🏋️♂️ Миссия: сбалансировать нагрузку!
Представьте, что вы менеджер проекта. У вас есть список последовательных задач
Правила распределения:
* Каждый разработчик получает непрерывный блок задач из списка.
* Каждый из
Ваша цель — распределить задачи так, чтобы самый загруженный разработчик (тот, у кого суммарная трудоемкость задач наибольшая) потратил как можно меньше времени. Вам нужно вернуть это минимально возможное время самого загруженного разработчика.
🎯 Задача:
Написать функцию
Пример 1:
Нужно разделить задачи между двумя разработчиками.
* Вариант 1:
* Вариант 2:
* Вариант 3:
* Вариант 4:
Сравниваем максимальные нагрузки:
➡️ Результат:
Пример 2:
* Оптимальное разделение:
* Нагрузка:
➡️ Результат:
Присылайте решения в комменты 👇🏻
Представьте, что вы менеджер проекта. У вас есть список последовательных задач
nums, каждая со своей оценкой трудоемкости (в часах). Вам нужно распределить все эти задачи между k разработчиками.Правила распределения:
* Каждый разработчик получает непрерывный блок задач из списка.
* Каждый из
k разработчиков должен получить хотя бы одну задачу.Ваша цель — распределить задачи так, чтобы самый загруженный разработчик (тот, у кого суммарная трудоемкость задач наибольшая) потратил как можно меньше времени. Вам нужно вернуть это минимально возможное время самого загруженного разработчика.
🎯 Задача:
Написать функцию
split_array(nums: list[int], k: int) -> int, которая разбивает nums на k непустых непрерывных подсписков и возвращает минимально возможную наибольшую сумму среди этих подсписков.Пример 1:
nums = [7, 2, 5, 10, 8], k = 2Нужно разделить задачи между двумя разработчиками.
* Вариант 1:
[7] | [2, 5, 10, 8]. Нагрузка: 7 и 25. Максимальная нагрузка: 25.* Вариант 2:
[7, 2] | [5, 10, 8]. Нагрузка: 9 и 23. Максимальная нагрузка: 23.* Вариант 3:
[7, 2, 5] | [10, 8]. Нагрузка: 14 и 18. Максимальная нагрузка: 18.* Вариант 4:
[7, 2, 5, 10] | [8]. Нагрузка: 24 и 8. Максимальная нагрузка: 24.Сравниваем максимальные нагрузки:
25, 23, 18, 24. Самая маленькая из них — 18.➡️ Результат:
18.Пример 2:
nums = [1, 2, 3, 4, 5], k = 2* Оптимальное разделение:
[1, 2, 3] | [4, 5].* Нагрузка:
6 и 9. Максимальная нагрузка: 9.➡️ Результат:
9.Присылайте решения в комменты 👇🏻
👨💻2👍1🔥1🤔1
AI больше не опция. Теперь это приказ👺
Новость-огонь из стана Microsoft. По данным Business Insider, корпорация добра теперь будет учитывать использование своих же AI-инструментов при оценке перформанса сотрудников.
Президент дев-дивизиона Джулия Льюсон прямо так и написала в письме менеджерам:
Говоря по-простому: не нагенерил в GitHub Copilot положенную норму — жди интересных бесед на ревью.
Причина проста до безобразия: сотрудники не очень-то торопятся использовать внутренние AI-сервисы, а тем временем конкуренты вроде Cursor откусывают долю рынка.
Классический менеджерский ход: когда не можешь сделать продукт, которым хочется пользоваться, — просто введи KPI на его использование 🌝
Новость-огонь из стана Microsoft. По данным Business Insider, корпорация добра теперь будет учитывать использование своих же AI-инструментов при оценке перформанса сотрудников.
Президент дев-дивизиона Джулия Льюсон прямо так и написала в письме менеджерам:
> «Использование ИИ больше не является опциональным — это основа для каждой роли и каждого уровня».
Говоря по-простому: не нагенерил в GitHub Copilot положенную норму — жди интересных бесед на ревью.
