Ученые из Австралии выяснили, что современные нейросети перешагнули порог визуального распознавания. В ходе эксперимента со 125 участниками обычные люди отличали сгенерированные лица от настоящих лишь немногим лучше, чем при случайном угадывании. Даже обладатели выдающейся зрительной памяти показали минимальное преимущество перед контрольной группой.
CLI-обёртка над git worktree на чистом Bash. Автоименование worktrees, централизованное хранение в ~/.git-wt/, копирование .env файлов, shell-автодополнение и поддержка AI-агентов через SKILL.md. Сделана для параллельной работы нескольких Claude Code / Cursor / Windsurf на одном репозитории, но полезна и для код-ревью, хотфиксов и тестирования. Ноль зависимостей, установка за 5 секунд.
Общеизвестным является тезис о том, что от избыточного индексирования страдают только DML-операции, а SELECTы только получают разнообразные бенефиты.
Однако существуют определённые нюансы, которые могут разрушить данную стройную картину мира.
Я попробую продемонстрировать возможную проблему на тестовом примере (кстати, почти аналогичная проблема наблюдалась в реальной ПРОМ-системе).
Солнечная энергия нестабильна: летом и днем ее избыток, ночью и зимой — дефицит. С электричеством проблему частично решают аккумуляторы, а вот с теплом все несколько сложнее. Чтобы отапливать дом и греть воду, его приходится запасать заранее. Но бак с горячей водой постепенно остывает, да и другие материалы, например парафины или соли, тоже не позволяют хранить большой запас надолго. Использовать для обогрева крупные литий-ионные системы накопления электроэнергии возможно, но это дорогое решение, которое доступно далеко не всем.
Химики из Калифорнийского университета в Санта-Барбаре под руководством Грейс Хан предложили другой подход: накапливать солнечную энергию в химических связях органической молекулы. Они «запирают» тепло в измененной структуре. В результате получается стабильный носитель, который может долго сохранять запасенную энергию с медленным распадом и отдавать ее по требованию. Давайте посмотрим, что предлагают ученые.
Новости об ИИ выходят быстрее, чем успеваешь их переварить: релизы моделей, таблицы бенчмарков, заявления про "революцию" и "конец профессий".
Эта статья научит,что проверять, когда выходит новая модель, как читать бенчмарки, на что смотреть в model/system card, чтобы понимать реальный смысл анонса, чем open-weight отличается от закрытых моделей и почему это влияет на рынок.
А заодно, как читать без паники и самообмана статьи вроде "ИИ отнимет у вас работу".
Автономный торговый бот Lobstar Wilde, созданный разработчиком OpenAI Ником Пашем, перевел 52,4 млн мемкоинов $LOBSTAR — 5% всей эмиссии — случайному пользователю X. Получатель обналичил токены за $40 000 в течение 15 минут. Бот на тот момент существовал три дня.
К 2025 году законодательство в области информационной безопасности в России ужесточилось. Разумеется, это коснулось в первую очередь защиты объектов критической информационной инфраструктуры, относящихся к энергетике, финансам, транспорту и другим отраслям. Залог успешного функционирования организаций, работающих с КИИ, – соблюдение новых требований, направленных на повышение безопасности и импортозамещение иностранной продукции.
В статье посмотрим на законы, на список отраслей, которые относятся к КИИ, и на решение вопроса с СУБД с помощью доверенной системы, отвечающей требованиям к импортозамещению и безопасности.
В мире искусственного интеллекта есть много всего интересного и многие начинающие разработчики не могут определиться с тем, с чего начать погружение в этот мир. В этой статье мы познакомим читателя с одним из направлений работы с графикой – нейросетевом переносе стиля.
Привет, Хабр! Как думаете, что будет, если превратить Go из языка программирования в настольную игру? Правильно, GO LOTO! 10 марта встречаемся в офисе Авито на Лесной, чтобы сыграть в узком кругу разработчиков и экспертов.
Сегодня в ТОП-5 — в Telegram нашли две новые схемы взлома аккаунтов и кражи денег, новый бэкдор Keenadu скрывается в прошивке Android и крадет данные, обнаружены уязвимости в расширениях VS Code, PromptSpy: троян, который блокирует своё удаление, используя ИИ Gemini, исправлена критическая уязвимость в Windows Admin Center.
Уже как второй месяц стартовал 2026, и мы замечаем, что многим особенно интересно узнать, что сейчас происходит с рынком найма. Поэтому мы посмотрели, как компании нанимали специалистов во втором полугодии 2025 на Хабр Карьере. Чтобы те, кто ищет работу, могли примерно понимать, чего ожидать от работодателей и их вакансий в этом году.
Рассказываем, какие компании размещали больше всего вакансий и кого искали во второй половине 2025.
