PythonTalk

Как вайб-кодинг убивает Open Source 💀 Экономисты построили модель общего равновесия (general equilibrium model) рынка разработки ПО и пришли к выводу, что экономика Open Source тихо сворачивается в трубочку. 1️⃣ Разрыв цепочки вознаграждения Традиционный OSS держится на бартере: вы получаете код бесплатно, мейнтейнер получает внимание. Внимание конвертируется в репутацию, донаты, консалтинг или продажу Enterprise-версий. При Vibe Coding потребление растет, а monetizable engagement (посещение доков, звезды, issues) падает в ноль. AI абстрагирует вас от авторов инструментов. 2️⃣ Кейс Tailwind CSS В пейпере приводят убийственную статистику. Например, загрузки Tailwind растут по экспоненте. При этом трафик на документацию и вопросы на Stack Overflow упали на 80%. Итог: Продукт популярнее, чем когда-либо, а доходы создателя падают в пол. 3️⃣ Петля смерти Модель предсказывает: если тренд продолжится, мы получим рынок "лимонов". — Мейнтейнерам невыгодно поддерживать сложные проекты (нет выхлопа). — Качество библиотек падает. — AI начинает учиться на деградирующем коде. — Снижается качество самого AI. 4️⃣ Эра "AI Slop" Вместо качественного софта мы получаем горы "ИИ-шлака". Репозитории завалены сгенерированным мусором, который выглядит как код, но не поддерживается и не работает. Уже сейчас 20% репортов по безопасности в curl — это галлюцинации AI, на разбор которых мейнтейнеры тратят часы. 💡 Spotify для кода? Авторы предлагают единственный, по их мнению, выход: платформенное перераспределение. Условный OpenAI или Microsoft должны трекать, чьи библиотеки использовал их агент при генерации, и отчислять роялти авторам. Как Spotify платит музыкантам за прослушивания. Альтернатива — схлопывание экосистемы, на которой эти же AI и обучаются. 🔗 Читать исследование

Дарио Амодей (CEO Anthropic) выкатил манифест «Технологическое совершеннолетие». В нем Амодей описывает концепцию «Страны гениев в дата-центре», и там есть несколько интересных тезисов (в целом, стандартных для Амодея). 1️⃣ Лучшие инженеры больше не пишут код Амодей прямым текстом заявляет: в Anthropic одни из самых сильных инженеров в мире уже передали написание почти всего кода нейросетям.

"...some of the strongest engineers I’ve ever met are now handing over almost all their coding to AI."

2️⃣ Петля обратной связи замкнулась: ИИ пишет ИИ AI теперь пишет код для создания следующего поколения AI.

"This feedback loop... will accelerate rapidly in the coming months."

Раньше узким горлышком были люди-разработчики. Теперь узкое горлышко — это только поставки чипов и электричество. Скорость прогресса отвязалась от человеческого фактора. 3️⃣ 50% офисного планктона — на выход Амодей подтверждает свой прогноз 2025 года: 50% всех entry-level white-collar jobs (включая джунов-программистов) будут вытеснены в ближайшие 1-5 лет. Логика простая: если модель пишет код на уровне "очень сильного сеньора", то зачем бизнесу джун, который тратит 4 часа на то, что модель делает за 30 секунд? 4️⃣ Прогноз развития интеллекта Амодей прогнозирует появление "Powerful AI" (умнее нобелевского лауреата во всех дисциплинах, включая программирование) к 2026-2027 году. Он прямо говорит:

"Soon, they may do the entire task of a software engineer end to end."

Не просто написать функцию, а сделать всю работу: от деплоя и настройки окружения до фикса багов в продакшене. И что же с этим делать? 😱 Амодей подчеркивает: AI бьёт не по профессиям, а по уровню когнитивных способностей. Он вытесняет середнячков. Чтобы остаться в игре, нужно быть либо узкоспециализированным экспертом (которого AI пока не на чем учить), либо архитектором, который управляет "страной гениев в дата-центре". А со временем когнитивная широта ИИ позволит ему заменять не конкретные скиллы (как станок заменил ткача), а человека как универсальную рабочую единицу. Такие дела. Мне было бы интересно почитать аргументированные точки зрения признанных авторитетов с противоположным мнением, но таких пока не нахожу 😅

