Что, если индекс не нужно создавать вообще? Знакомимся с iHeap — альтернативным методом доступа к таблицам PostgreSQL, где BRIN-индексирование встроено «из коробки» и работает автоматически для всех подходящих столбцов.

Начнём с того, что я всегда хотел писать статьи. Прямо всегда — и по‑своему любил. Первую профессиональную написал году в 2009-м, когда только стартовал в интернет‑маркетинге: на фрилансерском сайте была возможность вести блог, и я расписывал там про клиентский сервис для фрилансера. Семнадцать лет назад. Потом были ещё — почти всегда профессиональные: ну что поделать, есть такая личностная потребность — рассказывать про свой опыт тем, кому он может пригодиться.

В статье я разбираю практический ремонт FPV-вупа после очередного краша: заменяю штатные моторные провода, организую соединения так, чтобы моторы было проще паять и обслуживать, меняю поврежденную раму и проверяю работу силовой части в Betaflight. Заодно показываю полноценное обслуживание бесколлекторных моторов: как диагностировать большую разницу оборотов, разобрать мотор, снять стопорное кольцо, очистить его от волос и другого мусора и собрать обратно. В конце - несколько практических советов по охлаждению вупа при настройке, безопасной проверке моторов и фиксации VTX-антенны, чтобы следующий ремонт понадобился как можно позже.

Кто лучше справляется с советскими загадками на внимательность — Qwen, Grok или человек? Сравнили две классические головоломки и получили любопытные результаты.

Почему обычный выключатель света вообще способен участвовать в математической логике?

Звучит как странный вопрос, правда? А ответ на него дал один студент в 1937 году и с тех пор мы буквально живём в мире, который он, по сути, спроектировал.

Это четвёртая статья цикла “Код как борьба: Кратчайшая история IT”. И, как я обещал в прошлый раз, сегодня будет заметно легче - никакой личной трагедии, как у Тьюринга, никакой атомной бомбы, как у фон Неймана. Сегодня у нас жонглирующий гений с механической мышью. Но начнём мы, как обычно, с чего-то серьёзного.

В первой части мы разобрали, как Dart отличает число от объекта, а во второй – как убирается молодое поколение. Там все держалось на одном приеме: живых переносим в соседнее полупространство, а всю старую половину выбрасываем целиком.

Почему в старом поколении переезд не подходит

В молодом поколении все было просто – отбрасываем мертвые объекты и забываем про них, в старом поколении все по-другому. Для старого поколения такая операция слишком дорогая. Количество живых объектов больше, чем неживых, а это значит, что нам бы пришлось копировать почти всю память с места на место. Также необходимо было бы держать вторую половину пространства запасам такого же размера как и занятую часть полупространства. Для решения этой проблемы существует mark-sweep (Пометка-очистка).

Привет, Хабр! Мы "Исходный Код", и сегодня хотим поделиться нашим опытом построения и перезапуска медиастратегии IT-компании.

Когда мы начинали 4 месяца назад, перед нами стоял типичный для рынка вызов: построить экспертный статус, раскачать охваты, наладить перфоманс в бренд-медиа и, самое главное, привлечь сильных специалистов в команду через контент. Мы стартовали буквально с нуля на конкурентном рынке.

В статье - детальный разбор: что сработало, где мы слили бюджет, как адаптировались к блокировкам, какие цифры получили по каждой площадке и к каким выводам пришли к чекпоинту в 4 месяца.

Недавно я наткнулся на историю Оскара Ланского, который решил проверить, насколько внимательно сегодня читают резюме.

Он составил CV дата-аналитика, только вместо нормального опыта добавил туда чесание пузиков капибар и анализ их дневного сна. Затем отправил 100 откликов и, по его словам, за неделю получил 40 приглашений.

Сначала я подумал, что это просто удачный байт для соцсетей. Но рядом нашлись истории ещё веселее.

В резюме начали записывать лидерство в клане Clash of Clans как управленческий опыт. В LinkedIn упоминают даже проваленные собеседования в Goldman Sachs: расчёт на то, что автоматический фильтр зацепится за название компании раньше, чем разберётся, чем всё закончилось. Собеседники «Коммерсанта FM» подтверждают, что некоторые системы действительно поверхностно сканируют анкеты и подобные трюки иногда помогают добраться до следующего этапа. 