Причина проста до безобразия: сотрудники не очень-то торопятся использовать внутренние AI-сервисы, а тем временем конкуренты вроде Cursor откусывают долю рынка.
Классический менеджерский ход: когда не можешь сделать продукт, которым хочется пользоваться, — просто введи KPI на его использование 🌝
😁7🤯3😱2
Моржовый оператор в Python: полный гайд от основ до хардкорных трюков 🦭
С момента своего появления
Так где же правда? 🤔
Давайте разложим всё по полочкам и разберём не только каноничные примеры с
- 🔥 трюки с
- 🤯 Как «морж» помогает в накопительных вычислениях.
- 👺 И, конечно, тёмная сторона: где можно больно выстрелить себе в ногу, попав в ловушки с областью видимости и «ленивыми» вычислениями.
Обо всём этом читайте в статье 👈🏻
С момента своего появления
:= успел стать предметом настоящих холиваров. Одни считают его бесполезным синтаксическим сахаром, другие — мощным инструментом для элегантного кода.Так где же правда? 🤔
Давайте разложим всё по полочкам и разберём не только каноничные примеры с
while и list comprehensions, но и копнём глубже:- 🔥 трюки с
any()/all() и f-строками.- 🤯 Как «морж» помогает в накопительных вычислениях.
- 👺 И, конечно, тёмная сторона: где можно больно выстрелить себе в ногу, попав в ловушки с областью видимости и «ленивыми» вычислениями.
Обо всём этом читайте в статье 👈🏻
1👍7❤2⚡1🔥1🙏1🤓1👨💻1
✍️ Решения вчерашней задачи
Это классическая задача на "минимизацию максимума", которая идеально решается через бинарный поиск. Это самое эффективное решение по сложности.
🤔 Как это работает?
Вместо того чтобы перебирать все возможные разбиения, мы ищем бинарным поиском сам ответ — минимально возможную нагрузку на самого занятого разработчика.
1. Определяем границы ↔️
- Минимально возможный ответ не может быть меньше самой большой задачи (
- Максимально возможный ответ — это когда все задачи достаются одному разработчику (
2. Проверяем гипотезу 🙋
- Берем среднее значение
- Для проверки пишем жадную функцию
3. Сужаем диапазон 🔎
- Если
- Если
Этот цикл продолжается, пока
Это классическая задача на "минимизацию максимума", которая идеально решается через бинарный поиск. Это самое эффективное решение по сложности.
def split_array(nums: list[int], k: int) -> int:
def can_split(capacity: int) -> bool:
developers_needed = 1
current_load = 0
for task in nums:
if task > capacity:
return False
if current_load + task <= capacity:
current_load += task
else:
developers_needed += 1
current_load = task
return developers_needed <= k
left, right = max(nums), sum(nums)
ans = right
while left <= right:
mid_capacity = (left + right) // 2
if can_split(mid_capacity):
ans = mid_capacity
right = mid_capacity - 1
else:
left = mid_capacity + 1
return ans
🤔 Как это работает?
Вместо того чтобы перебирать все возможные разбиения, мы ищем бинарным поиском сам ответ — минимально возможную нагрузку на самого занятого разработчика.
1. Определяем границы ↔️
- Минимально возможный ответ не может быть меньше самой большой задачи (
left = max(nums)).- Максимально возможный ответ — это когда все задачи достаются одному разработчику (
right = sum(nums)).2. Проверяем гипотезу 🙋
- Берем среднее значение
mid_capacity из нашего диапазона [left, right]. Это наша гипотеза: "А можем ли мы разбить задачи так, чтобы ни у кого не было нагрузки больше mid_capacity?".- Для проверки пишем жадную функцию
can_split: она идет по задачам и формирует группы, не превышая лимит mid_capacity. Если для этого потребовалось k или меньше разработчиков — значит, гипотеза верна.3. Сужаем диапазон 🔎
- Если
can_split(mid_capacity) вернула True, значит, такая нагрузка возможна. Мы запоминаем этот удачный результат (ans = mid_capacity) и пытаемся найти еще лучше (меньше): right = mid_capacity - 1.- Если
False — значит, лимит слишком жесткий. Нужно его ослабить: left = mid_capacity + 1.Этот цикл продолжается, пока
left не станет больше right, а в ans останется наилучший из найденных результатов.📈 Сложность: Время — O(N * log(S)), где N — количество задач, а S — их суммарная трудоемкость. Пространство — O(1).