Продуктовая разработка с агентами, замена agile-команд и роль продакт-инженера — эти и другие темы я обсудил с Юрой Агеевым, основателем ProductSense, в новом выпуске подкаста make sense.
Слушайте на удобной платформе:
> Telegram
> Mave
> Apple
> Яндекс Музыка
> YouTube
Таймкоды:
00:00 — Введение
01:58 — Личный сетап агентов, эксперименты и первые сценарии
03:34 — Почему тема агентов — это про орг. модель, а не про игрушки
06:05 — Откуда взялся Agile: ответ на рост сложности продуктов
09:10 — Идея мини-команд для быстрого тестирования гипотез с агентами
11:10 — Риски одиночки: туннельность, критика, фактор автобуса
12:05 — Платформенная команда: стандарты, «золотой путь» и «ворота качества»
14:05 — Зависимость централизации от культуры компании
16:12 — Продакт-инженер: продукт и инженерия в одном цикле
17:32 — Схлопывание ролей: инженеры учат продукт, продукты учат технику
19:33 — Практика пайплайнов в работе с агентами: сначала документация, потом код
26:03 — Контекст как главная ценность и способ удержания клиентов
29:01 — Один в поле не воин: почему запуск и масштаб важнее кода
30:28 — Можно ли доверять агентам?
33:54 — Конкуренция заставит ускоряться: когда агенты станут нормой?
35:55 — Практика внедрения агентов: выделенные пилоты и команды добровольцев
37:35 — Главные риски: стоимость токенов и деградация навыков
42:09 — Как будут трансформироваться процессы и agile-роли?
50:57 — Как правильно строить эксперимент: задачи, команды, обучение и метрики
А еще я много пишу про продуктовую разработку и управление командами в своем блоге. Так что если прониклись темой подкаста, рекомендуем заглянуть туда.
БФТ-Холдинг в рейтингах лучших работодателей
По итогам 2025 года БФТ-Холдинг вошел в топ-20 рейтинга лучших ИТ-работодателей по версии Хабр.Карьеры. Компания заняла 17 место среди организаций с численностью 1000–5000 сотрудников.
Выше всего пользователи оценили БФТ-Холдинг по таким критериям:
- Компания делает мир лучше
- Комфортные условия труда
- Отношения с коллегами
- Интересные задачи
Ранее компания стала участником топ-100 рейтинга лучших IT-брендов работодателей по версии Хабр и ЭКОПСИ. Также компания получила «Серебряный статус» в рейтинге Forbes.
Включение в авторитетные рейтинги работодателей России подтверждает, что БФТ-Холдинг - компания, где создают комфортные условия для работы и развития сотрудников.
Исследователи Anthropic опубликовали теорию, которая описывает ИИ-ассистентов не как программы с набором правил и не как непостижимых "инопланетян", а как актеров, играющих роль. Согласно модели выбора персоны (persona selection model, PSM), во время предобучения языковая модель учится имитировать тысячи персонажей из обучающих данных — реальных людей, литературных героев, вымышленных роботов. Дообучение не создает новую сущность, а лишь выбирает и уточняет одного конкретного персонажа — Ассистента.
В компании проанализировали продажи в период с 20 по 23 февраля 2026 года и определила самые популярные подарки ко Дню защитника Отечества. Наиболее востребованными категориями стали смартфоны, наушники, телевизоры, игровые консоли, ноутбуки, умные колонки и крупная бытовая техника.
Обычно мы используем СУБД как инструмент: учитываем нюансы синтаксиса, оптимизатора, утилит и поведения движка — и решаем прикладные задачи. Но недавно, разворачивая очередной PostgreSQL‑кластер для продакшена, я поймал себя на мысли: не слишком ли много всего нужно поднять вокруг PostgreSQL, чтобы система работала одновременно безопасно и предсказуемо по производительности?
Многофазные электрические машины активно вытесняют трёхфазные в авиации, ветроэнергетике и электротранспорте — меньший ток на фазу, встроенная отказоустойчивость, сниженные пульсации момента. Но моделировать их негде: ни MATLAB, ни другие стандартные пакеты не предоставляют готовых блоков для машин с числом фаз больше трёх.
Мы решили эту задачу в Engee. Ключевой элемент — параметрическая модель на основе обобщённой трансформации Кларка, которая автоматически строит матрицы прямого и обратного преобразования для любого числа фаз. Задаёте n = 6 — получаете шестифазную машину. Меняете на n = 12 — двенадцатифазную. Схема не меняется.
В статье — полная реализация: математическая модель машины в осях d-q, скрипт построения матриц трансформации с проверкой взаимной обратности, система векторного управления с каскадными ПИ-регуляторами, результаты моделирования шестифазного СДПМ мощностью 800 кВт. Разбираем переходные процессы при разгоне и набросе нагрузки, анализируем форму токов и энергетический баланс. Весь код прилагается.
