Почему изоляция Python внезапно стала проблемой №1 для AI-агентов

В Python до сих пор нет способа безопасно запустить недоверенный код. И это не потому, что никто не старался — просто язык слишком интроспективный. Через traceback и граф объектов можно добраться до внутренностей интерпретатора, даже если вы «всё закрыли». Песочница внутри Python не работает. Работает только одно — запускать Python внутри песочницы.

Раньше это была почти теоретическая проблема. Теперь — нет.

Python стал языком по умолчанию для AI и агентных систем. Агенты читают файлы, ходят в базы, парсят веб и исполняют код, сгенерированный моделью или пришедший извне. Недоверенный код перестал быть редкостью — он стал частью обычного флоу.

Добавьте к этому prompt injection. LLM не понимают, где системный промпт, а где вредоносная инструкция. И это не лечится «лучшими промптами». Это архитектурная особенность, а значит — вопрос безопасности.

Выход: изоляция и принцип наименьших привилегий. Не давать агенту больше доступа, чем ему действительно нужно, и считать, что однажды он обязательно сделает что-то не так.

Читать дальше — про Firecracker, gVisor, WebAssembly и почему изоляция на уровне задач может оказаться ключевой.

@ai_for_dev

RL-агенты без GPU-кластера? Теперь реально

Команда проф. Jiaxuan You из UIUC выкатила OpenTinker 🎯

Проблема классического RL: нужны GPU, сложный деплой, куча инженерных костылей. OpenTinker решает это через Reinforcement-Learning-as-a-Service — разбивает пайплайн на микросервисы с простыми API.

Зачем это нужно:
- Обучать агентов можно на обычном железе
- Поддержка и single-turn (решение задач), и multi-turn логики (игры, диалоги)
- Готовые примеры под математику, Gomoku, AlfWorld
- Работает с LLM и VLM моделями

Все эксперименты с метриками — на WandB. Код полностью открытый.

Сайт проекта | GitHub

@ai_for_dev

VS Code научили прокачивать AI-агентов через Agent Skills

Anthropіc запустил открытый стандарт Agent Skills — он позволяет добавлять AI-агентам в VS Code кастомные возможности. Типа плагинов, но для искусственного интеллекта.

Уже работает с Claude Code, скоро добавят в Cursor. Главное — стандарт открытый, так что разработчики смогут создавать свои расширения для AI-помощников прямо в редакторе.

По сути, это шаг к тому, чтобы AI-агенты могли делать не только базовые вещи, но и использовать специализированные инструменты под конкретные задачи.

@ai_for_dev

Когда AI пишет почти весь код: что будет с разработчиками?

The Pragmatic Engineer опубликовал размышления о том, как новые модели (Opus 4.5, GPT-5.2, Gemini 3) изменили профессию.

Плохие новости:
Специализация в конкретных языках и стеках теряет смысл. Разделение на frontend/backend может исчезнуть. Даже не-технари теперь могут делать прототипы.

Хорошие новости:
Инженерные навыки (архитектура, тестирование, ревью кода) ценятся больше, чем раньше. Product-подход и системное мышление становятся базой. Tech lead компетенции — теперь минимальные требования.

Неприятная правда:
Больше AI-кода = больше проблем. Слабые практики разработки начнут бить по продукту быстрее.

Автор сам испытал «магию» — написал и задеплоил production-код с телефона через Claude Code for Web, просто промптами и ревью пулл-реквестов.

Вывод: кодер теряет ценность, инженер становится незаменимым.

@ai_for_dev

Хакеры придумали, как украсть вашу крипту через VS Code 😱

Группа Lazarus нашла способ заражать разработчиков прямо через редактор кода. Никаких сомнительных ссылок — только стандартные функции VS Code.

Сценарий атаки:
Вам пишет «рекрутер» с офером мечты в крипто-стартап. Просит склонировать репозиторий и пофиксить баг. Вы открываете папку в VS Code, жмёте «Yes, I trust» — и всё, поздно пить боржоми 💀

В .vscode лежит tasks.json с параметром runOn: folderOpen. Редактор послушно запускает вредоносный скрипт в фоне.

Что улетает к хакерам:
— Все ваши криптокошельки (40+ типов: MetaMask, Phantom, Binance)
— Пароли из браузеров
— Доступы к системе + бэкдор для удалённого управления

Как защититься:
Тестовые задания открываем только в Docker или виртуалке. Перед запуском проекта заглядываем в .vscode/tasks.json — там не должно быть ничего подозрительного.

