еще это классно метчится с персональным ассистентом вроде такого

https://github.com/danielmiessler/Personal_AI_Infrastructure

или просто обсидиан волт + хуки для работы с контекстом, скоро расскажу свой сетап для этого

📟 Прилетело из @insuline_eth

Первый пост 2026 и ближайшие планы

Слишком быстро прошли все выходные дни и пора возвращаться к работе. А ведь я только перестал каждый день думать о работе, проектах, коде и т.д.

Чем вообще мы будем заниматься в ближайшее время?

Это был самый сложный вопрос в профессиональном плане. Хочется оставаться в рамках web3, но и развиваться в сфере AI. Кроме того, нельзя игнорировать все более нарастающие тренды вайбкодинга (мне и самому очень нравятся идеи быстрого тестирования гипотез/проектов на рынке). Вместе с этим, работа над своими собственными проектами подсветила проблемные зоны и недостаток знаний в некоторых областях полного цикла разработки приложений. Поэтому я хочу посвятить следующие пару месяцев вот чему:

1. Изучение, повторение и анализ различных алгоритмов в программировании: начиная с сfмых простых (например, сортировка данных) и заканчивая теми, что используются в разработки ИИ систем.

2. Изучение современных способов разработки фронтенда и бекенда приложений, а также их деплоя на сервер - работа с API, безопасность, JWT и т.д.

3. Изучение современных архитектур построения высоконагруженных приложений.

4. Изучение новых протоколов в web3 и нововведений в Solidity.

Почему именно так и в таком порядке?

Вообще в web3 можно было взять немного другие направления работы: изучение zk, тестов формальной верификации и, в конечном итоге, взяться за rust. Но это уже будет либо узкая специализация (в первых двух вариантах) или переход в альтернативную сферу (в случае с rust). Однако я, пока что, не вижу явных причин двигаться в эти сферы.

Сейчас актуальнее будет получить навыки "разумного вайбкодинга", когда ты понимаешь, как все устроено, что нужно сделать и, главное, как четко дать команду нейронке на выполнение задания. Кроме того, при разработке web3 приложений вы, скорее всего, так или иначе столкнетесь с проблемой создания полноценного сайта или приложения, и загрузки его на сервер вместе с загрузкой контрактов в блокчейн.

В итоге для "разумного вайбкодинга" нам потребуется целая область знаний, начиная с Solidity, заканчивая Python, JS, архитектурой и алгоритмами.

Последние, алгоритмы, будут актуальны практически в любом языке, и понимая их вы сможете лучше разбираться с написанным нейронкой кодом и направлять ее в нужном русле. Поэтому мы начнем с них.

Разбор систем и протоколов на Solidity будет происходить по мере того, как я буду встречать новую информацию, которой еще не было на канале.

Всех с началом нового рабочего года и ярких свершений!

#offtop

📟 Прилетело из @solidityset

Насколько, блять, пиздато работать с нейронками: последние две недели я полностью обхуячился этими тварями — и не жалею.

1,5 дня — ровно столько мне потребовалось, чтобы довести очень громоздкий (по моим меркам) проект до MVP.
И столько же, думаю, потребуется, чтобы довести его до прода.

Проект — это утилиты для CS2, которые автоматизируют:
- депозиты,
- менеджмент аккаунтов,
- аналитику.

И это всё делается очень легко, просто — уже сейчас проект может приносить деньги.

Мб дропну в публичное пользование, НО ПОТОМ!!!

Почему я продолжаю работать с нейронками:

- простота — тебе не нужно иметь жёсткий сильный стек: всё сводится к твоему воображению и умению чётко и ясно изложить мысли текстом;
- меньшая нагрузка на мозг — ты не сидишь и ежесекундно не продумываешь, как реализовать ебучую абстракцию, как сделать интерфейс для UX или, чего хуже; мозг почти всегда расслаблен;
- работать везде легко — так как CC имеет кроссплатформенные аппки, работать становится ещё проще: не всегда теперь нужно сидеть возле компа, чтобы улучшить какую-то фичу.

Думаю, в будущем (в течение нескольких дней) сделать какой-нибудь оркестратор для всего этого чуда, чтобы:
- свести к минимуму необходимость открывать редактор,
- нормально работать с несколькими проектами одновременно.

Ещё удобства добавляют всякие утилитарные штуки для помощи нейронке в думательном процессе: MCP, скиллы, CLAUDE.md и прочие подобные вещи.

За скиллы — отдельная благодарность: слишком пиздатая вещь. Максимально кастомизирую под свои задачи, потому что предустановленные — помойка.

📟 Прилетело из @dolbaebskicode

Почему мы теряем деньги, даже когда “всё проверили”?

