Большой момент для Postgres.

AI-инструменты для написания кода до сих пор часто слабо справляются с PostgreSQL.

Не потому что модели тупые, а из-за того, как они вообще обучались писать SQL.

LLM-ы тренируются на интернете, а интернет забит устаревшими ответами с Stack Overflow и «быстрыми гайдами», которые решают проблему здесь и сейчас, но не учитывают эволюцию Postgres за десятилетия.

Поэтому, когда просишь ИИ сгенерировать схему, он выдает что-то, что формально запускается, но проигнорировано куча важных штук:

Нет GENERATED ALWAYS AS IDENTITY (с PG10)
Никаких expression или partial индексов
Нет NULLS NOT DISTINCT (PG15)
Нет CHECK-ов и нормальных внешних ключей
Генерятся безликие имена, которые ничего не говорят

Но это решаемая проблема.

ИИ можно научить писать нормальный Postgres, если дать ему доступ к правильной документации прямо на этапе генерации.

Ровно это и делает свежевышедший pg-aiguide от TigerDatabase — опенсорсный MCP-сервер, который дает инструментам кодогенерации доступ к 35 годам постгресовского опыта.

Если коротко, MCP-сервер позволяет:

Делать семантический поиск по официальному мануалу PostgreSQL (с учетом версий, понимает отличия PG14 vs PG17)

Использовать наборы «скиллов» с мнением по лучшим практикам: дизайн схем, индексация, ограничения

Я прогнал эксперимент в Claude Code, чтобы посмотреть, как это работает, и вместе с командой собрал результаты.

Запрос: «Сгенерируй схему для e-commerce дважды: с MCP выключенным и включенным. Потом оцени и сравни результаты».

Результат с включенным MCP:

На 420% больше индексов (включая partial и expression)
На 235% больше ограничений
На 60% больше таблиц (нормализация)
11 функций и триггеров под автоматизацию
Современные паттерны PG17 по всему проекту

Схема, сгенерированная с MCP, уже на старте имеет нормальную целостность данных, оптимизации под производительность и адекватные соглашения по именованию, которые не стыдно унести в прод.

pg-aiguide работает с Claude Code, Cursor, VS Code и любыми MCP-совместимыми инструментами.

Бесплатный и полностью опенсорс. 👍

А что если дать Клоду возможность сочинять музыку. 😈

Вот первая песня, которую он написал =)

Последний совет по Claude Code в этом году: /usage

«Я сейчас в лимит не врежусь?»

/usage — посмотреть текущие лимиты
/extra-usage — снять ограничения

Сначала узнай свои лимиты. Потом пробей их насквозь.

С наступающим!🎁

Jan-v2-VL-Max-Instruct уже доступен 💛

Новая 30B модель с поддержкой vision-language, расширение линейки Jan-v2-VL. По сути, это эксперимент с “перемешанным” рассуждением внутри Instruct-модели.

Хорошо тянет длинные задачи, не съезжает с контекста, когда всё усложняется. Подходит для ресёрча, многошаговых задач и всего, где нужна выдержка и последовательность.

Можно попробовать тут: http://chat.jan.ai

DeepSeek Moment 2.0 🤔🤔

IQuest-Coder-V1 подъехал: первый open-source кодер 2026 года. 40B параметров, 81.4% на SWE-Bench — выше Claude Sonnet 4.5 и GPT-5.1. За проектом стоит команда основателей китайского хедж-фонда Ubiquant.

IQuest Lab стартовали год агрессивно. Линейка IQuest-Coder-V1 показывает очень хорошие метрики на ключевых кодовых бенчмарках. Флагман с 40B занимает первое место:

- SWE-Bench Verified: 81.4%
- LiveCodeBench v6: 81.1%
- BigCodeBench: 49.9%

Подход к обучению тоже нетривиальный. Они используют Code-Flow Training — по сути, обучение на эволюции репозиториев, истории коммитов и динамических трансформациях кода. Это даёт модели не просто «знать синтаксис», а понимать, как код живёт и меняется в реальных проектах. Loop-варианты поверх этого используют рекуррентный трансформер с общими параметрами между итерациями - экономия ресурсов и прирост эффективности.

Линейка состоит из 7B, 14B и 40B вариантов. Все — с нативным 128K контекстом. Есть версии Instruct и Thinking: Thinking заточены под рассуждения, Instruct — под прикладные задачи и повседневный кодинг.

Факт, что за этим стоят деньги и люди из Ubiquant, намекает на серьёзные ресурсы. Но бенчмарки пока не подтвердили независимые команды. В комьюнити на X реакция восторженная, но с осторожностью, многие спрашивают, «насколько это настоящее, а не тюнинг под метрики».

40B, обгоняющая модели в двадцать раз больше неё, звучит как сказка. Это реальный скачок или просто оптимизация под тесты? Узнаем, когда появятся независимые прогоны.

Источник: huggingface.co/IQuestLab

+ Supabase 🛌

Claude Agent SDK

Тот же цикл агента, инструменты и управление контекстом, на которых работает Claude Code, доступны в виде SDK.

Можно собрать агента, работающего как Claude Code, буквально за десяток строк.

И это только старт. 🥂

При проведении пентеста или security-оценки больше всего бесит не нехватка инструментов, а их разрозненность.

Приходится постоянно прыгать между Nmap, SQLMap, Nuclei, + вручную разбирать кучу результатов сканирования.

Недавно на GitHub попался open-source фреймворк Guardian с довольно интересной идеей: к классическим security-инструментам прикрутили AI-мозг. 👏

По сути, это автоматизированная платформа для пентеста на базе Google Gemini.

Она объединяет Nmap, Nuclei, SQLMap и ещё около 15 популярных security-тулзов, а AI занимается интеллектуальным планированием атак.

Фреймворк автоматически проходит весь пайплайн - от порт-сканирования и веб-разведки до валидации уязвимостей, и даже умеет динамически менять стратегию тестирования на основе полученных результатов.

Есть Docker-образ из коробки со всеми предустановленными инструментами, также поддерживается локальный деплой с кастомной конфигурацией. Потребуется только API-ключ Google Gemini.