#AI-разработка

М модели ·17 авг 2026

MirrorCode: Claude Opus 4.6 переписал 16 000 строк кода биоинформатики за часы вместо месяцев

Anthropic представила тест MirrorCode — AI самостоятельно переписывает крупные программы без доступа к исходникам, имея только спецификацию. Claude Opus 4.6 восстановил биоинформатический инструмент gotree (16 тысяч строк Go, 40+ команд) — задача, которую человек делал бы 2–17 недель. Главное: масштабирование inference работает, большие проекты решаются при росте вычислений.

0 49

Б бизнес ·11 авг 2026

Доля Linux на десктопах выросла до 22% в рабочий день — данные Cloudflare

По данным Cloudflare, доля Linux на десктопах в Северной Америке выросла с 4.1% до 6.4% за год, а в рабочие дни достигает 22%. Рост связан с переходом разработчиков и AI-инженеров на Linux из-за удобства работы с локальными AI-моделями, агентами и инструментами. StatCounter фиксирует уже 10.65% — удвоение за год.

0 80

И инструменты ·3 авг 2026

Парадокс AI-ускорения: почему сверхбыстрая разработка не рождает новые продукты

Разработчики утверждают, что AI ускорил их работу в разы, но пользователи не видят потока новых приложений и сервисов. Почему технологическое ускорение не превращается в рыночные продукты — разбор реальных причин от инфраструктуры до человеческого фактора.

0 47

И инструменты ·27 июл 2026

Вы можете «вайб-кодить» приложение за дни. Но продуктовая часть — вот где начинается странное

Автор рассказывает, как с помощью AI-агентов стало возможно быстро создавать работающие приложения, но обнаружил, что настоящая сложность — не в написании кода, а в продуктовом дизайне. На примере разработки медитативного приложения он показывает, как простые вопросы (сколько опций показывать, как не перегрузить пользователя выбором) превращаются в сложные продуктовые дилеммы.

0 89

И инструменты ·22 июл 2026

2000 часов с AI-помощником: почему его успехи и провалы имеют одну причину

Разработчик без опыта программирования потратил 7 месяцев и 2000+ часов на создание платформы с помощью AI. Он выделил 6 повторяющихся типов ошибок: «пластырные» решения, необоснованные предположения, незаметный дрейф задачи, галлюцинации, отсутствие здравого смысла и выбор лёгкого пути вместо правильного. Главная проблема — уверенность AI не связана с реальной проверкой истины, и даже улучшенные модели не избавлены от этих паттернов.

0 44