Запуск USB-сканера отпечатков пальцев Chipsailing CS9711 на Ubuntu.
Эти сканеры продаются на маркетплейсах по цене 1000-2000р. Команда lsusb опознаёт их как ID 2541:0236 Chipsailing CS9711Fingprint
1. Скачать и скомпилировать форк libfprintd с поддержкой этого сканера
git clone https://github.com/archeYR/libfprint-CS9711.git
cd libfprint-CS9711
meson setup buildПоследняя команда может завершиться с ошибкой из-за отсутствия в системе нужных библиотек (libgusb-dev, gobject-introspection, libgudev-1.0-dev, libopencv-dev и т.п.). Надо их поставить и выполнить её ещё раз.
Скомпилировать и установить библиотеку
ninja -C build
sudo ninja -C build installВ результате в /usr/local/lib/x86_64-linux-gnu должны появиться файлы libfprint-2.so.2.0.0, libfprint-2.so и libfprint-2.so.2. Первый - собственно библиотека, а остальные - симлинки на неё
Для проверки работы можно перед установкой (...install) позапускать примеры
cd build/examples
sudo ./enroll
....
sudo ./verify2. Установить пакет с демоном для распознавания по отпечатку
sudo apt install fprintd3. Заставить fprintd работать с нашей библиотекой вместо той, что была установлена из пакетов, прописав её в LD_PRELOAD
sudo systemctl edit fprintd.serviceВ открывшемся окне редактора добавить две строки (там уже будут комментарии, указывающие, куда именно их вставлять)
[Service]
Environment="LD_PRELOAD=/usr/local/lib/x86_64-linux-gnu/libfprint-2.so"Перезапустить сервис и проверить, что нет ошибок:
sudo systemctl restart fprintd.service
sudo systemctl status fprintd.serviceОжидаемый вывод:
❯ sudo systemctl status fprintd.service
● fprintd.service - Fingerprint Authentication Daemon
Loaded: loaded (/usr/lib/systemd/system/fprintd.service; static)
Drop-In: /etc/systemd/system/fprintd.service.d
└─override.conf
Active: active (running) since Tue 2026-02-24 16:02:45 MSK; 1s ago
Docs: man:fprintd(1)
Main PID: 61913 (fprintd)
Tasks: 6 (limit: 37635)
Memory: 3.3M (peak: 4.5M)
CPU: 93ms
CGroup: /system.slice/fprintd.service
└─61913 /usr/libexec/fprintd
фев 24 16:02:45 machine-name systemd[1]: Starting fprintd.service - Fingerprint Authentication Daemon...
фев 24 16:02:45 machine-name systemd[1]: Started fprintd.service - Fingerprint Authentication Daemon.
4. Включить вход по отпечатку в KDE
sudo vim /etc/pam.d/kdeВ файл добавить строку
auth sufficient pam_fprintd.soПроверено на Kubuntu 24.04.4 LTS
Ссылка по теме: https://github.com/archeYR/libfprint-CS9711
PS. На Arch должно ставиться из коробки: https://aur.archlinux.org/packages/libfprint-cs9711-git
Привет, Хабр! Буду краток: буквально на днях компания Positive Technologies выпустит свой научно-популярный фильм о реверс-инжиниринге «Как получить доступ ко всему». Позже он появится в онлайн-кинотеатрах, но самый шик-блеск — посмотреть допремьерный показ вместе с его создателями в крутейшей локации.
Картина посвящена реверс-инжинирингу, который существует примерно столько же, сколько существует человек. Ну, согласитесь — даже когда не было микросхем, «чёрных ящиков» всё равно хватало: явления природы, предметы, да даже мы сами — зная, как всё устроено, люди получали доступ ко многим возможностям.
Фильм создавался полтора года, из которых 5 месяцев было потрачено на проработку идеи и 11 месяцев на саму съёмку и производство. Причём всё пересобиралось три раза, чтобы сохранить грань между «трушностью» для самих реверсеров и понятностью для широкой аудитории. Съёмки проходили во множестве локаций: в офисах PT (в том числе в исследовательских лабораториях Positive Labs), Лаборатории Касперского, Т-Банка, в Кибердоме, музеях криптографии и военной техники, на производстве компании «Моторика» и в других интересных местах. Команде удалось снять исследование космического спутника, бионических протезов, автомобильных беспилотных систем, специализированные установки для аппаратного реверсинга и многое другое.
В фильме воссоздаётся пять исторических эпох, описывающих историю советского и российского реверс-инжиниринга за последние сто лет:
20–40-е годы, когда упор делался на военную промышленность и было важно знать, как устроены орудия врага, чтобы сделать свои ещё эффективнее.