Потому что анализ чаще ломается не там, где мы его проверяем.

В этом посте разбираю реальные кейсы и психологические ловушки.

Начну с того, что всё проверить невозможно. Всё-таки большинство - не программисты. И аудит мы читаем как гороскоп 😊. И даже аудит не гарантирует, что ничего не упущено (люди могут пропустить что-то).
Вспомним Balancer и другие. Говорят, что там уязвимости находили нейронки!
Поэтому не стоит безоговорочно верить аудитам: может быть написано, что всё хорошо. Но вот люди кое что пропустили - в будущем это приведёт к взлому.
Я всегда исхожу из того, что анализ - это снижение рисков, а не поиск гарантии.


Второй не менее важный момент.
Когда анализируешь много проектов подряд, внимание притупляется. Например, у членов команды может быть большой опыт, но он не является релевантным для проекта. Замыленный глаз же не видит этот важный факт. Примеров тут не могу привести, так как не помню. Но замечал, что такое бывало: обращаешь лишь внимание на опыт как таковой (без акцента на проекте).
Собственно поэтому я за аналитику при помощи ИИ: он прямо на это укажет.
А современные ИИ-поисковики могут вообще найти многое. Например, что команда в предыдущем проекте вела себя не очень хорошо. Но, конечно, такое стоит проверять.

А чтоб нейронка об этом писала, упоминать это в промпте. Плюс, не каждая на это способна: Chat GPT - вряд ли, perplexity - может быть, Surf - вполне.

Ещё одно - недостаток информации. Мы можем упускать важные данные о бывшей деятельности команды или каких-то неочевидных моментах.
Примером может быть Mantra ($OM). Там правда были действия после запуска проекта + концентрация ликвидности в руках небольшого числа китов. Но ИИ на это укажет, особенно если запросить ончейн данные по распределению токена по кошелькам.
А да: важно не забывать перепроверять источники. Потому что любые выводы ИИ - только отправная точка, а не истина.


Да и в целом может многое от нас не зависеть.
Я давно писал о проекте Eywa. Он получил 25 из 30 баллов.
Но недавно обнаружил, что капитализация $EYWA меньше 1 МЛН $, а падение составило больше чем на 99%!
Причина не была очевидна сразу. В чате писали что-то про дроп, но по данным ИИ это связано с большими разлоками (появление сотен миллионов токенов в сравнительно краткие сроки после TGE).

Здесь возможны два сценария.
Либо в аналитике был промах.
Либо анализ был корректным, а проект стал не очень из-за действий команды или скрытых договорённостей.

Также причиной бывает малый опыт. Например, в моём случае тогда не смотрел на разлоки (хотя не помню, указывались ли они тогда). В общем, если бы они были и я бы смотрел, явно бы коину 5 из 5 не поставил.

К счастью в Eywa не вкладывался: лишь аэрдроп получал. Так что лишь времени своего затраченного жаль.


На этом всё.
У кого было так: анализ сделал правильно, а деньги всё равно потерял?

😎 Незрячий web3 программист (подписаться)
Чат | бот

📟 Прилетело из @blind_dev

🩸 ЕБЕМ SOLANA 2026

Остаётся всего 30 мест до когда первого набора

Старт уже через 2 дня

https://t.iss.one/+wdwa4DdEHFBkYWJi

СОЛАНИМ ❤️‍🔥

📟 Прилетело из @code_vartcall

Какого-то парня на reddit попросили выложить изображение, которое заставит рыдать любого... 😂 А ведь это печально - во всяком случае, я бы никогда не хотел такой жизни для себя.

Бывало конечно всякое. Когда-то, помнится, приходилось вставать в 5 утра, ехать на вокзал и оттуда в другой город, проводить занятия, потом либо там же ночевать, либо тратить ещё 3+ часа на дорогу обратно, и так неделю. Но были там свои плюсы- в частности, сама работа была интересная, так как люди приезжали заинтересованные.

Но вообще даже думать о каком-то "размеренном ритме" мне бывает жутко. Возможно, сказывается круг общения - все сплошь то актёры, то музыканты, то писатели, то путешественники-геологи. Может, я простой лентяй (во многом, так и есть).

Но всё-таки, как мы говорили на стриме "о жизни" в guide dao (он, кстати, торчит на их канале, там я часа 3 вещал наверное), человек весь создан для счастья. И да...

This is all you have, but it's still something. Streets and sodium lights. The sky, the world. You're still alive.

📟 Прилетело из @dev_in_ruby_colors

Резюме по поводу блядского трояна

Сделал жесткий ебаный софт, с помощью которого у меня получилось заработать 0 рублей

Как же все это было?

