Мы портировали Doom на SQL
TL;DR: Мы портировали игровую логику и рендерер первого Doom на SQL и запустили его внутри базы данных. На моём ноутбуке игровой цикл исполняется на исходных 35 FPS, а рендерер генерирует полный буфер кадров 320x200 с частотой от 60 Гц и выше. Python только обрабатывает тайминги, считывает клавиатуру и отображает получаемую им битовую карту. Многопользовательский режим тоже работает.SQLDoom на AMD Ryzen 7 7840UМожете сыграть прямо сейчас: Deathmatch, четыре слота, обслуживание в порядке очереди.
Как мы научили LLMCOD собирать базу знаний не только из HTML, но и из SPA и открытых API
Обычно задача «создать базу знаний из сайта» звучит просто: взять HTML, извлечь текст, разбить его на фрагменты, построить embeddings и отправить всё в RAG.На современных сайтах этот подход всё чаще перестаёт работать.Главная причина — сайт может практически не содержать данных в исходном HTML. Пользователь открывает страницу, браузер загружает JavaScript, JavaScript обращается к API, а уже API возвращает услуги, товары, объекты, статьи, цены и другие данные.Именно с такой проблемой мы столкнулись при разработке новой возможности в LLMCOD.
Семантический слой на TypeDB: как уйти от паутины SQL-джойнов к декларативной модели данных
Кратко (TL; DR):
В открытых иностранных датасетах для ИИ нашли песни и клипы российских исполнителей
Аналитики Национальной федерации музыкальной индустрии (НФМИ) исследовали базу данных проекта AI Watchdog, созданного журналом The Atlantic. Проект анализирует датасеты Laion‑Disco-12M от Laion с 12,3 млн треков с YouTube и Sleeping‑D 9M от Sleeping AI с 9,7 млн треков из того же источника. В указанных базах нашлись песни Басты, Димы Билана, Леонида Агутина и других российских музыкантов, пишут «Ведомости».Статистика выглядит следующим образом:Баста — 193 песни в Laion‑Disco-12M и 104 в Sleeping‑D 9M.Сергей Лазарев — 144 и 118 песен.Дима Билан — 140 и 119.
Новый стек, новые задачи, новые навыки: 42 бесплатных урока сентября
Новые инструменты появляются быстрее, чем успевают сформироваться привычные рабочие процессы: искусственный интеллект меняет подходы к разработке и аналитике, инфраструктура становится сложнее, а от специалистов ждут всё более глубокого понимания технологий.При этом часто возникает практический вопрос: что изучать дальше, чтобы решать более сложные задачи в работе? Как выбрать тему, которая поможет развиваться в текущей роли и подготовиться к следующему карьерному шагу?
ТОП-100 MCP-серверов: лучшие инструменты для ИИ, агентов и автоматизации (3.1 млн звезд на GitHub)
MCP-сервер - это по переходник между ИИ и внешним сервисом. Например, один MCP читает файлы на ПК, другой - программирует, третий - ищет инфу в интернете. То есть ИИ в основном отвечает на вопросы, анализирует и генерит картинки, а через MCP он может еще подключаться к Figma, Google Drive, базе данных, браузеру, почте и тысячам других сервисов.В этой подборке я собрал 100 самых популярных MCP-серверов - вместе они набрали ⭐3.1 млн звезд на GitHub.Также есть расширенная версия, там в два раза больше инструментов.Забирайте в удобной онлайн-таблице:Скачать файл здесь →или
Зачем нужны векторные БД в эпоху LLM
Не открою секрет, если скажу, что обычный поиск по ключевым словам уже не особо помогает. Чтобы нейросети могли отвечать точно, опираясь на ваши корпоративные базы знаний, им нужно «понимать» смысл текста. А это уже сложнее, чем просто искать точные совпадения букв.
Как я делаю ИИ‑память из переписки в Telegram: десятки тысяч сообщений, тысячи фактов, сотни людей
Ночью, около двух по московскому времени, сервер просыпается и запускает конвейер. Сначала сервис идёт в Telegram и скачивает новые сообщения из чатов, которые пользователь отметил галочками. Через час стартует второй воркер и превращает эти сообщения в память: режет на куски, гоняет через DeepSeek, раскладывает по таблицам, выгружает в markdown‑файлы. К утру у человека появляются дополнительная информация в сервисе второй памяти.