Берегите свои биткоины 🔐

@ai_for_dev

Сколько кода реально пишет AI? Отвечают Microsoft, Google и Meta

MIT Technology Review назвал AI-кодогенерацию прорывной технологией 2026. Но что происходит на практике?

💻 Цифры, которые стоит знать:
• В Microsoft AI пишет до 30% кода
• В Google — больше 25%
• Марк Цукерберг говорит, что в Meta скоро большая часть кода будет AI-генерируемой

🚀 Инструменты вроде Copilot, Cursor, Lovable и Replit дошли до того, что даже люди без опыта программирования могут собрать рабочее приложение через промпты.

Но есть нюанс 👇

AI может выдавать ошибки, которые без человеческой проверки уйдут в продакшн. Поэтому экспертиза разработчика никуда не делась.

📉 Обратная сторона: меньше позиций для джунов. AI упрощает задачи, но делает порог входа выше — нужно понимать, что проверять.

Читать полностью на MIT Technology Review

@ai_for_dev

Почему ваш чат-бот тормозит: разбираемся в кэшировании промптов

Классная статья про то, как устроено кэширование в продакшн-системах LLM 🚀

Автор делился фичей в жёсткие сроки и засунул пользовательские данные в конец системного промпта. Работало, но медленно. Оказалось — он неправильно понимал, как работает кэш.

Главный инсайт: провайдеры вроде OpenAI обрабатывают запросы асинхронно на кластерах GPU. Ваш системный промпт может попасть в кэш между РАЗНЫМИ пользователями, а не только в рамках одной сессии.

📌 Что внутри:

PagedAttention — vLLM разбивает KV-кэш на блоки (как страницы памяти в ОС) вместо выделения гигантского непрерывного куска. Это убивает фрагментацию.

Prefix caching — блоки хешируются и переиспользуются. Совпал префикс → пропускаем prefill → моментальный ответ.

✅ Как попадать в кэш:
— Системный промпт должен быть одинаковым для всех юзеров
— Всё изменяемое (контекст, данные) — в конец
— Не вставляйте динамику в середину промпта

Теория + практические примеры. Рекомендую, если работаете с LLM API.

Статья

@ai_for_dev

Anthropic выпустила Claude Cowork — Claude Code для всех, кто не пишет код

Представьте: вы ставите задачу вечером, а утром агент на вашем компьютере уже всё сделал. Именно это обещает Claude Cowork — новый инструмент от Anthropic для macOS.

Что умеет:

• Работает с вашими файлами — читает, правит, создаёт документы в выбранной папке
• Действует автономно — составляет план и выполняет его, периодически отчитываясь о прогрессе
• Подключается к вашим сервисам — Google Drive, Slack, браузер (через расширение)
• Не требует терминала — всё работает прямо в приложении Claude

Реальные примеры:
• Разложить хаос в Downloads по папкам с нормальными названиями
• Собрать таблицу трат из кучи скриншотов чеков
• Написать первый драфт отчёта из ваших заметок

Важный момент: агент может удалять файлы, если вы его об этом попросите (или если он неправильно понял задачу). Плюс есть риск prompt injection — когда вредоносные инструкции спрятаны в обрабатываемых файлах.

Пока что это research preview для подписчиков Claude Max. Но уже видно, куда движется индустрия: от чат-ботов к полноценным ассистентам, которые реально работают за вас.

@ai_for_dev

Как правильно встроить LLM в приложение: эволюция подходов

Делаете AI-бота? Есть три варианта, от древнего до современного 👇

Rule-based боты — дедовский метод
Помните телефонные автоответчики с «нажмите 1, чтобы...»? Работает надёжно, но масштабировать больно. Плюс диалог получается деревянный.

Управляющие конструкции в промптах — переходный этап
Год-полтора назад было популярно, но сейчас уже костыль. Идея: модель сама парсит специальные команды из текста. Быстро поднять можно, но в продакшене — головная боль.

Tool calling — так делают сейчас
Модель не угадывает, а вызывает нормальные функции. Допустим, бот для записи на встречи:

get_available_slots(start_date, end_date)
book_meeting(date, time, duration_minutes, format)

Результат: бот говорит как человек, галлюцинаций минимум, работает стабильно. С каждой новой моделью становится только лучше.

Глубже в тему — курс по RAG и автоматизации LLM.

@ai_for_dev