Google открыла разработчикам доступ к Gemini 4 Argon через API и инструменты разработки
Google объявила о расширении доступа к Gemini 4 Argon — своей новой ИИ-модели, рассчитанной на сложные многоэтапные задачи. Разработчики теперь могут использовать её через Gemini API, в Google AI Studio, Android Studio и среде разработки Google Antigravity.Модель представили ещё в начале октября, но первоначально доступ к ней был ограничен. С 13 октября Gemini 4 Argon стала доступна более широкому кругу разработчиков и корпоративных пользователей. Рассмотрим немного подробнее.Что умеет Gemini 4 Argon
ИИ‑агенты. Часть 1: Первые шаги
Всем привет! Сегодня я хочу рассказать вам про то, как я начал внедрять в процесс разработки ИИ‑агентов. Поделюсь своим опытом.Эта статья нацелена на начинающих, чтобы дать им первый толчок к использованию ИИ‑агентов. Однако, если вы уже давно в этой теме, то буду рад вам в комментариях.Что такое ИИ‑агент?Я уже рассказывал, что такое нейронная сеть. И мы знаем, что LLM тоже нейронная сеть (Transfomer точнее). Однако, что из себя представляет ИИ‑агент я понял только сейчас.ИИ‑агент
Как мы пускаем ИИ на боевые сайты, или Что происходит после команды «исправляй»
В первой части я рассказывал, как мы дошли от обычного копирования кода между MODX и ChatGPT до нормального предметного интерфейса к CMS. Агент перестал видеть сайт как россыпь файлов и строк в базе и получил возможность работать с ресурсами, чанками, TV и зависимостями между ними. В какой-то момент этого стало достаточно, чтобы ставить задачу примерно так же, как я поставил бы её разработчику, без подробной инструкции, куда именно залезть и какую строку там поменять.
Я перестал показывать ИИ файлы и дал ему сам MODX
С искусственным интеллектом в веб-разработке мы работаем уже достаточно давно. На проектах с MODX 2 ChatGPT помогал искать ошибки, разбирать чужой код, писать сниппеты и компоненты, переделывать шаблоны. Польза была вполне практической, но сам процесс, в большей части, оставался традиционным. Нужно было найти нужный чанк, принести его в чат, объяснить, откуда берутся данные, показать TV-поля, получить исправленный код, вернуть его в MODX и проверить результат.
Как надёжно передавать управление между ИИ-агентом и человеком без гонок состояний
Работа над Agent Inbox показала мне, что передача управления между агентом и человеком — это конечный автомат: с явным владением состоянием, маркерами версии и чёткой семантикой подтверждения обработки.СодержаниеКонечный автомат передачи управленияДва канала ответа, одно правило приоритетаОдин вопрос — одно место взаимодействияboard_advance как CAS-маркерВремя жизни MCP-сервера и контекст на уровне процесса
От чата c LLM к полноценному AI-агенту: пошаговая настройка OpenCode
Когда я впервые начала использовать AI в работе, сценарий был довольно стандартным: открыть чат, вставить текст, сформулировать запрос, получить ответ.
Экономика клиентской разработки с AI
С AI в клиентской разработке стало выгодно делать то, что раньше технически было несложно, но экономически бессмысленно. Какой‑нибудь специфический фильтр, дополнительный экран в админке, сценарий обработки данных... Раньше смотришь на задачу и понимаешь, что руками это несколько часов работы. Клиенту функция не настолько нужна, сколько она стоит в хорошей реализации, поэтому либо от неё отказываемся, либо ищем готовый плагин, который умеет нужное и подгружает ещё семьдесят свистелок.
GitHub Copilot получил локальную изолированную среду для выполнения действий
GitHub добавил в приложение GitHub Copilot поддержку локальных изолированных сред (local sandboxes). Теперь агент Copilot может выполнять команды и работать с файлами внутри отдельного окружения на компьютере разработчика, не получая прямой доступ ко всей системе. Новая возможность предназначена для сценариев, где Copilot выполняет более сложные задачи: запускает инструменты, изменяет код, проверяет результаты работы и взаимодействует с проектом. Изоляция позволяет ограничить область его действий и снизить риски при использовании агентных возможностей.
AI пишет код быстрее, но ревью становится тяжелее: откуда берётся когнитивный долг
TL;DRВремя на погружение в контекст теперь приходится в основном на этап ревью.Если принимать код только потому, что он работает, можно накопить долг, которого команда даже не замечает.Стоит либо снижать объём ручного ревью, либо автоматизировать повторяющиеся проверки.В разговоре с одним из клиентов об AI-разработке я услышал мнение, что ревью кода, сгенерированного агентами, создаёт огромную когнитивную нагрузку — приходится одновременно держать в голове множество деталей, чтобы понять работу и оценить её качество.
GitHub обновил Copilot для JetBrains: появились автоматические подтверждения действий и управление MCP‑инструментами
GitHub выпустил версию 1.18.0 плагина GitHub Copilot для IDE от JetBrains. В обновлении появились новые возможности для работы с агентами: автоматическое подтверждение безопасных действий, редактирование предыдущих сообщений в диалогах, поддержка общих инструкций организации и расширенное управление MCP‑инструментами. Рассмотрим изменения подробнее.Автоматическое подтверждение безопасных действий