Telegram
PythonTalk
🏋️♂️ Миссия: сбалансировать нагрузку!
Представьте, что вы менеджер проекта. У вас есть список последовательных задач nums, каждая со своей оценкой трудоемкости (в часах). Вам нужно распределить все эти задачи между k разработчиками.
Правила распределения:…
Представьте, что вы менеджер проекта. У вас есть список последовательных задач nums, каждая со своей оценкой трудоемкости (в часах). Вам нужно распределить все эти задачи между k разработчиками.
Правила распределения:…
👍2
Король хакатонов, который не умеет программировать 👑
Знакомьтесь, Рене Турсиос. Этот парень за два года посетил 200+ хакатонов и пачками забирал призовые. Прикол в том, что он сам не написал ни строчки кода.
Его секрет? Вайб-кодинг👨💻 Да, он просто мастерски промптил AI-инструменты задолго до того, как это стало мейнстримом.
Чувак — бывший про-игрок в Yu-Gi-Oh!, он привык искать и абьюзить мету. Сначала в картонках, теперь — в IT.
Сейчас он в соло, без единого нанятого разраба, пилит собственный AI-стартап.
Разработчик? Программист? Или надо какое-то новое слово придумывать?
Знакомьтесь, Рене Турсиос. Этот парень за два года посетил 200+ хакатонов и пачками забирал призовые. Прикол в том, что он сам не написал ни строчки кода.
Его секрет? Вайб-кодинг
Чувак — бывший про-игрок в Yu-Gi-Oh!, он привык искать и абьюзить мету. Сначала в картонках, теперь — в IT.
Сейчас он в соло, без единого нанятого разраба, пилит собственный AI-стартап.
Разработчик? Программист? Или надо какое-то новое слово придумывать?
Please open Telegram to view this post
VIEW IN TELEGRAM
🤔8👍3🏆3🔥2😱2❤1👨💻1
Делаем подкасты из репозиториев 🎧
Опенсорсный проект GitPodcast превращает любой GitHub-репозиторий в... подкаст! Просто меняете
🧑💻Технологии под капотом: backend на Python с FastAPI, Frontend – Next.js + TypeScript. База – PostgreSQL.
Можно не разворачивать локально, а просто воспользоваться бесплатно на сайте.
Опенсорсный проект GitPodcast превращает любой GitHub-репозиторий в... подкаст! Просто меняете
hub на podcast в URL репы – и вуаля, можно слушать полезное о проекте. 🧑💻Технологии под капотом: backend на Python с FastAPI, Frontend – Next.js + TypeScript. База – PostgreSQL.
Можно не разворачивать локально, а просто воспользоваться бесплатно на сайте.
GitPodcast
GitPodcast - Repository to Podcast in Seconds
Turn any GitHub repository into an engaging podcast in seconds.
🔥2
ByteDance снова в деле: новый ИИ-агент для программирования 👨💻
Китайцы из ByteDance выкатили в опенсорс
На бенчмарке
Что под капотом?
🧠 Мульти-LLM: Жрет почти все — OpenAI, Anthropic, Azure, Doubao и OpenRouter. Можно подцепить хоть
🛠 Не черный ящик: В отличие от многих, архитектура модульная. Можно ковыряться, расширять и смотреть, как он там думает. Идеально для экспериментов и кастомизации под себя.
⚙️ Удобный CLI и тулзы: Работает из консоли (
Выглядит любопытно. Особенно на фоне того, что многие подобные инструменты либо платные, либо представляют собой закрытую коробку.
Ссылка на GitHub: тык сюда
Китайцы из ByteDance выкатили в опенсорс
Trae Agent — еще одного LLM-помощника для инженегров.На бенчмарке
SWE-bench Verified он показывает лучший результат среди опенсорс аналогов (75,2%). Что под капотом?
