🧠 Anthropic показала, как заставить ИИ-агентов работать часами и днями без потери прогресса

По сути, они воспроизвели то, что в обычной разработке давно стало стандартом де-факто: структура проекта, git, список фич и строгие тесты)) Но для кодинг-агентов это что-то новенькое. Сейчас их действительно довольно сложно держать в ежовых рукавицах.

Их решение — разделить роли: Initializer готовит проект и полный перечень фич (получается, тимлид), а Coding Agent (работяга) в каждой сессии берёт одну задачу, делает минимальные изменения и оставляет репозиторий в рабочем состоянии. Плюс строгое JSON-описание требований и браузерные E2E-тесты через Puppeteer.

В итоге получается почти бесконечная разработка без деградации между сессиями: каждый агент приходит «на смену» и сразу понимает, что сделано и что сломано.

Интересно смотреть, как ИИ-системы постепенно приходят к тем же процессам, которые программисты давно считают базовым минимумом)

Источник. @ai_for_devs

🌕 Google запретили своим разработчикам пользоваться Antiravity?

Помните мы писали про уязвимость новой агентной IDE от Google к prompt-инжекциям? Ещё сегодня наткнулись на пост о том, что Antigravity потёрла юзеру все данные с жёсткого диска. А теперь ещё начали разлетаться слухи, что сам Google запретил своим разработчикам пользоваться Antigravity. Звучит громко — но это лишь отчасти правда.

На самом деле внутренняя инфраструктура Google держится на огромном монорепо и кастомном туллинге, который публичная версия Antigravity физически не поддерживает. Поэтому гуглеры работают в Jetski — внутреннем форке Antigravity с поддержкой монорепо, поиском по докам и интеграцией с их DevOps-инструментами. То же самое и с Cider, ещё одной внутренней IDE, тоже форк VS Code.

С одной стороны — всё логично: у Google настолько много кастомщины, что публичная IDE (хоть и их собственной разработки) просто не умеет классно работать с их экосистемой. Но с другой — сам факт запрета выглядит чуть забавно. Неужели они заботяться об эффективности разработчиков?) Прям вот все-все в IDE работают?) Поклонников Vim'а увольняют?) Верится с трудом... Может проблема всё же в чём-то другом 🤷‍♂️

@ai_for_devs

🐣 Дуров запустил ИИчко

Павел Дуров сообщил о запуске Cocoon — децентрализованной сети для безопасных ИИ-вычислений, ориентированной на полную конфиденциальность пользовательских запросов.

По словам Дурова, часть автоматических переводов сообщений в Telegram уже обрабатывается с использованием Cocoon, что фактически делает сеть частью продакшен-инфраструктуры мессенджера.

Вместо централизованных дата-центров Cocoon распределяет нагрузки между независимыми участниками, предоставляющими свои GPU. Узлы получают оплату в TON в режиме реального времени, а разработчики — доступ к вычислениям по ценам ниже, чем у классических облаков вроде AWS или Azure.

Архитектура устроена так, что содержимое запросов остаётся скрытым от всех участников цепочки. Дуров подчёркивает: Cocoon создавался именно как решение проблемы приватности при взаимодействии с ИИ — ключевой боли для корпоративных и правовых сценариев.

@ai_for_devs

😎 Gemini CLI: from Zero to Hero

Нашли и перевели огромный гайд по использованию Gemini CLI — 29 практичных советов, которые пригодятся не только для Gemini CLI, но и для других AI-утилит в терминале.

Если всё это уже используете — можно смело скипать.

1. Используйте GEMINI.md для постоянного контекста
2. Создавайте собственные slash-команды
3. Расширяйте возможности Gemini с помощью собственных MCP-серверов
4. Используйте добавление и вызов данных из памяти
5. Используйте чекпоинты и /restore как кнопку “Отменить”
6. Читайте Google Docs, Sheets и многое другое. Если у вас настроен Workspace MCP-сервер, вы можете просто вставить ссылку на документ, и MCP получит его — при наличии нужных прав
7. Используйте @, чтобы передавать файлы и изображения как явный контекст
8. Создание инструментов на лету (поручите Gemini писать вспомогательные утилиты)
9. Используйте Gemini CLI для устранения неполадок и настройки системы
10. Режим YOLO — автоматическое выполнение действий инструментов (используйте с осторожностью)
11. Headless режим и сценарии (запуск Gemini CLI в фоне)
12. Cохраняйте и возобновляйте чат-сессии
13. Рабочее пространство с несколькими директориями — один Gemini, много папок
14. Организуйте и очищайте файлы с помощью ИИ
15. Cжимайте длинные переписки, чтобы не выйти за пределы контекста
16. Передавайте команды оболочки через ! (разговаривайте с терминалом)
17. Относитесь к любому CLI-инструменту как к потенциальному инструменту Gemini
18. Используйте мультимодальный ИИ — дайте Gemini «видеть» изображения и не только
19. Настройте $PATH (и доступные инструменты) для стабильной работы
20. Следите за расходом токенов и снижайте его с помощью кеширования и статистики
21. Используйте /copy для быстрого копирования в буфер обмена
22. Используйте Ctrl+C как мастер — для shell-режима и выхода
23. Настройте Gemini CLI с помощью settings.json
24. Используйте интеграцию с IDE (VS Code) для контекста и сравнения изменений (diffs)
25. Автоматизируйте задачи в репозитории с помощью GitHub Action для Gemini CLI
26. Включайте телеметрию для аналитики и наблюдаемости
27. Следите за дорожной картой (фоновые агенты и многое другое)
28. Расширяйте возможности Gemini CLI с помощью Extensions
29. Пасхалка «Режим корги» 🐕

Если что-то покажется новым или полезным — вот ссылка.

@ai_for_devs

За последние месяцы стало видно, что почти все пытаются решить одну и ту же проблему: контекст LLM-агента разрастается быстрее, чем приносит пользу. Мы недавно обсуждали, как Anthropic облегчили эту историю на уровне инструментов — меньше лишних описаний, меньше промежуточных логов, меньше ненужных данных в памяти.

И тут под конец года подключились JetBrains. Не задолго до релиза своей IDE они опубликовали исследование, где сравнили два самых популярных способа работы с памятью агента.

🟣 Маскирование — это когда старые логи и длинные выводы инструментов заменяются короткими заглушками, но рассуждения и действия остаются.
🟣 Суммирование работает иначе: отдельная LLM пытается «пересказать» историю шагов в компактной форме и подменяет ей исходный контекст.

И, что забавно, простой метод оказался лучше навороченного. Маскирование давало и меньшую стоимость, и стабильное качество, а суммирование часто тормозило процесс: сводки скрывают важные сигналы, агент делает больше лишних шагов, плюс сама генерация сводок стоит недёшево.

В итоге JetBrains собрали гибрид, где маскирование используется всегда, а суммирование включается только когда память действительно выходит из-под контроля. Такой вариант оказался и точнее, и дешевле обоих подходов по отдельности.

@ai_for_devs