Сразу оговорюсь: из этого не следует, что любой современный ATS можно победить капибарой. Системы отличаются, а за каждым конкретным экспериментом мы не видим настройки работодателя. Но сама игра уже существует: кандидат пытается угадать, что понравится машине раньше, чем его резюме увидит человек.

В два часа ночи ты упираешься в лимит модели. Сессия на середине, мысль на середине, и до сброса окна ещё полтора часа. Ты сидишь и смотришь в терминал, где написано, сколько ты потратил токенов, сколько это стоило в долларах и сколько процентов контекста съедено.

Чего там не написано — что прямо сейчас ещё шестеро сидят и ждут того же сброса. И четверо из них тоже глубоко за полночь.

Про это и получился инструмент. Одна строка в статуслайне Claude Code:

Раскатка обновлений INTEKEY WMS больше не зависит от того, у кого сегодня открыт SSH и кто помнит, какая сборка где стоит. Мы создали оркестратор, который берёт на себя весь цикл: сборку, проверки, раскатку по стендам, точки отката и отчётность. Ниже как он устроен.

В прошлой статье я разбирала пять искажений, которые мешают пользователю пройти по интерфейсу. Эта — про четыре других, которые мешают тому, кто интерфейс делает.

Статья рассчитана как на людей, близких к IT и ИБ, так и на тех, кто далек от этих областей. Автор постарался подробно разобрать каждый шаг: почему было принято то или иное решение, на какие признаки он опирался и где искать дополнительную информацию по теме.

Итак, в этой статье взламываем уязвимую машину Messenger, а точнее — проводим эксплуатацию цепочки из двух базовых уязвимостей и реализацию двух бизнес-рисков: «Получение доступа к корпоративной переписке разработчиков городского мессенджера» и «Получение ключа шифрования городского мессенджера».

В предыдущих статьях серии было показано, как использовать функциональность FEB_FILE_HANDLING в качестве единой точки входа для импорта банковских выписок в SAP независимо от канала их получения — через прямые сервисы коммуникации с банковскими системами или файлы из систем «Банк-клиент» — и от используемого формата: XML или текстового. Также была рассмотрена классическая схема импорта промежуточных выписок в течение дня с созданием платёжных авизо для обновления данных финансовой диспозиции, или денежной позиции.

ИИ уже умеет генерировать Ansible-плейбуки, собирать роли, искать ошибки и помогать с рефакторингом. Но между «модель написала YAML» и «это можно пускать в прод» всё ещё лежит несколько обязательных проверок.

Разбираемся, как использовать Claude, ChatGPT, Copilot и другие ИИ-инструменты для работы с Ansible: как составлять промпты, проверять синтаксис и идемпотентность, работать с секретами и не превращать ускорение разработки в новый источник инцидентов.

Привет, я основатель издательства детских книг Rabbits and Books. На складе Wildberries сгорел наш тираж больше чем на 3 млн рублей, и мы лишились трети годового оборота. После пары постов в соцсетях нам позвонили из Сбера и предложили бесплатно сделать интернет-магазин. И уже через 2 недели команда Сбер2В Онлайн-продаж запустила полностью рабочий сайт с настроенной оплатой и доставкой. Сейчас расскажу, как мы автоматизировали заполнение карточек товаров и получили 700 тысяч рублей за первые пять дней работы сайта:

Документы надо отдать наружу, персональные данные из них убрать: фамилии, телефоны, адреса, подписи. Всё в закрытом контуре, без интернета, на одной машине с одной видеокартой.

С фамилиями я разобрался за неделю. С подписями за полтора месяца, и половина времени ушла на то, чтобы похоронить очевидные решения.

В async Rust одна неудачно взятая блокировка может остановить весь рантайм — вместе с таймерами и задачами, которые должны были её отпустить. Разберём пять типичных ловушек с Mutex и RwLock и посмотрим, почему привычки из синхронного кода здесь дают сбой.

Вполне реально, по крайней мере, у нас получилось перевести команду из 300 человек к системной работе с ИИ. 

Под катом рассказываю, как десятки разрозненных идей превратились в портфель проектов, как у нас появилась фабрика экспертов и как мы за шесть месяцев довели восемь решений до прода. Про инструменты трансформации, наши ошибки и управленческие решения там тоже есть. Заглядывайте, если интересно.