🧠 Мульти-LLM: Жрет почти все — OpenAI, Anthropic, Azure, Doubao и OpenRouter. Можно подцепить хоть
Claude 3.5 Sonnet, хоть GPT-4o, хоть Llama 3.1. 🛠 Не черный ящик: В отличие от многих, архитектура модульная. Можно ковыряться, расширять и смотреть, как он там думает. Идеально для экспериментов и кастомизации под себя.
⚙️ Удобный CLI и тулзы: Работает из консоли (
trae-cli run "почини мой баг"), умеет в файлы, баш и даже в sequential_thinking для сложных задач. Все шаги логируются в trajectory-файлы для дебага.По сути это исследовательская платформа и конструктор для создания своих агентов.
Выглядит любопытно. Особенно на фоне того, что многие подобные инструменты либо платные, либо представляют собой закрытую коробку.
Ссылка на GitHub: тык сюда
Please open Telegram to view this post
VIEW IN TELEGRAM
👍3
Что получим при запуске кода?
Anonymous Quiz
22%
<__main__.SomeClass object at …>
21%
AttributeError
7%
None
14%
SyntaxError
36%
42
🔥4
match-case в Python: полный гайд по структурному сопоставлению ↔️
Если ваша первая мысль при виде
Хватит городить монструозные if-лесенки!
В гайде мы:
▫️ Начнем с основ на простых примерах, чтобы освоить синтаксис.
▫️ Научимся элегантно парсить команды.
▫️ Перейдем к главной "боевой" задаче — разбору JSON-ответов от API.
▫️ И, конечно, разберем антипаттерны — когда
Если ваша первая мысль при виде
match-case из Python 3.10 была: "А, ну наконец-то switch завезли!", то стоит сказать, что это на самом деле, это гораздо больше, чем просто синтаксический сахар для замены громоздких if-elif-else. Его настоящая суперсила заключается в работе со структурой данных.Хватит городить монструозные if-лесенки!
В гайде мы:
▫️ Начнем с основ на простых примерах, чтобы освоить синтаксис.
▫️ Научимся элегантно парсить команды.
▫️ Перейдем к главной "боевой" задаче — разбору JSON-ответов от API.
▫️ И, конечно, разберем антипаттерны — когда
match использовать не нужно, чтобы не усложнить код.👍7
🎨 Носорог Дюрера на matplotlib! Когда художник – Python-разработчик, а муза – гравюра 16-го века.
🦏 Есть такая знаменитая гравюра носорога Альбрехта Дюрера, он её создал в 1515 году по описанию и эскизу, так и не увидев зверя вживую. Она на века стала каноническим изображением носорога, не смотря на неточности.
Один энтузиаст решил переосмыслить этот шедевр с помощью matplotlib. Не просто нарисовать, а поставить себе челлендж: использовать как можно больше разных встроенных типов графиков matplotlib, причем каждый тип – только один раз. Почти справился!
В этом нелегком деле автору активно помогал GitHub Copilot 🤖, который, по его словам, продемонстрировал "энциклопедические знания matplotlib и бесконечное терпение", отвечая на бесконечные "А как сделать вот это?..".
Результат – постер "Современный Носорог", полностью созданный при помощи кода, который можно посмотреть здесь.
🦏 Есть такая знаменитая гравюра носорога Альбрехта Дюрера, он её создал в 1515 году по описанию и эскизу, так и не увидев зверя вживую. Она на века стала каноническим изображением носорога, не смотря на неточности.
Один энтузиаст решил переосмыслить этот шедевр с помощью matplotlib. Не просто нарисовать, а поставить себе челлендж: использовать как можно больше разных встроенных типов графиков matplotlib, причем каждый тип – только один раз. Почти справился!
В этом нелегком деле автору активно помогал GitHub Copilot 🤖, который, по его словам, продемонстрировал "энциклопедические знания matplotlib и бесконечное терпение", отвечая на бесконечные "А как сделать вот это?..".
