Kurgan-Telecom Ru | Информационные технологии

Сервер перекодирует длинный трек в Opus и отдаёт его только целиком. Пока ffmpeg пишет файл, клиент молчит: на 46-минутной записи это 19 секунд тишины. Экономный режим, в котором человек ждёт быстрой загрузки, грузится дольше оригинала. ▎ ▎ Разбираю, как отдавать файл, пока ffmpeg его ещё пишет, и сохранить при этом кеш и один прогон ffmpeg на все запросы. Почему не подошёл пайп, где прячется гонка на последнем чтении, что делать с переименованием на Windows и почему M4A без фрагментации не играет с первых байтов.

Agent DevTools полностью бесплатен, устанавливается одной строкой и для своей работы требует только стандартной установки языка Python. Ему не нужны сторонние Python-пакеты, Docker, сервер базы данных, MCP-сервер или облачный сервис. Инструмент работает локально рядом с проектом, поэтому его можно использовать и на своём компьютере, и непосредственно в браузерном ИИ-чате со средой выполнения Python.

Что происходит, когда LLM перестаёт просто отвечать в чате и получает возможность вызывать инструменты, работать с другими агентами и принимать решения в реальных системах?

В этой статье авторы разбирают семь исследований о многоагентных архитектурах, оркестрации моделей, автоматическом создании агентов, калибровке уверенности и контроле действий ИИ. Общий вывод довольно практичный: надёжность автономного ИИ всё меньше зависит от одной «самой умной» модели и всё больше — от архитектуры вокруг неё.

Разбираемся, как разделять планирование и исполнение, зачем проверять действия модели на границах системы, почему несколько LLM не обязательно лучше одной и где человеку всё ещё необходимо оставаться в контуре управления.

Представляем обзор свободного браузера Good Bear 1.0 для безопасной работы с веб-сайтами, использующими сертификатные цепочки Минцифры.

После смены работы можно получить НДФЛ к доплате, даже если оба работодателя весь год удерживали налог правильно.

Разбираю на простом примере, почему так происходит при нескольких налоговых агентах, как ФНС пересчитывает совокупный доход и что стоит учесть тем, кто менял работу в 2026 году.

Чтобы дать LLM доступ к своему коду, пишут инструменты (tools). Инструмент — это функция и всё, что модели нужно знать, чтобы её вызвать: имя, описание и схема аргументов.

Потом те же инструменты приходится писать ещё раз. Первая версия сделана на tool() из AI SDK. В проекте появляется MCP-сервер, и инструменты переписывают под registerTool. Соседняя команда использует Genkit, и те же инструменты пишут в третий раз, через defineTool. Функции остаются прежними, меняется только обёртка.

В .NET 9 появился новый примитив синхронизации System.Threading.Lock, и многие команды начали заменять привычные object-замки на новый тип в поисках более предсказуемого поведения и производительности. Но такая замена меняет саму механику работы lock: достаточно одного места, где экземпляр потеряет свой тип, чтобы два участка кода перестали синхронизироваться между собой.

В статье разберемся, как именно устроена новая модель блокировок в C#, где компилятор помогает заметить проблему, а где она остаётся скрытой, и стоит ли переходить на Lock ради заявленных преимуществ.

Всем привет! Я уже несколько лет работаю с дейтинг трафиком, и одну вещь понял довольно быстро: результат в арбитраже зависит не только от вас. Можно сколько угодно вылизывать креативы, анализировать и подбирать аудитории, но трафик вы все равно льете в чужой проект. И часть результата вашей работы всегда в руках у других людей: рекламодателя, партнерки, менеджера, который то ли ответит, то ли нет.

Шейв, задержки выплат, оффер, который отключили посреди залива, - все это случается не из-за ваших ошибок. Поэтому выбор оффера и партнерки для меня не менее важен, чем сама связка.

Обычно партнерки ищут в интернете, и это, честно говоря, не лучшая идея. Большинство "рейтингов" в поиске - та же реклама, только в обертке обзора, кто заплатил, тот и в топе. Поэтому я решил собрать личные рекомендации: с кем работал сам и кого советуют люди, которым я доверяю.

Сначала немного про саму вертикаль. Кому нужен только список - листайте вниз, не обижусь.

