Уф, пишу сложный алгоритм и понимаю, какой же Dart классный язык, че его хейтят не пойму 🤷‍♂️

🚀 Exciting news! Flutter new version is out. Stay updated

Version: 3.38.2
Release date: 18.11.2025
Dart SDK version: 3.10.0

🌐 Release Notes
🌐 Changelog
🌐 Breaking changes
🌐 Tag

Давно я не публиковал видео))),

🔥 В этом видео разберем, что такое MCP сервера — как они работают и зачем вообще нужны разработчику.
🚀 Сравним работу агента с MCP и без него, чтобы увидеть разницу на практике
💡 Покажу реальный пример на Dart, где мы создадим маленький MCP сервер, запустим его и подключим к Cursor Agent.

Что вы узнаете:
🔹 Как реализовать MCP сервер на Dart
🔹 Как подключить его к Cursor IDE
🔹 Почему MCP кардинально изменяет работу ассистентов и автоматизацию разработки

Если тема MCP и интеграции умных агентов интересна — вам точно зайдёт 🤝

Смотреть на YouTube
Смотреть на VK

https://youtu.be/nzflxCHT4vw?si=0COpnUpeQPXpxJUn

Тут, пока вы спали, UBTech выкатила целую армию роботов для заводов Foxconn. Фишка в том, что им не надо время на перезарядку, они просто сами себе меняют один из аккумуляторов. Работают 24/7, сами себя чинят…

Красный сужающий глаз всё ближе 🫡

Стартуем рефакторинг курса на Stepik )

https://youtu.be/eGKDeI_sUCw

https://vkvideo.ru/video-193881724_456239153

Не будьте вайб-кодерами, становитесь вайб-инженерами.

Накидал свои мысли на эту тему и ожидаемо получаю минусы, вайб-кодеры обиделись.)
Хотя в статье прописал - мнение

https://habr.com/ru/articles/971250/

Всем привет, на выходных пилил RAG-систему, и при векторизации данных для векторной базы данных Qdrant наткнулся на проблему плохой подготовки данных для векторизации, поискал в интернете, что-то толкового ничего не нашел, платные не рассматривал. Решил свой написать)

В итоге родился пакет ollama_embedder — CLI-инструмент на Dart для создания векторных представлений текста с помощью локального Ollama-сервера.

✨ Что умеет:
🔹 Генерирует эмбеддинги для файлов и целых директорий (рекурсивно).
🔹 Работает с локальным Ollama — проверяет установку, доступность сервера и наличие модели. Для векторизации по умолчанию использует модель nomic-embed-text.
🔹 Два режима предобработки: technical — сохраняет код как есть и textual — фокусируется на тексте, код заменяется на [CODE].
🔹 Умная очистка — удаляет HTML-шум, cookie-баннеры, навигацию, футеры, эмодзи.
🔹 Умное разбиение на чанки:
• Автоматически определяет оптимальный размер (до 1500 символов)
• Создает перекрытия между чанками (200 символов) для сохранения контекста (как же я задолбался это делать 🤯)
• Документы до 3000 символов остаются одним чанком
• Разбиение по границам параграфов, предложений и слов
• Автоматическая маркировка секций (intro, code, lists, urls, auto)

🔹 Надежные запросы — автоматические повторы при ошибках Ollama
🔹 Гибкая настройка — URL сервера, модель, таймауты, размер файлов, пути ввода/вывода
🔹 Структурированный итоговый JSON — готов для векторных БД и RAG-систем
🔹 Покрытие тестами — 78% покрытия кода

Пилил все выходные, но в итоге добился классной подготовки текста и кода для векторизации и, собственно, саму векторизацию.

Так что, если кому интересно про векторизацию данных, ставьте лайк, запилю видео, как оно работает.
Итоговый point в Qdrant на скрине...

Пример чанка:

[
  {
    "doc_id": "source/test.md",
    "chunk_id": 0,
    "clean_content": "Cleaned single-line chunk text without line breaks...",
    "vector": [0.123, 0.456, "..."],
    "metadata": {
      "source": "source/test.md",
      "section": "full_doc",
      "type": "text",
      "created_at": "2025-01-01T12:00:00.000Z"
    }
  }
]