Git.
OpenAI объявила о покупке разработчика инфраструктуры для хранения кода и инструментов для работы с Git
OpenAI приобретёт Pierre Computer — разработчика инфраструктуры для хранения кода и инструментов для работы с Git. Ранее он представил сервис Code Storage, который позволяет приложениям создавать Git‑репозитории, хранить код и отслеживать историю его изменений.
Записать — не значит вспомнить: месяц внешней памяти для ИИ-агента
Однажды я потерял чат. Не то чтобы катастрофа — обычная рабочая сессия по проверке студенческих домашек. Экспорт я не делал, в лог ничего не писал. И чат пропал. Скорее всего, я сам его и удалил, но точно уже не вспомню.
Астана, Astana Hub и большой AI: как выглядит изнутри место, куда сейчас заходят все
Казахстан сейчас собирает у себя то, за чем обычно надо лететь через полмира: международные форумы, хакатоны мировых лабораторий, производство роботов, суперкомпьютерные кластеры. И всё это в трёх часах лёта, без виз и без языкового барьера. Я поехал туда в августе посмотреть своими глазами и остался. Дальше поделюсь своим опытом и впечатлениями.
Аналитик и ИИ: три инструмента, которые превращают хаос в требования
Мы работаем на крупном проекте, где присутствует десятки интеграций, сотни бизнес-сценариев, документация в Confluence, а теперь ещё и описания бизнес-сценариев с помощью ИИ прямо в репозиториях. Это здорово выручает для погружения в проект, но всё равно не покрывает всю картину при работе над конкретной доработкой. Поэтому в команде аналитиков мы начали заводить собственных ИИ-агентов: собираем в папку нужные репозитории из Git, БФТ от заказчика, заметки со встреч, и вместе с агентом проектируем и анализируем.
Что ИИ поменял в моей схеме? Приращение вместо целого проекта
В прошлых статьях я раскладывал различные знания и сущности по листам и показывал, как сравнить две редакции регламента с помощью карты. Теперь расскажу, что происходит, когда карту дорабатывает LLM. В предыдущих версиях PlyLoom я как-то упустил момент с тем как реализовать взаимодействие без перезагрузки новой версии всего проекта целиком, равно как и отсутствие возможности сравнить различия 2-х файлов.Пример за минуту
ИИ-ревью, или как я себя чуть не уволил
AI-ревьюер для GitLab, который проверяет не отдельный merge request, а всю задачу сразу, во всех сервисах, которые она задела. И почему для этого понадобился агент, а не анализ diff через API.
Синхронизация Claude Code, месяц спустя: что ещё сломалось, когда машин стало две по-настоящему
В первой статье я разбирал, почему ~/.claude нельзя просто положить в облачную папку, и шесть граблей, на которые наступил, пока делал синхронизацию через git. Тогда движок жил в основном на стендах: одна рабочая машина и разыгранные сценарии с подменённым $HOME.
Когда разработчики ленятся писать документацию: описываем клиентский API силами нейросетей
Автор: Александр Казанцев, руководитель отдела документации и контентаПредставьте себе код, который был создан достаточно давно,после этого не подвергался сильному рефакторингу, а только дописывался и частично обновлялся. У него нет REST/FAST API реализации, его писали и пишут разные разработчики и заставить их выдать вменяемую документацию задача еще та (даже если они пытаются). А раз нет REST API, то нельзя например прикрутить тот же Swagger.
Технологии, которые меняют нас: История одной 1С‑команды
«Чтобы оставаться на месте, нужно бежать со всех ног. А чтобы куда‑то попасть, надо бежать как минимум вдвое быстрее» — Льюис КэрроллПролог. День, когда опять что‑то сломалосьЭто было очередное утро после вечернего обновления релиза. В рабочей базе уже несколько часов валилась какая‑то ошибка. Пользователи писали в поддержку, поддержка — нам. В чем оказалась причина? Всего одна строчка кода — мы потеряли ее во время ручного переноса из дева в релизное хранилище.Далее последовал примерно следующий диалог:Руководство: «А откуда ошибка?
Как я использую генеративные модели как оппонента в нескольких AI-проектах
На бумаге задача выглядела почти обидно просто: камера видит салон автобуса, модель распознаёт людей, на выходе появляется число вошедших и вышедших пассажиров.Но чем ближе мы подходили к реальному рейсу, тем меньше задача была похожа на обычную детекцию. Оказалось, что сначала нужно договориться о времени, остановках, идентификаторах и даже о том, что именно считать событием входа. Модель может правильно увидеть человека — и всё равно выдать неправильный бизнес-результат.