Результат – постер "Современный Носорог", полностью созданный при помощи кода, который можно посмотреть здесь.
🔥6❤4🤔2👍1🙏1
Вышел опенсорсный фреймворк Claude Code Development Kit, который превращает Claude Code в целую ИИ-команду.
Коротко:
- Оркестрация ИИ-агентов: Запускает сразу несколько "специалистов" (безопасник, архитектор, рефакторщик) для одной задачи.
- Самообновляемая документация: ИИ сам анализирует ваши коммиты и обновляет доки. Да, серьезно.
- Контекст, который не теряется: Специальная 3-уровневая система документации, которую ИИ реально понимает и не забывает через 5 минут.
- Хуки и безопасность: Автоматически проверяет код на забытые ключи и пароли перед отправкой во внешние сервисы.
Выглядит как попытка системно решить главную боль при работе с LLM в больших проектах — потерю контекста. Вместо того чтобы быть нянькой для нейронки, вы становитесь тимлидом для своей ИИ-команды.
👉 Более подробный обзор здесь
👉 Код проекта здесь
Коротко:
- Оркестрация ИИ-агентов: Запускает сразу несколько "специалистов" (безопасник, архитектор, рефакторщик) для одной задачи.
- Самообновляемая документация: ИИ сам анализирует ваши коммиты и обновляет доки. Да, серьезно.
- Контекст, который не теряется: Специальная 3-уровневая система документации, которую ИИ реально понимает и не забывает через 5 минут.
- Хуки и безопасность: Автоматически проверяет код на забытые ключи и пароли перед отправкой во внешние сервисы.
Выглядит как попытка системно решить главную боль при работе с LLM в больших проектах — потерю контекста. Вместо того чтобы быть нянькой для нейронки, вы становитесь тимлидом для своей ИИ-команды.
👉 Более подробный обзор здесь
👉 Код проекта здесь
🔥7👍2⚡1🙏1👌1
Кстати, сами Anthropic, создатели Claude, выкатили целую пачку бесплатных курсов для разработчиков.
Там разное: и про работу с их API напрямую, и через облака Amazon/Google, и про Model Context Protocol.
В первую очередь рекомендовал бы обратить внимание на курс Claude Code in Action.
Если коротко, это практический гайд по их командному AI-ассистенту, который живёт прямо в терминале. Штука, которая умеет читать файлы, выполнять команды, сама править код и интегрироваться с GitHub для ревью пулл-реквестов.
👉🏻 Все курсы лежат здесь, они бесплатные и с сертификатами
Там разное: и про работу с их API напрямую, и через облака Amazon/Google, и про Model Context Protocol.
В первую очередь рекомендовал бы обратить внимание на курс Claude Code in Action.
Если коротко, это практический гайд по их командному AI-ассистенту, который живёт прямо в терминале. Штука, которая умеет читать файлы, выполнять команды, сама править код и интегрироваться с GitHub для ревью пулл-реквестов.
👉🏻 Все курсы лежат здесь, они бесплатные и с сертификатами
❤5👍3🔥3
Встречайте, Kimi K2 от Moonshot AI 🇨🇳
🤯 Что за зверь?
Это MoE-модель на триллион (!!!) параметров, из которых 32 миллиарда — активные. Архитектура основана на DeepSeek V3, но с важными доработками.
Kimi K2 — это так называемая "агентная" модель. Говоря по-простому, это не просто болталка, которая генерит вам текст по запросу, а модель, которая может действовать: анализировать данные, писать и запускать код, исправлять ошибки, работать с инструментами.
И что по бенчмаркам?
В задачах на программирование (бенчмарк SWE-bench) эта модель, работая в "рефлекторном" режиме (без долгого обдумывания), обходит Claude 4 Sonnet и даже GPT-4.1. И это, напомню, открытая модель, которую можно развернуть у себя.
🤖 А что под капотом?
Китайские инженеры не просто скопировали архитектуру. Они использовали модифицированный оптимизатор MuonClip, который позволил им провести тренировку на 15.5 триллионах токенов с нулевой нестабильностью. Никаких "лосс спайков", которыми так славятся большие модели. Чистая, стабильная тренировка.
