Почему хороший результат в разработке с ИИ начинается не с промпта
Хабр, привет! Меня зовут Сергей Бережной, я директор по взаимодействию с разработчиками в Яндексе и эксперт онлайн-магистратуры «Фронтенд-, бэкенд-разработка и ИИ-решения» ИТМО в партнёрстве с Яндекс Практикумом
52 открытых урока второй половины июля: LLM, C++, Playwright, Kubernetes, TOGAF и не только
Привет, хабровчане! Собрали открытые уроки второй половины июля по ключевым ИТ‑направлениям: от LLM, RAG и Claude Code до C++, Java, Go, Playwright, Kubernetes, сетей ЦОД, TOGAF и тестирования.Уроки проходят онлайн и бесплатны для участников. Можно выбрать одну тему, посмотреть, как преподаватель разбирает практическую задачу, задать вопросы и заодно понять, подходит ли вам формат обучения в OTUS.⬇️ Выбрать свое направлениеAI и ML Разработка Инфраструктура, DevOps и сети Архитектура и enterprise‑системы
LLM и уровень усилий (effort) в Claude Code: знать больше или стараться лучше?
Claude Code даёт две настройки, которые обе как бы «улучшают ответ»: модель и уровень усилий (effort). Но как они влияют на результат? И как понять, когда нужно менять модель, а когда — просто уровень усилий?Легко предположить, что модель побольше, например Fable, даёт результат лучше, чем Sonnet, а более высокий уровень усилий значит просто «Claude думает дольше перед ответом».Первое предположение верно. Наши крупнейшие модели действительно более способные согласно отраслевым бенчмаркам.
Выбираем лучшую нейросеть для видео 2026
Привет Хабр!В прошлых годах видео от нейросети было заметна по характерным огрехам. По плывущим лицам, лишним пальцам и кривому движению. Как дела обстоят в середине 2026-го? Мы взяли пять топовых генераторов видео — Veo 3.1, Kling v3 Omni, Sora 2 Pro, LTX-2.3 Pro и Grok Imagine Video 1.5 — и прогнали их через 7 одинаковых сценариев. Одинаковые промпты, одинаковые настройки, равные условия. От средневекового рыцаря до жонглёра, кота-паникёра и Уилла Смита, жадно уминающего спагетти. МоделиВ соревновании участвуют:Veo 3.1 (Google)Kling v3 Omni VideoSora 2 Pro (OpenAI)
Бенчмаркая foreach и энумераторы: аллокации, которые прятались 10 лет
Уважаемые читатели, в этой статье я хочу рассказать о скрытых аллокациях в обычном foreach и представить свои выводы. Тесты сделаны на .net 8, .net 9 и .net 10 одновременно, чтобы было видно, как одна и та же строчка кода ведет себя на разных рантаймах.Все тесты сделаны с использованием BenchmarkDotNet, полный код представлен на гите, так что каждый может проверить результаты и сделать свои выводы.Будет три истории, и все три про foreach:SortedList из стандартной библиотеки аллоцирует память на каждый foreach, а Dictionary — нет. Из-за одной строчки в сигнатуре метода. И починить это по-нормальному нельзя.
Что такое код на самом деле? И почему он (не) нужен?
Ты вайбкоддер, Гарри!Когда я коммитил код в последний рабочий день на этой неделе, я задумался:«А что из закоммиченного мне не страшно потерять?»И понял странную вещь: сам код — не жалко.
От стримов к вебсокетам: как я боролся с буферизацией и наконец победил
Перефразируя Эдгара Дега:«Искусство — это не то, что ты делаешь, а то, что ты заставляешь машину сделать».Привет. Меня зовут Николай Пискунов, я руководитель направления Big Data и эксперт курса Cloud DevSecOps по безопасной разработке от Академии вАЙТИ Beeline Cloud. Продолжаю цикл статей о клиенте для облачного сервиса Ollama. В первой части я рассказал о начале работы над клиентом и оставил пасхалку про сломанный стриминг. Во второй
Контекстная инженерия: что это такое, как работать с контекстом и почему за это начали платить
Вы собрали диалоговую систему — агента с RAG, инструментами и памятью. На коротких диалогах всё работает: модель выбирает нужный инструмент и достаёт данные. Но через несколько десятков итераций агент уже путает инструменты, тянет в ответ старые вызовы и опирается на ошибку, которая раньше попала в контекст.Новый промпт не всегда решает проблему: важно управлять тем, какая информация попадает к модели перед каждым следующим шагом. Это и называют контекстной инженерией.