Привет, Хабр! Уже несколько месяцев я в роли подопытного кролика автора работаю с редакцией МТС через их сервис TeamStream: через него мне приходят правки, «развивающая обратная связь» и мнение редактора о написанном тексте. Я рассказывал о первых впечатлениях и переходе на работу с короткими видеороликами. 

В рабочей видеотеке быстро наступает момент, когда записей становится больше, чем времени у людей. Созвоны, фидбэки, инструкции, разборы задач со временем превращаются в архив, который лежит мертвым грузом. MWS предлагает решить эту проблему через MCP: дать доступ к записям внутри TeamStream ИИ-ассистенту и позволить ему искать и обрабатывать нужные фрагменты. Что ж, отличный повод попробовать это в деле.

В этом посте покажу, как превратить видеотеку в рабочую базу знаний. Для этого разберу пять кейсов — от инвентаризации и поиска по содержанию до сводки сразу по нескольким записям. 

У Spring за один день вышел 91 CVE — больше, чем за весь прошлый год, — и нашел их в основном AI-сканер. Oracle впервые за двадцать лет выпустила патч безопасности вне квартального цикла. А еще уже совсем скоро (15 сентября) выходит JDK 27. Обо всем этом и не только рассказываем в свежем выпуске 🙂

В данном тексте я выполнил обзор одного широко известного и очень распространенного мультиметра модели XDM1241.

При тестировании электронных плат часто надо делать множество однообразных измерений напряжений. Например для проверки линейности ADC пинов на автомобильных ECU. Чтобы исключить человеческий фактор надо автоматизировать данную задачу.

В этом тексте я показал как опрашивать мультиметр по последовательному порту без использования лицевого HMI.

Два отчёта показывают один показатель за один период. Название одинаковое, подразделение выбрано одно и то же, но значения различаются. В этот момент обсуждение часто сводится к поиску «неправильной цифры»: аналитики проверяют формулы, разработчики перезапускают загрузку, пользователи сравнивают выгрузки вручную.

Проблема в том, что совпадения названия, периода и формулы недостаточно. Один отчёт может считать текущее состояние объектов, другой - события за период. Один использовать время совершения операции, другой - время загрузки записи. Один пересчитывать историю после исправлений, другой хранить опубликованный срез. Оба расчёта при этом могут быть технически корректными.

В проектах с BI-отчётностью я работал с контуром, где данные проходили путь от операционных систем и общей базы через API и выгрузки к ручной обработке, отчётам и справкам. При такой схеме итог зависит не только от SQL-запроса. На него влияют состояние источника, дата среза, справочники, правила исключения, ручные преобразования и момент обновления каждого звена.

Поэтому расхождение лучше расследовать не как спор двух чисел, а как сравнение двух воспроизводимых расчётов. В этой статье разберу, из каких слоёв состоит показатель, как локализовать различие и что изменить в аналитическом контуре, чтобы одинаковая бизнес-метрика не реализовывалась заново в каждом отчёте.

У небольшого бизнеса с рекламой всё довольно просто. Есть 500 тысяч рублей. Их нужно потратить так, чтобы получить клиентов дешевле той суммы, которую бизнес на них заработает. Нашли блогеров, запустили рекламу, посчитали заявки и продажи. То, что сработало, закупаешь повторно, то, что не сработало, убираешь. Логика прозрачная и управляемая.

А теперь представим, что компания выросла и вместо 500 тысяч ей нужно эффективно тратить 50 миллионов рублей в месяц. Взять рабочую кампанию и просто умножить бюджет на сто не получится: лучшие площадки заканчиваются, у сильных блогеров заканчиваются рекламные слоты, аудитории начинают пересекаться, а самые очевидные покупатели уже собраны. Каждый следующий миллион размещать с прежней эффективностью становится труднее — performance при этом продолжает работать, просто дальше одного его перестаёт хватать.

В данной статье рассмотрим попытку использования решения Kaspersky Web Traffic Security (KWTS) в качестве обратного прокси (Reverse Proxy). Такой вариант использования не является стандартным и описанным в документации, поэтому данная статья может быть полезной для тех, кто уже выбрал это решение или планирует его использовать в качестве обратного прокси.