В прошлой статье мы уже немного врали игроку самым наглым образом, когда брали вполне корректную с точки зрения физики проверку земли, растягивали её на несколько миллисекунд и разрешали персонажу прыгнуть уже после того, как он фактически покинул платформу. Всё это делали не из-за криворукости нашего программиста физики, который не умеет написать нормальную проверку столкновений, а чтобы игрок вообще не знал, что там у нас происходит со столкновениями… да он и не обязан об этом знать.

В сетевой игрой происходит примерно то же самое, но приходится немножечко врать уже не о положении персонажа, а о времени и если coyote time был маленькой ложью о том, где заканчивается платформа, то lag compensation, будет маленькой ложь о том, когда именно существовал игровой мир.

Здесь тоже все интересно и сервер действительно может быть прав что игрок не попал, а игрок всё равно будет уверен, что игра украла у него попадание, не будем разочаровывать игроков и терять прибыль из-за плохих отзывов.

Всё началось с обычной задачи: собрать нитку маршрута на несколько дней, прикинуть набор высоты по дням, понять, где на пути вода, и отдать группе трек, который откроется у всех.

Пятница, 25 сентября, 22:35. Я отправляю первый промпт: стену текста без единой запятой. В ней вперемешку всё сразу: хочу рабочий продукт вроде Discord. Чаты там сделаны так, что меня бесит, поэтому чат будет как в Telegram. Звук и стабильность как в Zoom, с передовыми кодеками. Ещё голос, роли и права, стрим экрана, PostgreSQL и отдельной строкой «эхо не должно быть совершенно».

Вечером следующего дня версия 0.3.1 уже стояла в проде: подписанные сборки под macOS, Windows и Linux, веб-версия, лендинг.

Я отправил 90 сообщений, 29 из них были скриншотами с подписью «сделай как тут». Строчки кода я не написал. Ни одного теста не запустил. Всё остальное сделали модели.

Продукт назвали Calab, код лежит на GitHub. Дальше будут цифры, стоимость в долларах и список мест, где нейросети ошибались. (Без него история выглядит слишком хорошо, я бы и сам ей не поверил.)

4 сентября прогнал свой сайт на пригодность к цитированию ИИ-поисковиками, тогда он был статическим HTML. 27 сентября, через сутки после переезда на WordPress, инструмент вернул Timeout (10s) на всех 25 адресах и средний балл ноль, хотя одиночная страница отдавалась за 0,3-1,8 секунды. Разбор с кодом: что именно упало, почему доля шаблонного текста 0,99 оказалась артефактом формулы и какие выводы пришлось снять.

Введение

В предыдущих статьях цикла мы разобрались, почему нормативно-справочная информация (НСИ) неизбежно деградирует, как устроен сервис SOFROS AI/ML, какие модели работают «под капотом» и как они встраиваются в 1С:MDM. Мы показали методологию, архитектуру и интерфейсы.

Но у вас мог остаться главный вопрос: а что с результатами? Сколько времени и денег это экономит? Какие реальные задачи решает? Можно ли измерить эффект в цифрах?

В этой статье мы переходим от теории к практике. Разберём реальные кейсы внедрения SOFROS AI/ML и покажем экономику: сколько компания теряет на «грязных» справочниках и как AI возвращает эти деньги.

Добро пожаловать в мир, где у нормализации данных есть измеримый ROI.

Про шесть рукопожатий знают все, и почти все знают, что это как-то связано с Милгрэмом и письмами где-то в шестидесятых. Но на этом знание обычно заканчивается: есть цифра шесть, есть фамилия, а между ними пустота, которую заполняют пересказы пересказов. Мне стало интересно, что именно Милгрэм проверял, на скольких людях и что у него получилось в действительности, поэтому я окунулся в первоисточники и в работы тех, кто уже успел побывать в его архиве.

Самая первая попытка выглядела так: в Уичито, штат Канзас, по объявлению в газете набрали 60 добровольцев, и до адресата в Кембридже дошли 3 письма, каждое из которых прошло в среднем через восемь человек, то есть девять рукопожатий. Эти цифры Милгрэм так и не опубликовал, а в популярную статью попала ровно одна цепочка из трех, и, как мы дальше увидим, самая короткая.

Дальше расскажу, как был устроен тот эксперимент, куда деваются письма, почему потери портят не только процент успеха, но и саму измеренную длину цепочки, и что получилось у тех, кто перепроверял Милгрэма уже на миллионах людей.