60–80-е, когда появились первые большие ЭВМ.
90–00-е, когда массовая доступность компьютеров привлекла реверсеров, которые делали ПО бесплатным для всех.
10–20-е, сегодня, когда распространение технологий привело к лавине киберугроз.
Будущее, в котором создатели размышляют о том, есть ли место этой профессии в эру ИИ и десятка умных устройств на одного человека.
Когда: показы пройдут 27 (пятницаи) и 28 (суббота) февраля, в в 11, 15 и 19 часов
Место: «Кибердом» — Москва, ул. 2-я Звенигородская, 12с18
Регистрация через таймпад, количество мест сильно ограничено. Если не успели, но непреодолимо хотите — напишите в личку, что-нибудь придумаем.
Изучаю механизм проактивного АИ-агента. Часть 2
В первой части я рассказал про концепт проактивного AI-агента и показал примеры сообщений, которые он мог бы присылать. Последние 3 дня я занимался реализацией — и сегодня пришло первое сообщение от него
За основу я взял популярный OpenClaw, но захотел переписать бота по-своему и разобраться с тем, как живёт и думает эта сущность
Архитектура: из чего состоят подобные OpenClaw агенты
Heartbeat — сердце агента
Это цикл, который раз в N минут триггерит основные события, проверки и запускает переписывание файлов, если нужно
«Проснись, посмотри, что изменилось, подумай, что предложить пользователю».
Memory — память агента
Нужно было спроектировать аналог краткосрочной и долгосрочной памяти, примерно как у людей.
Краткосрочная — контекст текущей сессии, что происходило сегодня, какие задачи обсуждали, что пользователь ответил. Долгосрочная — в случае OpenClaw это SQLite с механизмом эмбеддингов. Ну можно поставить любую другую векторну�� бд
Плюс есть еще такие файлы как Soul, Agents, Identity, User, Memory и еще несколько. Все они сразу попадают в Context Window
Без разделения на два типа памяти агент либо забывает всё на следующий день, либо тонет в контексте и начинает галлюцинировать.
Memory Compaction — сжатие памяти
В OpenClaw агент хранит часть контекста в файлах формата MEMORY_MM_DD_YYYY с историей каждого дня.
По прошествию нескольких дней агент делает Compact этих файлов и удаляет / архзивирует их исходники
Context Routing — маршрутизация контекста
Как и чем нужно заполнять контекст на протяжении времени? Как его сжимать?
Контекстное окно — ресурс ограниченный. Нельзя каждый раз загружать все цели, всю память, все задачи. Нужно выбирать: что релевантно сейчас, что можно опустить, что критично.
Context routing решает, какие куски информации попадут в промпт для конкретного цикла работы агента.
Prompt Assembly — сборка промпта
Как структурировать промпт? Какая информация в нём приоритетнее, а что можно поджать? Как выбираются цели на конкретный день?
Это отдельная инженерная задача. Промпт агента — не статичный текст. Он собирается динамически из кусков: текущие цели, релевантная память, задачи из таск-трекера, контекст дня недели и времени.
---------------
Что я добавил к исходному варианту OpenClaw от себя
Reflection — самооценка агента
Экспериментальный блок, где модель оценивает сама себя по 4 шкалам:
Actionability — дал ли конкретные шаги?
Relevance — был ли совет по теме цели?
Novelty — сказал ли что-то новое?
Overall quality — общее качество
Зачем это нужно: без обратной связи агент быстро скатывается в банальности типа «Не забудь поработать над своими целями!». Reflection заставляет его критически оценивать свой же output и со временем улучшать качество предложений.
К чему он у меня подключен
TickTick — мой таск-трекер, откуда бот смотрит задачи и ставит новые
Telegram — сюда он мне пишет и предлагает задачку на сегодня
Discord — самый лучший по функционалу на сегодня
----------------
Что я понял в процессе
Создание проактивного агента — это совсем другой уровень сложности по сравнению с обычным чат-ботом.
В чат-боте пользователь задаёт вопрос → получает ответ. Всё. Контекст понятен из вопроса.
В проактивном агенте нужно решить кучу вопросов, которые в чат-боте просто не возникают: когда писать, о чём писать, как не повторяться, как не раздражать, как понять, что задача уже неактуальна, как сжимать память, чтобы не выжирать токены.
Это, по сути, проектирование UX для системы, у которой нет интерфейса в привычном смысле — только текст в мессенджере.
Вот такие промежуточные итоги — получилось хоть немного разобраться в возможном механизме оркестрации под капотом агента
Если где то нашли неточность, то пинганите в комментах
В третей части напишу подробнее про OpenClaw, так как пока решил его потестировать