Сценариев применения много – например, таким образом можно защитить внутренние ресурсы от внешних атак, основанных на вредоносных файлах. Основная фишка KWTS – это база файловых угроз, которая регулярно обновляется и пользуется заслуженной популярностью. Протокол ICAP позволяет использовать решение в разных сценариях. Я не буду сравнивать другие решения, позволяющие реализовать такой функционал: их безусловно много. Сфокусируюсь только на возможностях именно решения KWTS, проверю его в деле, и покажу, что оно работает как ожидалось. Статья содержит инструкцию по установке, примеры конфигов и результаты проверки решения файлами с «вредоносами». Также будут отмечены некоторые особенности и «неудобства».

Всем привет! С вами снова я, тимлид команды разработки «Графини» Павел Мирошин. Надеюсь, вы успели отдохнуть и не слишком грустите по ушедшему лету. Я вот не успел — трудился над новым релизом. Но оно того стоило.

Этот маленький промежуточный релиз с летним вайбом — 2026H1.1 «Салон» — скрывает в себе очень важную и долгожданную фичу: «Алертинг» или, по-нашему, «Оповещения». Мы не стали копировать решение у наших зарубежных коллег, а разработали своё видение этого сервиса.

Под катом обзор этого функционала, а также рассказ о других обновлениях релиза.

Поступление в вуз меняет не только расписание. Для многих это первый самостоятельный переезд, поиск работы и необходимость решать бытовые задачи без родителей. Вместе с этим меняется и структура спроса.

Мы в Авито Рекламе сравнили поведение школьников, студентов и их родителей в начале учебного года и посмотрели, какие категории растут вместе с переходом на новый жизненный этап. Данные показывают: за одним очевидным запросом часто следует целая цепочка смежных потребностей.

Прочитать содержание QR кода невооружённым глазом можно, но весьма непросто. Поэтому лучше ещё при создании QR кода разместить внутри него визуальную информацию для людей, например, чтобы и без телефона было понятно, куда ведёт этот код.

Введение: Почему я решил «сидеть на попе ровно» и что из этого вышло

Зачем аналитику и архитектору AI-агент, а не просто чат в браузере  

Дошли руки распробовать такой  инструмент как OpenCode. С искусственным интеллектом через браузер я, как все, давно балуюсь и небалуюсь. Почти сразу возникла необходимость в инструменте, который не просто отвечает на вопросы и советует как опытный специалист, но и сам что-то делает на компьютере.

Браузерный ИИ сначала вызывал море восторгов и реальный прирост личных компетенций, с помощью него я решил много своих задач, но, достаточно быстро, он дал мне, человеку, почувствовать себя мартышкой при ИИ. Все его советы и подсказки мне приходилось реализовывать моими руками методом контролцэ-контролвэ. Одно копируешь, в терминал вставляешь, другое в файл размещаешь, шаришься по каталогам, открываешь и запускаешь файлы, ему обратно выдачу с терминала и принтскрины с файлами передаёшь.

Перевод интерфейса меняет текст, но сам по себе не создаёт отдельную языковую страницу. Один адрес /search/music может показать английский или русский интерфейс в зависимости от client state, cookie или настроек браузера. URL при этом остаётся тем же.

Для поисковой индексации языковые версии удобнее разделить адресами:

У маркетолога давно есть ИИ. Только работает он курьером между вкладками.

Сначала нужно обсудить с моделью аудиторию, затем открыть Wordstat, Директ, Метрику и Яндекс Аудитории. Собрать цифры, перенести их обратно в чат, снова объяснить контекст — и повторить цикл для следующей задачи.

Мы объединили эти сервисы в одном окне Cursor. Агент получает данные через API и помогает в пяти процессах: анализе аудитории и JTBD, сборе семантики, подготовке объявлений, еженедельной оптимизации и ретаргетинге. Перед записью он согласовывает будущие изменения, запускает dry‑run и ждёт решения человека.

6 сентября 2026 года исполняется пять лет с момента запуска программы Бета-тестирования ОС Аврора. За это время закрытое сообщество из первых 10 участников выросло до 700 человек из 17 городов России. А общее количество заявок на участие в программе сегодня превышает 25 тысяч. Бета-тестеры пробуют новые версии операционной системы и других продуктов платформы Аврора, участвуют в UX-исследованиях, первыми тестируют устройства и приложения партнеров, и помогают делать ОС Аврора удобнее.

Если у вас когда-нибудь ломалась SD-карта, то вы знаете, как обычно решают эту проблему: снова попробовать вставить её в фотоаппарат, сменить кард-ридер, проверить на другом компьютере и, если вообще никто её не обнаруживает, признать карту мёртвой.