Ну и главное — деньги.
API у них стоит смешных денег по сравнению с конкурентами:
- $0.60 за миллион входных токенов
- $2.50 за миллион выходных токенов
Это почти в 5 раз дешевле, чем условный Claude 4 Sonnet.
Ссылочки
- Официальный блогпост с примерами
- Код на GitHub
- Веса на Hugging Face
🤯 Что за зверь?
Это MoE-модель на триллион (!!!) параметров, из которых 32 миллиарда — активные. Архитектура основана на DeepSeek V3, но с важными доработками.
Kimi K2 — это так называемая "агентная" модель. Говоря по-простому, это не просто болталка, которая генерит вам текст по запросу, а модель, которая может действовать: анализировать данные, писать и запускать код, исправлять ошибки, работать с инструментами.
В официальном блогпосте есть шикарный пример: модели дают задачу проанализировать данные по зарплатам, найти зависимости, построить графики и в конце сверстать HTML-страничку с результатами и интерактивным калькулятором. Kimi K2 последовательно выполняет 13 шагов в IPython, чтобы получить готовый результат.
И что по бенчмаркам?
В задачах на программирование (бенчмарк SWE-bench) эта модель, работая в "рефлекторном" режиме (без долгого обдумывания), обходит Claude 4 Sonnet и даже GPT-4.1. И это, напомню, открытая модель, которую можно развернуть у себя.
🤖 А что под капотом?
Китайские инженеры не просто скопировали архитектуру. Они использовали модифицированный оптимизатор MuonClip, который позволил им провести тренировку на 15.5 триллионах токенов с нулевой нестабильностью. Никаких "лосс спайков", которыми так славятся большие модели. Чистая, стабильная тренировка.
Ну и главное — деньги.
API у них стоит смешных денег по сравнению с конкурентами:
- $0.60 за миллион входных токенов
- $2.50 за миллион выходных токенов
Это почти в 5 раз дешевле, чем условный Claude 4 Sonnet.
Ссылочки
- Официальный блогпост с примерами
- Код на GitHub
- Веса на Hugging Face
❤4👍3
Прогресс не остановить: Google рапортует об успехах ИИ 🚀
Все носятся с ИИ-помощниками, и вот Google подкатил официальный отчет, как у них там дела с внедрением нейронок в разработку.
Если коротко: всё просто великолепно.
Ключевые тезисы из их блога:
▫️ 50% кода (!) Google теперь пишутся с помощью ИИ. То есть объём кода, написанного руками, сравнялся с объёмом, сгенерированным нейронкой.
▫️ Секрет успеха, говорят, в том, что они годами собирали тонны своих внутренних данных о работе инженеров: правки кода, ревью, фиксы багов. И на этом всём обучили свои модели.
▫️ ИИ не только дописывает код, но и помогает исправлять комменты к код-ревью и адаптировать вставленный код под новый контекст.
В общем, будущее уже здесь, разработчик всё больше превращается в ревьюера, а производительность и счастье инженеров (они их тщательно мониторят, ага) растут как на дрожжах.
Звучит как идеальный мир, правда? Корпорация добра в очередной раз победила рутину.
Вот только так ли всё радужно на самом деле?😏
Завтра разберем одно ОЧЕНЬ интересное исследование на этот счёт🤫
Все носятся с ИИ-помощниками, и вот Google подкатил официальный отчет, как у них там дела с внедрением нейронок в разработку.
Если коротко: всё просто великолепно.
Ключевые тезисы из их блога:
▫️ 50% кода (!) Google теперь пишутся с помощью ИИ. То есть объём кода, написанного руками, сравнялся с объёмом, сгенерированным нейронкой.
▫️ Секрет успеха, говорят, в том, что они годами собирали тонны своих внутренних данных о работе инженеров: правки кода, ревью, фиксы багов. И на этом всём обучили свои модели.
▫️ ИИ не только дописывает код, но и помогает исправлять комменты к код-ревью и адаптировать вставленный код под новый контекст.
