Оч интересный практический talk от Andrej Karpathy (пионера AI, загуглите про него кто не знает)
https://www.youtube.com/watch?v=EWvNQjAaOHw

Столкнулся с тем, что многие не понимают что такое контекстное окно. Вот базовое объяснение

Контекстное окно в больших языковых моделях (LLM) — это временная "рабочая память", которая определяет, сколько текста модель может одновременно анализировать и учитывать при генерации ответа. Вот ключевые аспекты:

Как это работает:

1. Токенизация
Текст разбивается на токены — части слов, символы или целые слова. Например, слово "аморальный" может разбиться на два токена: "а" и "моральный". На русском языке 1 токен ≈ 2.5 символа.

2. Иерархия памяти
- Основной контекст (окно) — данные, которые модель использует прямо сейчас
- Внешний контекст — долгосрочное хранилище (аналог жёсткого диска), откуда модель может извлекать информацию по мере необходимости

Волк — санитар леса. А ИИ — санитар общества!

1. Сейчас считается, что человек должен стоять «перед» ИИ, чтобы правильно сформулировать ему задачу в виде «промпта». Однако ИИ настолько быстро усовершенствуется, что составлять промпты становится всё проще и проще.

2. Поэтому рано или поздно это научится делать каждый дурак — как каждый дурак в конце концов научился обращаться с компьютерами, смартфонами, умными домами и другими технологическими новинками.

3. А человек в конечном итоге окажется на позиции «после» ИИ — чтобы доводить выданные им хорошие результаты до совершенства, используя для этого присущий только человеку интеллект и креативность.

4. Именно на этой «последней миле» сосредоточится вся конкуренция между компаниями, потому что всё, что хуже, сможет делать любой ИИ.

5. Но это значит, что компании начнут искать и нанимать людей, способных довести результаты ИИ до совершенства. Для чего эти люди должны будут обладать немалым талантом, иначе они не смогут этого сделать по определению.

6. Получается, что наём и рекрутинг, издавна называемые «битвой за таланты», потеряет кавычки и превратится в реальную битву за таланты.

7. И что — дураки наконец окажутся никому не нужны? 😱

8. Говорят, что «волк — санитар леса», потому что он пожирает самых слабых. Но тогда получается, что ИИ — это санитар общества 😉

🚀 Будь умнее других — бери хорошие идеи для развития собственных проектов из моих разборов интересных стартапов на fastfounder.ru/news

Интересная мысль. Это как раз то, о чем много говорил Ray Dalio в интервью Tucker Carlson https://youtu.be/0j1gcGD5DrA?si=44O5Nti2HVu9_liI

В VS Code Insiders подвезли Claude 3.7 Sonnet!

Теперь реально как агент работает и бесплатно! ;)

Cursor как агентная система! Ну и за полгода Cursor сильно вырос, как и sonnet-3.7-thinking

Если 6 месяцев назад разработчик который не использует курсор или windsurf казался каким-то динозавром без прошлого и будущего, то сегодня такими являются HR’ы, сейлзы, маркетологи и legal. Компании среднего размера это сэкономит от $500к в год на софте и сотрудниках. Ниже — о примерах использования, которые я видел, попросил простыми словами.

Как это работает?

У каждого сотрудника установлен Cursor с доступом к корпоративному git-репозиторию, где хранятся правила для работы ассистентов (файлы .cursorrules), инструкции и Markdown-файлы с текущими статусами и задачами. Cursor подключается к заранее настроенным серверам MCP, которые в реальном времени получают и обрабатывают данные из Slack, Notion, клиентских баз данных и внешних API.

Кейсы:

— Автоматизация продаж и обработки клиентских запросов:
MCP подтягивает через API текущие данные по клиентам и статусам сделок (CRM, Email). Cursor автоматически формирует дашборды по конверсии в markdown-файлах, рейтингует входящие письма клиентов по важности и готовит персонализированные ответы. Сотрудник нажимает одну кнопку, чтобы подтвердить отправку.
Экономия: минимум 2-3 штатных позиции ($150K–$250K в год), замена корпоративного SaaS-решения уровня Salesforce ($100K+ в год).

— Финансовый мониторинг и отчетность в реальном времени:
MCP собирает транзакции и данные расходов через банковские и платежные API. Cursor в реальном времени составляет финансовые отчёты (P&L, cashflow) и бюджетные дашборды в markdown, автоматически выявляет отклонения и информирует команду через Slack.
Экономия: замена ERP-системы уровня SAP или Oracle (от $150K в год), плюс сокращение затрат на фин. аналитику и контроллинг ($100K+).

— Автоматизированный найм и адаптация сотрудников (HR):
MCP получает данные новых сотрудников из HR-баз и ATS-системы. Cursor формирует и ведёт чеклисты по onboarding/offboarding сотрудников, автоматически создаёт документы и аккаунты в Notion и Slack, а также проводит мониторинг процесса адаптации через markdown.
Экономия: минимум одна штатная позиция HR ($60K–$100K в год), замена HR SaaS-систем (BambooHR, Workday) ($50K+ в год).