Время 3 часа 30 минут РОВНО! Мне пишет достопочтенный коллега по цеху и по совместительству главный миллионер всей криптовалюты АРТЕМ, в этот момент я жестко писяю в унитаз и прибываю в шоке по поводу того, что люди умеют все еще раздавать деньги.

После такой новости я бегу к ноуту дристать говнищем, первая версия софта была написана за 1 минуту нейронкой, после чего я его полировал минут 40, зарегал 30 акков и уселся ждать, каждый раз как ток я пытался выудить БЛЯДСКИЙ последний запрос на клейм, ебучий пул иссекал и приходилось попросту ждать.

Вот и наступает тот злополучный момент, 5:15 - пул снова иссяк, сижу жду когда они его снова пополнят! НО.... НЕЕЕТ... блядские разработчики после розданных 650к долларов зажопили отдать еще 350к и решили переделать систему, посему я после столь уебищной новости прибывал в глубочайшем разочаровании

Щас у меня есть блядская обертка для апи трояна, 30 аккаунтов, проебанные 20 долларов на комиссию И ВСЕ...

Подводя итог хочу сказать вам: чистите инфополе, отбирайте хороших ребят, которые умеют блядь колить инфу раньше всех, а лучше вовсе мониторьте блядский твиттер!

📟 Прилетело из @dolbaebskicode

30 ДНЕЙ SOLANA

Остаётся последний день, чтобы подать заявку на вступление в канал разработки на Solana

Сразу скажу, это последний марафон подробного формата

ПОЭТОМУ

https://t.iss.one/code_vartcall/1092

ПРИМИ РЕШЕНИЕ ❤️‍🔥

Старт уже завтра, места заканчиваются

📟 Прилетело из @code_vartcall

Owlto: расчехляем фермы

Помните этот древний бридж? Мы часто его юзали для деплоя различных контрактов при фарме проектов.

Так вот сегодня они выкатили токеномику, где выделили 15% $OWL на дроп и 22% на комьюнити.

Сам проект целенаправленно мало кто отрабатывал, но получить фантомный дроп на фермы: Scroll, LZ, ZkSync вполне реально.

Токен $OWL уже появился на премаркете (пока без объемов), а так же Gate и Binance Alpha объявили о листингах.

По всей видимости TGE уже близко, больших надежд на дроп не возлагаю, но надеюсь на пиццу с фермы наберется.

Чат | Support | Market
Pelican | HiddenCode [EN]

📟 Прилетело из @hidden_coding

ПОСЛЕДНИЙ ШАНС

Повысил количество мест до 150

Осталось 12 мест

Участники уже выполняют первое задание

Вот и наступила последняя возможность вступить в подобный марафон от меня

https://t.iss.one/code_vartcall/1092

ДЕЙСТВИЯ 💋

📟 Прилетело из @code_vartcall

Алгоритмы. Big O.

Потихоньку начинаем разбирать алгоритмы в программировании, как я и писал ранее. Начнем с самых базовых для повторения и перейдем к более сложным и продвинутым. Я буду давать код алгоритмов на языке Python, так как более продвинутые решения удобнее писать именно на нем. На Solidity не все из них можно будет реализовать "без костылей", но вы сами вполне сможете поэкспериментировать с этим с помощью нейронок.

Понимание алгоритмов также качественно скажется на вашем понимании кода, который вы, возможно, будете писать с помощью редакторов со встроенными нейронными сетями, например Cursor. Итак, приступим!

Введение в алгоритмы и асимптотический (по сути означает "для больших значений") анализ начинается с понимания самой сути алгоритма. Алгоритм представляет собой последовательность четко определенных шагов для решения конкретной задачи, подобно кулинарному рецепту или инструкции по сборке. Например, алгоритм приготовления бутерброда можно описать так: взять два ломтика хлеба, намазать один из них маслом, положить сверху сыр и накрыть вторым ломтиком. Важно, что любой алгоритм предполагает некий набор инструкций, выполнение которых гарантированно приводит к результату.

Однако существует множество способов решить одну и ту же задачу. Рассмотрим процесс поиска нужного документа в архиве. Если документы не упорядочены, придется проверить каждый из них по очереди. Если же они систематизированы, например, в алфавитном порядке, поиск можно осуществить гораздо быстрее, применяя более эффективную стратегию. Эти разные стратегии и являются разными алгоритмами, и их эффективность становится критически важной при работе с большими объемами данных.