В общем, будущее уже здесь, разработчик всё больше превращается в ревьюера, а производительность и счастье инженеров (они их тщательно мониторят, ага) растут как на дрожжах.
Звучит как идеальный мир, правда? Корпорация добра в очередной раз победила рутину.
Вот только так ли всё радужно на самом деле?
Завтра разберем одно ОЧЕНЬ интересное исследование на этот счёт
Please open Telegram to view this post
VIEW IN TELEGRAM
😱7🤔3
А теперь наоборот... ИИ замедляет разрабов? 🐌
Прочитали отчёт от Google, где ИИ уже почти пишет код сам, а разработчики радостно хлопают в ладоши?
А сегодня читайте свежее исследование — ученые провели эксперимент: взяли 16 опытных разрабов из крупных open-source проектов и дали им реальные задачи из их же репозиториев. Половину задач они делали как обычно, а вторую — с использованием самых модных ИИ-инструментов (Claude 3.5/3.7).
И что в итоге?
😱 С ИИ-помощниками разработчики выполняли задачи на 19% медленнее.
Да, вы всё правильно прочитали. Медленнее.
Но самый сок не в этом. Самое смешное — это разрыв между реальностью и восприятием:
- До начала эксперимента разрабы ожидали, что ИИ ускорит их на 24%.
- Даже после того, как они по факту работали медленнее, они всё равно считали, что ИИ ускорил их на 20%.
Надо бы мне над собой эксперимент провести🗒
Прочитали отчёт от Google, где ИИ уже почти пишет код сам, а разработчики радостно хлопают в ладоши?
А сегодня читайте свежее исследование — ученые провели эксперимент: взяли 16 опытных разрабов из крупных open-source проектов и дали им реальные задачи из их же репозиториев. Половину задач они делали как обычно, а вторую — с использованием самых модных ИИ-инструментов (Claude 3.5/3.7).
И что в итоге?
Да, вы всё правильно прочитали. Медленнее.
Но самый сок не в этом. Самое смешное — это разрыв между реальностью и восприятием:
- До начала эксперимента разрабы ожидали, что ИИ ускорит их на 24%.
- Даже после того, как они по факту работали медленнее, они всё равно считали, что ИИ ускорил их на 20%.
Получается, ИИ создает настолько мощную иллюзию продуктивности, что люди просто не замечают, как тратят больше времени. Вместо того чтобы писать код, они тратят время на промты, регенерацию ответов и исправление того, что нагенерила нейронка.
Надо бы мне над собой эксперимент провести
Please open Telegram to view this post
VIEW IN TELEGRAM
😁10
ЛОКАЛЬНЫЙ И ОПЕНСОРСНЫЙ AI-КОНСТРУКТОР ПРИЛОЖЕНИЙ 🤔
Все эти ваши облачные AI-билдеры типа v0 или Lovable — это, конечно, круто. Но есть нюансы: подписка, вендор-лок, данные улетают «на деревню дедушке», а иногда и просто тормозит из-за разницы между облачной средой и вашим локальным окружением. Знакомо?
Тут появился Dyad — дерзкий проект, который как v0, только он живёт прямо у вас на компе. Быстрый, приватный и полностью под вашим контролем.
Что в нём такого особенного?
⚡️ Полностью локально. Вся работа происходит на вашей машине. Это значит:
- Приватность: Никакой код и никакие данные никуда не отправляются. Можно даже работать с локальными моделями через Ollama.
- Скорость: Никаких сетевых задержек. Все изменения, превью и откаты происходят мгновенно.
- Никаких проблем с окружением: Что видите, то и получаете. Никаких сюрпризов при переносе на локалхост.
🔑 Свои ключи, любые модели. Вы не привязаны к одному поставщику. Используйте свои API-ключи от чего угодно:
- Gemini 2.5 Pro
- OpenAI GPT-4.1
- Claude Sonnet 3.7
- Любые модели через Ollama
🛠 Не только UI, а полноценный бэкенд. В отличие от многих UI-генераторов, Dyad идет дальше. Благодаря встроенной интеграции с Supabase, вы можете прямо в нём делать:
- Аутентификацию
- Базу данных
- Серверные функции
То есть, можно собрать и запустить полноценный MVP, не выходя из одного приложения.