— Юридическое сопровождение и управление договорами:
MCP связывается с базой данных клиентов и юридическими API. Cursor автоматически составляет типовые договоры, отслеживает сроки, мониторит риски и генерирует отчёты в markdown-файлах. Команда получает мгновенные уведомления о потенциальных рисках через Slack.
Экономия: сокращение затрат на юридический софт уровня Contractbook, DocuSign CLM ($40K–$80K в год) и оптимизация рабочего времени юристов.

P.S. в фб начался какой-то вой от вполне себе скучного поста. не могут люди поверить, что курсор умеет писать код. и не знают они что саас — это просто код.

В новом обновлении Claude Code добавили поддержку MCP. Вот оно агентское будущее начинается. Ну чтоб вы понимали теперь можно просто в docker запаковать агента Claude code с правильным промтом, указать mcp servers и он пойдет работать с вашими данными автономно. И значительно удобнее Cursor

У четверти стартапов из текущей группы YC кодовые базы созданы с помощью ИИ

Четверть стартапов нового сезона W25 Y combinator имеют 95% своих кодовых баз, сгенерированных ИИ, сказал управляющий партнер YC Джаред Фридман.

Фридман сказал, что эта цифра в 95% не включает такие вещи, как код, написанный для импорта библиотек, но учитывает код, набранный людьми, по сравнению с ИИ.

В прошлом месяце экс-глава ИИ в Tesla и сооснователь в OpenAI Андрей Карпаты описал термин «виброкодирование» как способ написания кода с использованием LLM, не сосредотачиваясь на самом коде.

Код, сгенерированный с помощью ИИ, далек от совершенства. Исследования и отчеты показали, что некоторый код, сгенерированный с помощью ИИ, может вносить уязвимости безопасности в приложения , вызывать сбои или совершать ошибки , заставляя разработчиков изменять код или проводить серьезную отладку.

Даже, если разработчики продуктов будут в значительной степени полагаться на ИИ, им все равно придется хорошо владеть одним навыком — умением читать код и находить ошибки.

СЕО YC согласен с тем, что основателям необходимо классическое обучение программированию для поддержания продуктов в долгосрочной перспективе.

«Допустим, стартап с 95% кода, сгенерированного ИИ, выходит на рынок, и через год или два у него будет 100 миллионов пользователей этого продукта, он рухнет или нет? Первые версии моделей рассуждений не очень хороши для отладки. Поэтому вам нужно вникать в то, что происходит с продуктом», — предположил он.

Очень хороший разбор работы с Cursor + школа мысли по агентному программированию) Оно же vibe coding как сказал сам Andrej Karpathy.

Из интересного автор не пользуется сонетом, а использует бесплатную default сетку с неплохим результатом

https://x.com/steve8708/status/1898074560655962177?s=46&t=o-gNuwBmunp1vKR4u9v13w

Сооснователь Instagram Майк Кригер, ныне занимающий должность директора по продукту в компании Anthropic, прогнозирует значительные изменения в работе программистов в ближайшие три года под влиянием искусственного интеллекта (ИИ). В недавнем интервью он отметил, что разработчики будут тратить больше времени на проверку кода, сгенерированного ИИ, чем на его написание самостоятельно.

Кригер подчеркнул, что роль инженеров будет смещаться от написания кода к делегированию задач моделям ИИ и последующему обзору их работы. Это позволит разработчикам сосредоточиться на более абстрактных задачах, таких как дизайн взаимодействия с пользователем и управление системами ИИ. Он также отметил, что в таких компаниях, как Google, значительная часть нового кода уже создается с помощью ИИ.

Несмотря на эти изменения, Кригер считает, что определение того, что именно следует разрабатывать, и решение реальных проблем пользователей остаются сложными задачами, требующими человеческого участия. Он уверен, что ИИ изменит необходимые навыки для программистов, делая их роли более многопрофильными. Anthropic стремится показать, как рабочие места могут адаптироваться к изменениям, обусловленным ИИ, обеспечивая при этом, чтобы ИИ дополнял человеческий труд, а не заменял его.

Таким образом, в ближайшие годы ожидается трансформация роли программистов, где они будут выступать в качестве кураторов и аналитиков, работающих в тесном сотрудничестве с системами ИИ для создания более эффективных и ориентированных на пользователя решений.

https://www.businessinsider.com/instagram-cofounder-anthropic-mike-krieger-how-software-engineering-work-changing-2025-3

Model Context Protocol (MCP): Базовое описание и интеграция
Model Context Protocol (MCP) — открытый стандарт для подключения ИИ-моделей к внешним данным и инструментам. По аналогии с USB-C, он унифицирует взаимодействие между LLM (например, Claude, GPT) и сервисами, устраняя необходимость в кастомных интеграциях для каждого API.

