502 на ingress, 302 в приложении: как я учил инфраструктурного LLM-агента не врать
Сначала контекст. Я делаю внутреннего read-only агента для инфраструктурных расследований: он может читать данные, но не изменять production. Инженер пишет ему в Mattermost или резервном web-чате обычный вопрос: «почему сервис отдаёт 502?», «кто выкатил эту версию?» или «что изменилось перед инцидентом?». Агент сам собирает данные из Kubernetes, VictoriaMetrics, Elasticsearch, GitLab, Grafana, GSLB и других эксплуатационных источников, а затем возвращает ответ с доказательствами и явно перечисленными пробелами.
Opsgenie ушёл, JSM не пришёл: как я собрал собственный incident management с AI
Первая работающая beta за две календарные недели по вечерам и один вывод: AI создаёт код, но продукт создаёт harness.
Opus 5 вышел: стал ли Fable 5 лишним? Сравниваем цену задачи, агентные сценарии и ограничения
До выхода Claude Opus 5 на Habr появилась версия, что Fable 5 — это будущий Opus 5 под другим названием. После официального релиза стало видно: у моделей разные цены, задержка, режимы рассуждения и правила работы с данными, но одинаковый контекст в 1 миллион токенов и близкие результаты в ряде тестов. Поэтому оба быстрых вывода — «Fable больше не нужен» и «Opus заведомо слабее» — плохо подходят для продакшена.Рабочая гипотеза:
Playwright не спасает от флапающих тестов: разбираемся, как он ждёт на самом деле
Привет, Хабр! Playwright продают примерно так: автоожидание встроено, sleep перед кликом писать не надо, флапающие тесты остались в эпохе Selenium. Обещание не пустое — механика внутри действительно крутая, и первые тесты правда пишутся как по маслу.А потом набор дорастает до полутора сотен тестов, уезжает в CI, и вы видите знакомую картину. Локально всё зелёное. На пайплайне падает через раз. Каждый раз в новом месте. Кто‑то предлагает добавить ретраев, кто‑то — «просто подождать подольше», и через месяц у вас набор, которому никто не верит.
Что останется от облаков, когда инфраструктурой займутся агенты
У нашего облака появился новый тип пользователей, и это не люди. Каждый третий запрос к документации Timeweb Cloud сегодня приходит из сетей ИИ-вендоров, а серверы всё чаще создаются не из панели управления, а запросами к API, которые пишет ассистент по просьбе человека.Привет! Меня зовут Михаил Шпаков, я руковожу разработкой Timeweb Cloud. Раньше я рассказывал, как мы построили систему автотестов с 5 000+ проверками и как делаем визуализацию облака
GitHub Code Quality вышел в общий доступ
GitHub объявил о полноценном запуске Code Quality — инструмента для поиска проблем с поддерживаемостью и надёжностью кода ещё до слияния изменений. Сервис стал доступен пользователям GitHub Enterprise Cloud и GitHub Team.Code Quality сочетает статический анализ CodeQL с проверками на базе искусственного интеллекта. Замечания выводятся непосредственно в пул-реквестах, а Copilot Autofix может предложить исправление, которое разработчик проверяет перед добавлением в ветку.Что проверяет Code Quality
GitHub запустил Code Quality: проверки кода, Copilot Autofix и цена $10
GitHub объявил о полноценном запуске Code Quality — инструмента для поиска проблем с поддерживаемостью и надёжностью кода ещё до слияния изменений. Сервис стал доступен пользователям GitHub Enterprise Cloud и GitHub Team.Code Quality сочетает статический анализ CodeQL с проверками на базе искусственного интеллекта. Замечания выводятся непосредственно в пул-реквестах, а Copilot Autofix может предложить исправление, которое разработчик проверяет перед добавлением в ветку.Что проверяет Code Quality
Qdrant + Tailscale — установка и защита
Qdrant — это векторная база данных, которую используют для поиска похожих текстов, изображений и других объектов. Например, Qdrant часто применяют в чат‑ботах, RAG‑системах, рекомендательных сервисах и приложениях на базе искусственного интеллекта.
Анализ отпечатков пальцев: обнаружено высокое сходство в стиле написания у нескольких авторов, использующих ИИ
Недавно широкий резонанс вызвал анализ стиля письма 22 ведущих языковых моделей искусственного интеллекта. Исследователи с помощью статистического инструмента Fable провели сравнение исходных текстовых ответов моделей на одну и ту же серию тестовых заданий с использованием показателя перекрестной энтропии. Результаты показали, что не только модели, разработанные в одной лаборатории, имеют очень схожий стиль письма, но и некоторые модели из разных лабораторий демонстрируют необычайно схожие языковые особенности.