Но почему она умерла?

Это уже гораздо более интересный вопрос, потому что смерть SD-карты необязательно означает смерть памяти NAND, и совершенно не подразумевает потерю хранящихся на карте данных.

Монолитные SD-карты особенно любопытны тем, что бóльшая часть их электроники заключена в один сплошной корпус. Нельзя просто взглянуть на плату и сразу же распознать контроллер, чипы NAND, конденсаторы, резисторы и другие элементы, из которых состоит традиционное флэш-устройство.

Недавно нам встретился прекрасный пример этого. Переданная клиентом SD-карта SanDisk Ultra 32GB ничем не распознавалась. Изначально казалось, что потребуется сложное восстановление флэш-памяти, но в результате всё свелось к двум микроскопическим компонентам, спрятанным внутри карты. Я решил, что это будет подходящей возможностью продемонстрировать процесс восстановления.

Представьте себе систему, которая позволят собрать разных ИИ‑агентов в команду и дать им задачу, над которой они будут работать вместе. Каждый агент будет делать то, в чем лучше всего разбирается. Это называется ИИ‑оркестрацией.

Сегодня мы поговорим о том, что такое ИИ‑оркестратор. И чем он реально полезен.

Ответим на главные вопросы:

Чем оркестратор отличается от обычного агента? Как устроены мультиагентные системы? Где оркестраторы работают хорошо — и где не очень?

Чтобы всё ещё ощущать себя человеком, по выходным я пишу код вручную.

Недавно я поставил перед собой задачу создания интерпретатора в 512 1024 байта старого доброго кода на C. И да, без хитростей с макросами и библиотеками.

def buzz():
for n in range(101):
if n % 15 == 0:
print("FizzBuzz")
else:
if n % 3 == 0:
print("Fizz")
else:
if n % 5 == 0:
print("Buzz")
else:
print(n)
buzz()

Наверно, мне не удастся уместить весь язык Python в интерпретатор такого размера. Так что же можно уместить в этот код?

Эта программа fizzbuzz явно выглядит, как Python. В ней есть def, двоеточия, отступы и отсутствуют скобки в операторах if. Мне кажется, это вполне походит на Python! Разумеется, наряду с использованием только подмножества синтаксиса придётся добавить и другие ограничения.

Но моя первая попытка оказалась неудачной.

Продолжаем обзор причудливых, неудобных и временами откровенно дурацких технологий, которые были обречены на забвение. (Хотя некоторые опережали время).

В статье - практический кейс создания корпоративного RAG-сервиса для поиска по внутренним регламентным и нормативным документам. Мы прошли путь от стандартного пайплайна на n8n и Qdrant до гибридной архитектуры с BM25, embeddings, RRF, reranking, структурным chunking и обработкой сложных таблиц и документов. Отдельно разбирается, почему обычная нарезка текста плохо работает на нормативных документах, как мы использовали Natasha, словари корпоративных терминов и мультимодальные модели, а также как построили систему измерения качества через Arize Phoenix и LLM-as-a-Judge. Показаны реальные результаты A/B-теста с реранкером по 9 метрикам с объяснением, почему в production-RAG важнее не «самая умная LLM», а качество подготовки документов, retrieval и воспроизводимая оценка изменений.

Представим ситуацию: у вас есть примитивное веб-приложение онлайн-редактора, которое уже набрало среднюю нагрузку под 100 RPS. И вы, как тимлид, дождались того самого дня, когда вся кропотливая работа над обновлением и бессонные ночи наконец завершились.

Настал момент релиза.

Вы радуетесь, что пользователи вашего приложения станут ещё счастливее. Они доверяют вашему сервису свои важные задачи, а вы расширите их возможности и сделаете их жизнь ещё немного лучше.

И вот момент.

3, 2, 1…

Релиз состоялся.

Вы рады. Ваши коллеги тоже рады. Всё прошло успешно.

Но спустя некоторое время к вам заходит начальство с максимально неприятным выражением лица...

Пока компании тратят миллиарды долларов на создание все более умных языковых моделей, один стартапер двинулся в противоложном направлении. Он запустил чат-бот, в котором вообще нет искусственного интеллекта. Никаких LLM, алгоритмов машинного обучения и автоматической генерации ответов. Пользователь пишет вопрос в обычное окно чата, ждет ответа, а на другом конце ему отвечает человек.