PythonTalk

будет очередной приступ разрыва жоп, либо приступ «они все врут!!111» Когда я создавал Claude Code как сайд-проект в сентябре 2024 года, я и понятия не имел, что он вырастет в то, чем является сегодня. Приятно и волнительно видеть, как Claude Code стал основным инструментом разработки для стольких инженеров, с каким энтузиазмом его принимает комьюнити и как люди используют его для всего подряд: от написания кода и DevOps до исследований и нетехнических задач. Эта технология — инопланетная и магическая, и она делает процесс создания и созидания намного проще для людей...

Каждый раз, когда вы ждете, пока соберется очередной JS-фреймворк, или удаляете node_modules размером с небольшую галактику, помните: мы могли жить в другом мире. В середине 90-х индустрия стояла на развилке. В середине 90-х Python был в одном шаге от того, чтобы стать нативным языком браузеров...

🤖 Если у вас периодически возникает синдром самозванца из-за того, что вы не успеваете следить за выходом новых инструментов, — выдыхайте. Андрей Карпаты — человек, который буквально стоял у истоков современного AI (OpenAI, Tesla), — вчера признался, что чувствует себя безнадёжно отставшим. Привожу полный перевод его поста: «Я никогда ещё не чувствовал себя настолько отстающим как программист. Сама профессия подвергается драматическому рефакторингу, так как биты, внесённые непосредственно программистом, становятся всё более редкими и разрозненными...

Нашел интересный препринт (октябрь 2025, CESifo) с результатами масштабного эксперимента. Исследователи разослали 36,880 фиктивных резюме на реальные вакансии, чтобы понять, что на самом деле триггерит работодателей на приглашение к собеседованию. Сразу дисклеймер: исследование проводилось в США (рынок 2016-2017 гг., бизнес-вакансии). 💬 "Ой, ну это же Америка, у нас всё по-другому!" — скажет скептик. 💬 "Эвристики и фильтрация резюме работают везде одинаково" — ответит реалист. Ведь HR-фильтры — это не про глубокий анализ вашей души...

Последнее время проверяю достаточно много ml-проектов у студентов магистерских программ. Важно понимать контекст: это не лабораторные-пятиминутки, а серьезные истории, которые пилятся больше месяца. Естественно, нейронки используют примерно все (только в разной степени). Есть две явные категории: 1️⃣ AI-assisted: Человек делает всё сам, нейронка на подхвате (фиксы, дополнение, бойлерплейт, рефакторинг). 2️⃣ AI-generated: Промпт —> Ctrl+C —> Ctrl+V —> "В продакшн!". Вмешательство кожаного мешка минимальное...

Z.AI (Zhipu AI) выкатили обновление своей флагманской опенсорс-модели — GLM-4.7. И подвинули многие проприетарные LLM 🌝 Почему стоит обратить внимание? 1️⃣Preserved Thinking (Сохраняемое мышление) Это, пожалуй, главная киллер-фича для агентной разработки. Как работают обычные модели с Chain-of-Thought? Подумали, выдали ответ, и на следующем шаге диалога забыли всю цепочку рассуждений. Результат — потеря контекста при сложных рефакторингах. GLM-4.7 умеет сохранять thinking blocks между ходами....

? 💀 Легенда Эндрю Ын и Лоуренс Морони провели в Стэнфорде лекцию, где поделились интересными мыслями о будущем программирования. Если вы пишете код на Python и думаете, что ваша ценность — это знание синтаксиса, у меня для вас плохие новости. 1️⃣ Смерть классического соотношения Engineer/PM Скорость, с которой AI пишет код, очень быстро удваивается. Строчки кода обесцениваются. И если раньше узким местом была реализация (Engineering). Теперь узкое место — это решение, что именно строить (Product Management). Традиционное соотношение Engineer:PM (7:1 или 10:1) теперь стремится к 1:1, а в идеале — к коллапсу этих ролей в одного человека...

CodeRabbit проанализировали сотни PR в опенсорсе (сравнили чисто человеческие и AI-ассистированные) и выкатили отчет, результаты такие: 1️⃣ Количество багов выше в 1.7 раза. В среднем, AI-генерируемый код приносит на 70% больше проблем, чем написанный кожаным мешком. Причем речь не о мелких опечатках, а о критических уязвимостях. 2️⃣ Читаемость кода хуже в 3 раза. Нейронки генерируют синтаксически верный, но абсолютно "пластиковый" код. Он выглядит нормально издалека, но нарушает локальные конвенции, нейминг и структуру...

🤖 Вышел свежий отчет State of AI Coding 2025 от Greptile, вот самое интересное: 1️⃣ Прощайте, компактные PR-ы. Медианный размер пул-реквеста вырос с 57 до 76 строк за полгода. Плотность изменений в файлах тоже поползла вверх. AI-инструменты работают как множитель силы, но эта сила часто идет в «жир». Мы пишем больше кода, потому что это стало бесплатно. 2️⃣ Производительность +76%, но есть нюанс. Выработка строк кода на разработчика взлетела почти вдвое. Для кого-то это выглядит как победа, а для кого-то — как грядущий ад поддержки...

И выставляют оценки 🤖 Андрей Карпаты недавно выкатил свой очередной вайб-проект HN Time Capsule. С помощью Opus 4.5 и GPT-5.1 он прогнал фронтпейдж Hacker News за декабрь 2015 года через LLM. Нейронка анализирует статьи и треды, а затем, обладая знанием о том, как реально сложилась история за эти 10 лет, выставляет пользователям оценки (от A+ до F). По итогам генерируется Hall of Fame — список самых прозорливых экспертов 2015 года. Т Весь пайплайн (сбор данных через Algolia API, парсинг HTML, генерация промптов, рендеринг статики) был написан за 3 часа в режиме вайб-кодинга...

👨‍💻Как выглядит Vibe Coding в FAANG На Reddit есть интересный тред, где инженер из FAANG поясняет, как "вайб кодинг" выглядит у них в реальном продакшене, где за ошибки бьют не по лайкам, а по капитализации компании. Процесс он описывает так: 1️⃣ Technical Design Document. Никакого кода, пока не написано эссе о том, что и зачем мы строим. Сначала это просто proposal. 2️⃣ Design Review. Этот этап автор описывает прекрасно: "Your design doc absolutely shredded by Senior Engineers". Тебя уничтожают на бумаге, чтобы не пришлось страдать в коде. Это называется "front loading the pain". 3️⃣ Документация подсистем...

🐈 Кот, который гуляет по серверам MIT (и рвет бигтех) Вышел отчет Marktechpost (ML Global Impact Report 2025), и там внезапно очень приятные цифры для отечественного IT. Библиотека CatBoost от Яндекса вошла в топ-5 неамериканских инструментов ML, наиболее часто упоминаемых в научных статьях по всему миру. Немного сухой статистики, чтобы понимать масштаб: — CatBoost используется в каждой 30-й научной статье по ML в мире. — География: 51 страна, включая США и Китай. — Пользователи: MIT, Stanford, Harvard...