Вышел Amplicode 2025.3 со Spring MCP, поддержкой Spring Data JDBC и MyBatis
В релизе 2025.3 мы заметно усилили Amplicode по трём направлениям: интеграция с LLM, работа с SQL-first стеком и повседневная инженерная рутина — от HTTP-запросов до Kubernetes и Terraform.Ключевое нововведение — Spring MCP (beta). Это специализированный набор инструментов для LLM, который даёт модели контекст проекта Spring: структуру, зависимости, конфигурацию. Фича пока не включена по умолчанию, но уже доступна для тестирования. Для получения доступа напишите на info@amplicode.ru
Обновление Koda для VS Code и CLI: правила проекта, koda.md и новый поиск по документации
В Koda вышло крупное обновление, затрагивающее как расширение для VS Code, так и CLI-версию. Основной фокус — управление контекстом, знаниями проекта и снижение количества ошибок при работе в агентном режиме.Что нового в Koda для VS CodeВкладка с правилами проектаВ интерфейсе появилась отдельная вкладка с правилами. Она позволяет явно задавать ограничения и договоренности проекта: стиль кода, архитектурные принципы, ограничения по API и другие требования, которые раньше приходилось передавать неформально через промпты.Добавлен файл koda.md
От текста к токенам: как работают пайплайны токенизации
Команда AI for Devs подготовила перевод статьи о том, как поисковые системы превращают обычный текст в токены и почему этот процесс важнее, чем кажется. Разбираем каждый этап: нормализацию, токенизацию, стоп-слова, стемминг и то, как всё это влияет на качество поиска.Когда вы вводите предложение в строку поиска, легко представить, что поисковая система видит то же самое, что и вы. На самом деле поисковые системы (или поисковые базы данных
Оказывается, у JetBrains есть свой CLI-агент Junie и он оказался лучшим в Terminal-Bench 2.0
Оказывается, JetBrains тихо развивает собственный агент для работы в терминале — Junie CLI. Инструмент не фигурирует в публичных анонсах, но именно он занял первое место в свежем бенчмарке Terminal-Bench 2.0, обойдя более известные решения.
Нейроучитель — NeuroTeacher
Всем привет!Хочу рассказать об очередном своем пет-проекте, который может быть кому-то тоже полезен. А еще поделиться хорошим предновогодним настроением. Поэтому рассказывать буду в слегка позитивном и шуточном стиле :-)Итак, перед вами — нейроучитель! Хех... Сразу говорю — к нейросетям он не имеет отношения (или опосредованное). Да и не учитель, собственно. Но обо всем по порядку.
Spring MCP, лучший HTTP-клиент и поддержка MyBatis
Amplicode 2025.3 — релиз про новые фичи для Spring Data JDBC, улучшения для HTTP-клиента Connekt (между прочим, убийца Postman), поддержку MyBatis и новые возможности по работе с инфраструктурой вокруг Kubernetes и Terraform.Ниже — ключевые изменения по блокам.Spring MCP от Amplicode (Beta)В 2025.3 у нас появился Spring MCP, но важно уточнить: это beta-функция, она пока не включена в релиз “по умолчанию”, но её уже можно активировать и попробовать.Если вы хотите интегрировать Amplicode с вашим ИИ-помощником уже сейчас — напишите нам на почту (info@amplicode.ru
Ваша работа — выпускать код, который доказанно работает
Во всех обсуждениях ценности ИИ-помощников в разработке ПО мне встречается одна печальная история: разработчик-джун, вооружившийся каким-нибудь LLM-инструментом, создаёт для своих коллег или мейнтейнеров опенсорс-проекта огромный нетестированный PR, ожидая, что всё остальное решится благодаря процессу код-ревью.Такое поведение грубо, оно заставляет других людей впустую тратить время и идёт вразрез с долгом разработчика ПО.Ваша задача — выпускать код, который доказанно работает.Мы, разработчики ПО, не просто производим код; сегодня даже можно сказать, что для этого предназначены LLM. Мы должны выпускать
CodeRabbit: в сгенерированном коде больше ошибок, чем в написанном людьми
Исследование проекта CodeRabbit показало, что код, сгенерированный искусственным интеллектом, содержит больше ошибок, чем написанный человеком. По данным компании, в среднем в одном pull request, созданном при помощи ИИ, скрывается 10,83 проблем против 6,45 у разработчиков.
Классы в Python: от основ ООП до продвинутых концепций
Python часто начинают осваивать с простых скриптов и функций. Пока задачи простые, этого достаточно. Но когда в коде появляются сущности, например, пользователи, книги или машины, взаимодействие с ними строится по другим принципам. Для этого в Python используют классы. С их помощью описывают, какие данные есть у таких сущностей (объектов) и что с ними можно делать. Это и есть объектно-ориентированный подход — программа строится вокруг объектов и их взаимодействия.