❤️ Опенсорс и бесплатно. Никаких триалов, подписок и регистраций. Просто скачиваете бинарник под свою систему (Mac, Windows) и начинаете работать. Весь сгенерированный код остается у вас.
👉 Забираем и пробуем здесь: github.com/dyad-sh/dyad
👀 Посмотреть демки и почитать подробнее: dyad.sh
Все эти ваши облачные AI-билдеры типа v0 или Lovable — это, конечно, круто. Но есть нюансы: подписка, вендор-лок, данные улетают «на деревню дедушке», а иногда и просто тормозит из-за разницы между облачной средой и вашим локальным окружением. Знакомо?
Тут появился Dyad — дерзкий проект, который как v0, только он живёт прямо у вас на компе. Быстрый, приватный и полностью под вашим контролем.
Что в нём такого особенного?
⚡️ Полностью локально. Вся работа происходит на вашей машине. Это значит:
- Приватность: Никакой код и никакие данные никуда не отправляются. Можно даже работать с локальными моделями через Ollama.
- Скорость: Никаких сетевых задержек. Все изменения, превью и откаты происходят мгновенно.
- Никаких проблем с окружением: Что видите, то и получаете. Никаких сюрпризов при переносе на локалхост.
🔑 Свои ключи, любые модели. Вы не привязаны к одному поставщику. Используйте свои API-ключи от чего угодно:
- Gemini 2.5 Pro
- OpenAI GPT-4.1
- Claude Sonnet 3.7
- Любые модели через Ollama
🛠 Не только UI, а полноценный бэкенд. В отличие от многих UI-генераторов, Dyad идет дальше. Благодаря встроенной интеграции с Supabase, вы можете прямо в нём делать:
- Аутентификацию
- Базу данных
- Серверные функции
То есть, можно собрать и запустить полноценный MVP, не выходя из одного приложения.
❤️ Опенсорс и бесплатно. Никаких триалов, подписок и регистраций. Просто скачиваете бинарник под свою систему (Mac, Windows) и начинаете работать. Весь сгенерированный код остается у вас.
👉 Забираем и пробуем здесь: github.com/dyad-sh/dyad
👀 Посмотреть демки и почитать подробнее: dyad.sh
Please open Telegram to view this post
VIEW IN TELEGRAM
⚡4👍2🔥2
Моя вчерашняя рабочая сессия с Gemini закончилась так.
Как думаете, решение оказалось по итогу рабочим?😂
Как думаете, решение оказалось по итогу рабочим?
Please open Telegram to view this post
VIEW IN TELEGRAM
😁18
Общий сбор! 💪
Есть, кто может порекомендовать курсы / магистерские программы по таким критериям?
◽️Тематика — ИИ и около
◽️Наполнение — не стандартные от основ python и sql к перцептрону, а что-то более интересное (например, агенты, MCP, LLM, всё, что за рамками стандартного джентельменского набора)
◽️Формат — много практики внутри (хакатоны, kaggle, проекты, стартапы)
◽️Уровень — не для совсем начинающих
Ну или максимально приближенное к этому.
Не дайте мне разочароваться в мире, точно что-то должно быть😳
Есть, кто может порекомендовать курсы / магистерские программы по таким критериям?
◽️Тематика — ИИ и около
◽️Наполнение — не стандартные от основ python и sql к перцептрону, а что-то более интересное (например, агенты, MCP, LLM, всё, что за рамками стандартного джентельменского набора)
◽️Формат — много практики внутри (хакатоны, kaggle, проекты, стартапы)
◽️Уровень — не для совсем начинающих
Ну или максимально приближенное к этому.
Не дайте мне разочароваться в мире, точно что-то должно быть
Please open Telegram to view this post
VIEW IN TELEGRAM
🤓2👀2✍1🤔1