Скорость работы алгоритма напрямую зависит от количества обрабатываемых данных. Если в небольшом архиве из десяти дел поиск наугад займет всего несколько секунд, то в хранилище с миллионом документов такой подход потребует непозволительно много времени. Поэтому для оценки эффективности алгоритма используется понятие временной сложности, которая показывает, как количество необходимых операций растет с увеличением размера входных данных. Например, для поиска числа 9 в списке [3, 7, 1, 9, 5] методом последовательного перебора потребовалось четыре шага. Для списка из ста элементов в худшем случае потребуется сто операций. Эта прямая зависимость описывается линейной сложностью.

Для универсального описания скорости алгоритмов используется О-нотация (Big O). Она позволяет классифицировать алгоритмы по их «аппетиту» к ресурсам, предоставляя асимптотическую оценку роста времени выполнения или потребляемой памяти. Основные классы сложности, от наиболее к наименее эффективным, выглядят следующим образом.

1. O(1) — постоянная сложность. Время выполнения не зависит от объема данных.

def get_first_letter(name):
    return name[0]

Операция получения первого символа строки всегда выполняется за одно действие, будь то имя «Аня» или «Александр».

2. O(n) — линейная сложность. Время выполнения растет прямо пропорционально размеру входных данных.

def find_element(arr, target):
    steps = 0
    for item in arr:
        steps += 1
        if item == target:
            return True
    return False

Это иллюстрирует простой линейный поиск, где в худшем случае необходимо проверить каждый элемент.

3. O(n²) — квадратичная сложность. Время выполнения пропорционально квадрату количества элементов, что характерно для алгоритмов с вложенными циклами.

def find_all_pairs(arr):
    pairs = []
    for i in arr:
        for j in arr:
            pairs.append((i, j))
    return pairs

Для массива из пяти элементов будет выполнено 25 итераций, а для тысячи — уже миллион.

4. O(log n) — логарифмическая сложность. Очень эффективный класс, где на каждом шаге объем обрабатываемых данных уменьшается вдвое. Яркий пример — бинарный поиск в отсортированном массиве.

📟 Прилетело из @solidityset

def binary_search(sorted_arr, target):
    left, right = 0, len(sorted_arr) - 1
    steps = 0
    while left <= right:
        steps += 1
        mid = (left + right) // 2
        if sorted_arr[mid] == target:
            return mid
        elif sorted_arr[mid] < target:
            left = mid + 1
        else:
            right = mid - 1
    return -1

Поиск среди 16 отсортированных элементов займет не более 4 шагов.

Помимо временной, важна и пространственная сложность, которая оценивает объем дополнительной памяти, требуемой алгоритмом. Например, алгоритм нахождения максимума в массиве использует фиксированный объем памяти O(1), тогда как создание полной копии списка потребует памяти O(n).

Практическое значение асимптотического анализа становится очевидным при сравнении алгоритмов. Рассмотрим задачу поиска дубликатов. Наивный подход с двойным циклом имеет сложность O(n²):

def find_duplicates_slow(arr):
    duplicates = []
    for i in range(len(arr)):
        for j in range(i + 1, len(arr)):
            if arr[i] == arr[j] and arr[i] not in duplicates:
                duplicates.append(arr[i])
    return duplicates

Более разумный подход с использованием хэш-множества имеет сложность O(n):

def find_duplicates_fast(arr):
    seen = set()
    duplicates = set()
    for item in arr:
        if item in seen:
            duplicates.add(item)
        else:
            seen.add(item)
    return list(duplicates)

На списке из тысячи элементов второй алгоритм окажется в сотни раз быстрее первого.

Для наглядности можно представить себе сводную таблицу сложностей. O(1) обозначает мгновенное выполнение, например доступ к элементу массива по индексу. O(log n) характерна для алгоритмов типа бинарного поиска. O(n) — для линейного прохода по данным. O(n log n) — это типичная сложность эффективных алгоритмов сортировки. O(n²) часто возникает при обработке матриц или использовании вложенных циклов. O(2ⁿ) — экстремально медленная сложность, присущая некоторым задачам полного перебора.

Понимание этих принципов позволяет делать осознанный выбор алгоритма, что является фундаментальным навыком в разработке эффективных программ.

#algorithm

📟 Прилетело из @solidityset

gm! На сайте у Polymarket до сих пор написано: «Polymarket does not charge trading fees» и «Polymarket does not benefit from trader activity.»

Окей. 5 января они тихо включили комиссии на 15-минутных крипто-рынках. Сначала 100% возвращалось мейкерам как ребейт. Типа мы не зарабатываем, мы за ликвидность.

А потом – мейкерам уже 20%. 80% забирает платформа. $100k в день. Без анонса. Просто поменяли цифры.

Добровольное пожертвование на развитие prediction markets от вайб-кодеров с ботами

📟 Прилетело из @insuline_eth