Мы часто используем привычные нам математические объекты и порой не задумываемся, почему они устроены именно так, а не иначе. На этот вопрос бывает ответить совсем не просто, ведь для этого необходимо взглянуть на повседневные вещи под совершенно другим углом или глубоко обобщить накопленную по ним информацию.

Сегодня я предлагаю подробно разобрать и обобщить информацию об элементарных и специальных функциях. Как мы увидим далее, грань между ними далеко не так очевидна, как кажется на первый взгляд.

Цель статьи – показать практический потенциал идеи асимметрии: она возникла как логико-риторическое правило, а сегодня стала реальным методологическим и инструментальным вектором в разработке ИИ.

Фактор логики

Отношение категорий «доказать» и «опровергнуть» имеет асимметричную логическую структуру – один точно подобранный контрпример опровергает утверждение с квантором общности, при этом любое число подтверждающих случаев его не доказывает. Иначе говоря, никаким количеством и качеством подтверждающих аргументов, тестов, экспериментов нельзя доказать общее суждение. Индуктивное умозаключение выполняет не доказательную функцию, а увеличивает степень правдоподобия вывода. Все это известно еще
со времен Аристотеля.

В среде IT эта асимметрия знакома по формуле Эдсгера Дейкстры с конца 1960-х в формулировке «тестирование способно показать наличие ошибок
и никогда не покажет их отсутствия».

О чем мы говорим конструктивно, или методологические следствия для тестирования

Из принципа асимметрии следует распределение усилий по проверке, которая должна следовать той же логике. Тогда разумной стратегией является либо целенаправленный поиск опровергающих случаев (контрпримеров), либо переход от тестирования к формальному доказательству свойства. Промежуточным режимом между этими полюсами является статистическая гарантия.

Отсюда методологические следствия:

В феврале 28 дней, в марте 31, продавайте одинаково каждый день — и рост на 11% появится сам, без новых клиентов.
В статье разбираю базу, как календарь и сезонность ломают отчёты: три вопроса перед сравнением периодов, SQL-запросы для среднего за день и скользящего среднего, ловушки сравнения год к году.

Облака над горами: что они нам могут рассказать о ветрах на высоте?

Съездив  в отпуск в Сочи летом, я также оказался  на верхней точке горнолыжного курорта «Красная поляна».

До этого я бывал в горах  только зимой, когда катался на лыжах.

Летние горы выглядят несколько иначе, чем зимой, особенно это касается  наблюдаемого поведения облаков на склонах и гребнях гор.

Летом  влаги в  воздухе содержится в разы больше,  чем зимой, что делает  летние облачные процессы намного ярче для визуального наблюдения, особенно на  фоне тёмных  каменных склонов и зелёной растительности (см.рис.1-2.)

Мне всего 44, но я помню мир без интернета, мобильных телефонов, навигаторов и мессенджеров. Чтобы позвонить своей будущей жене, я бегал к уличному таксофону и бросал монетку в аппарат. Чтобы что-нибудь узнать, шел в библиотеку и открывал Большую советскую энциклопедию, такой бумажный Google, только без рекламы, комментариев и возможности за три минуты поставить себе смертельный диагноз. Я ездил по городу без навигатора. И мы каким-то чудом умудрялись встречаться с друзьями в точно назначенное время на другом конце города, без возможности поделиться геолокацией и написать “я уже почти подъехал”, когда даже еще не вышел из дома... Это было удивительное время.

Мы легко встречали новые технологии и довольно быстро к ним приспосабливались. Интернет, мобильная связь, компьютеры, смартфоны — все это входило в нашу жизнь постепенно, оставляя нам время освоиться и привыкнуть. Но сейчас скорость изменений стала совсем другой. Мы все еще уверены, что так же легко адаптируемся ко всему следующему? Хотя, боюсь, мы даже близко не представляем, что нас ждет впереди. И на этот раз времени привыкнуть нам могут уже не оставить.

Не, я не буду писать про то, что ИИ резко выйдет из-под контроля, начнет улучшать сам себя и переиграет человечество за считанные месяцы. Скорее всего никакого восстания машин вообще не произойдет: мы просто шаг за шагом передаем алгоритмам управление бизнесом, экономикой, армией и государством, потому что решения ИИ оказываются эффективнее человеческих. В итоге люди формально остаются у руля, но уже ничего толком не решают.

Как вам такое мнение одного из пользователей соцсети:

Приветствую, уважаемые читатели.

Эта статья будет настолько философской и платонической, насколько это возможно на Хабре.