключевые механизмы своими руками на самом низком уровне. Только так можно по настоящему понять как работают LLM и что за этим стоит. В этой статье мы разберем как работает градиентный спуск, реализуем его и обучим нашу модель для распознования mnist датасета.

Приготовьтесь, будет много кода на C++ и CUDA, работы с памятью и погружения в архитектуру GPU. И конечно же математика что за этим стоит. Поехали!

Эта статья представляет собой дальнейшее развитие нашей предыдущей статьи, только здесь всё будет на 20 % круче. Мы полностью вынесем функциональность базовой станции на отдельный ПК, возьмём более мощное железо для ядра сети, а также развернём другой open source-стек для радиочасти. В общем, сделаем шаг вперёд и попробуем перейти от демонстратора идеи к тестовому стенду 5G. В этой статье вас ждут:

Установка ядра с низкой задержкой.

Установка DataPlane Development Kit (DPDK).

Установка драйвера UHD из исходных кодов.

Подключение USRP X310 к CU/DU с применением DPDK.

Развёртывание OpenAirInterface и подключение gNodeB к ядру сети.

Здравствуйте всем, я – менеджер продукта в компании «СИБИНТЕК». Если вы решите изучать Agile‑подходы самостоятельно или запишитесь на тренинг, то рано или поздно столкнетесь с фреймворком Кеневин (Cynefin). Он, как и фреймворк Scrum, прост в понимании и достаточно сложен для совершенного овладения. Но, возможно, это как закон тяготения Ньютона: вы его не применяете в повседневной жизни, а просто действуете соразмерно этому закону. Кстати, «cynefin» – валлийское слово, которое переводится как «среда обитания».

Уэльское происхождение названия фреймворка не удивительно. Его разработчик – шотландец. Кеневин создали для руководителей и специалистов: он помогает выбрать подходы к принятию решений для задач различного уровня сложности. Давайте заглянем в мир Кеневин, которому уже более 25 лет.

Автор фреймворка предполагает в своей модели, что реальный мир вокруг нас – это множество взаимосвязанных систем, в которых действуют различные агенты‑модуляторы: люди, компании, регламенты, процессы, события и др., которые постоянно взаимодействуют между собой. Количество и характер их взаимодействий определяет сложность каждой из систем. Все эти системы автор делит на четыре типа (домена): упорядоченные простые, упорядоченные сложные, комплексные и хаотические. В каждом из этих доменов предлагается своя модель принятия решений. Нужно сразу сказать, что Кеневин – это не столько категоризационная, сколько смыслообразующая модель. Это аналитический фреймворк.