Ключевые компоненты MCP
Инструменты (Tools)
Функции, которые ИИ может вызывать. Пример:

// Сервер для работы с GitHub
server.tool("create_issue", {
noscript: z.string(),
body: z.string()
}, async ({ noscript, body }) => {
return { issue_url: "https://github.com/repo/issue/123" };
});

Модель сама решает, когда использовать инструмент:

Пользователь: "Создай задачу в репозитории"
Модель → вызывает GitHub.create_issue → возвращает ссылку на issue
Ресурсы (Resources)
Данные, доступные для чтения (например, файлы, JSON-объекты). Пример конфигурации:

server.resource(
"analytics_data",
ResourceTemplate("data://analytics/{date}"),
async (uri) => fetch_data_from_db(uri.params.date)
);

Шаблоны (Prompts)
Предопределённые инструкции для типовых задач:

/explain-code [фрагмент] → "Объясни этот код на Python"
Интеграция MCP в разработку

1. Создание MCP-сервера (Node.js)

Пример сервера для работы с погодой:

import { McpServer } from "@modelcontextprotocol/sdk";

const server = new McpServer({ name: "Weather" });

// Инструмент для запроса погоды
server.tool("get_weather", {
city: z.string()
}, async ({ city }) => {
return { temp: 22, conditions: "Sunny" };
});

// Ресурс с прогнозом
server.resource("forecast", new ResourceTemplate("weather://forecast/{city}"), async (uri) => {
return fetch_forecast(uri.params.city);
});

2. Подключение клиента (Python)

from mcp_client import McpClient

client = McpClient(
servers=[
{
"id": "github",
"command": "npx -y @modelcontextprotocol/server-github",
"args": ["--token", "ВАШ_ТОКЕН"]
}
]
)
# Получение списка доступных инструментов
tools = await client.list_tools()
print(f"Доступные инструменты: {[t.name for t in tools]}") # → ["create_issue", "get_commits"]

3. Использование в LLM-приложениях
Интеграция с OpenAI через MCP:

from openai import OpenAI

client = OpenAI()

# Запрос с использованием MCP-инструментов
response = client.chat.completions.create(
model="gpt-4o",
messages=[{"role": "user", "content": "Создай задачу в GitHub с заголовком 'Фикс бага'"}],
tools=[tool.schema for tool in mcp_tools] # Схемы инструментов из MCP
)

# Вызов инструмента через MCP-сервер
if response.choices[0].message.tool_calls:
tool_call = response.choices[0].message.tool_calls[0]
result = await mcp_client.call_tool(tool_call.name, tool_call.arguments)

Преимущества для разработчиков
Универсальность: Один сервер MCP работает с любыми LLM (Claude, GPT, Llama)
Безопасность: Локальные серверы исключают передачу данных в облако
Упрощение кода: Замена десятков API-интеграций единым протоколом
Пример использования в CI/CD:

Пользователь: "Задеплой фичу в прод" → Модель вызывает последовательно:
1. MCP-Tool: run_tests
2. MCP-Tool: build_docker
3. MCP-Tool: deploy_to_kubernetes
Для старта используйте официальные SDK (Python/TypeScript/Java) и шаблоны из репозитория MCP. Документация включает примеры интеграции с Docker для изоляции окружений.

Ну вы поняли да? Все будет MCP! =)

Вот 4 месяца прошло с момента анонса MCP и вот только сейчас люди начали догонять


Нашел в твиттере подборку разных использований. Тут и для реакта и для соланы и для чего душе угодно. Вот оно будущее разработки! Протоколы будут появляться, но MCP явно удачный получился.

https://x.com/atomsilverman/status/1900261905106903124?s=46&t=o-gNuwBmunp1vKR4u9v13w

Вот еще нашел Awesome MCP servers - https://github.com/punkpeye/awesome-mcp-servers

Например @modelcontextprotocol/server-github. Можно добавить в Cursor и будет сам pull requests оформлять =) Profit!

https://github.com/GLips/Figma-Context-MCP

Интересно с Cursor попробовать) Пишут что 80% accuracy

https://mcp.so поиск по доступным mcp

Как-то мимо прошел анонс IDE от Google - https://idx.dev

А это по сути vscode remote на Gemini)

Идея → дизайн → сайт за 1,5 минуты

С помощью Figma MCP сервера для Курсора, я сделал с нуля дизайн и вёрстку страницы на основе созданного в Фигме стиля с нужным мне контентом.

Что важно:

— это первый прототип технологии, через 6 месяцев она сможет создавать многостраничные и мультимодальные приложения на лету
— это бесплатно и не требует никаких навыков, кроме умения печатать
— это приведет к созданию эфемерного just-in-time веба, в котором все сайты и приложения создаются под вас, в вашем любимом стиле с персонализированными текстами и графикой
— попробовать можно прямо сейчас (в видео я голосом рассказываю как это работает)
— кожаным останется создавать дизайн-системы или просты выбирать наиболее красивые из сотен тысяч вариантов созданных ИИ