🕵️‍♂️ LinkedIn теперь следит, как ты вайбкодишь. LinkedIn запартнерился с Replit, Descript, Lovable (и скоро подтянется GitHub). Эти сервисы будут анализировать, как именно вы нажимаете кнопки, пишете код и промптите. Сервисы анализируют, как именно вы используете их продукт (результаты, сложность промптов, паттерны работы с кодом) и формируют сертификат При этом система нацелена на подтверждение навыков работы с AI-агентами и инструментами генерации кода. По сути, LinkedIn признает «вайб-кодинг» полноценным профессиональным навыком, который требует объективной оценки через метрики самих платформ разработки. Ждём, когда Госуслуги будут трекать, какой вы говнокод пишите в своих IDE 🤣

🧑‍💻 Карпаты выбросил клавиатуру. Ну почти. Андрей Карпаты опять выкатил базированную рефлексию о том, как Claude и агенты перепахали его рабочий процесс за последние время. Вот его основные тезисы: 1️⃣ Смена парадигмы: 80/20 в обратную сторону Если недавно Карпаты писал 80% кода руками (или с автокомплитом). То сейчас отношение зеркально перевернулась: 80% пишет агент, 20% — его правки и «дошлифовка». Он буквально программирует на английском, диктуя LLM, что делать. Эго инженера страдает, но профит в скорости слишком велик, чтобы его игнорировать. 2️⃣ Эффект «тупого джуна» Забудьте про синтаксические ошибки. Модели косячат на концептуальном уровне. Основные проблемы: — Делают ложные предположения за вас и не переспрашивают. — Не умеют в «менеджмент замешательства»: не просят уточнений, не подсвечивают противоречия. — Оверинжиниринг. Могут нагородить 1000 строк хрупкого и раздутого кода там, где нужно 100. Им нужно буквально бить по рукам: «А можно попроще?» — «Конечно!», и код сокращается в 10 раз. 3️⃣ Атрофия навыков Карпати признает: навык написания кода (generation) начинает деградировать. Навык чтения и анализа (discrimination) остается. И это опасная ловушка для новичков. 4️⃣ Выносливость — новое бутылочное горлышко Агенты не устают и не деморализуются. Там, где человек сдался бы после часа безуспешного дебага, агент будет долбить стену 30 минут и в итоге выйдет победителем. Стамина — это узкое горлышко человеческого интеллекта, которое ИИ расширяет до бесконечности. 5️⃣ Слопапокалипсис 2026 Прогноз на следующий год: весь интернет завалит ai-слопом. Имитация бурной деятельности выйдет на промышленные масштабы, а сгенерированный шлак будет повсюду. 🧠 Новый стек для всех: Declarative Programming Вместо того чтобы говорить «как делать» (imperative), нужно переходить к «какой результат нужен» (declarative). Пишите тесты, ставьте критерии успеха и заставляйте агента крутиться в цикле, пока он их не пройдет. А у вас сейчас какой процент кода, написанного агентами? Пишите в комменты 👇

🤖 Kimi K2.5: Опенсорс отрастил глаза и собрал армию Китайцы из Moonshot AI выкатила обнову для своей модельки — Kimi K2.5. Что получилось интересного? 1️⃣ Visual Agentic Intelligence Мы привыкли, что LLM читает код. K2.5 — смотрит на результат выполнения. Модель натренирована на 15T токенов (смесь текста и визуала). В чем киллер-фича? Visual Debugging. Ты просишь сделать UI. Модель пишет код, рендерит его, видит, что кнопка уехала на 5 пикселей или анимация дергается, и сама правит код, основываясь на визуальном инпуте. Можно скидывать скрины багов или диаграммы архитектуры, и модель будет понимать контекст лучше, чем раньше. 2️⃣ Agent Swarm: Рой вместо солиста Вот это уже серьезно. K2.5 умеет спавнить до 100 саб-агентов под одной задачей. Это не последовательная цепочка (Chain-of-Thought), где ошибка на шаге 1 ломает всё. Это параллельное выполнение. Как это выглядит на практике: Вы даете задачу: "Проанализировать легаси-модуль, написать тесты и отрефакторить под новый API". Оркестратор (главный агент) делит задачу и запускает рой: — Агенты А1-A10: парсят документацию. — Агенты B1-B20: пишут юнит-тесты. — Агент C: пытается собрать все это и не сойти с ума. По их тестам, это сокращает время выполнения (wall-clock time) в 4.5 раза по сравнению с одним агентом. 3️⃣ Kimi Code & Tooling Они не стали запирать это в чат-бот. — Работает прямо в терминале и интегрируется в VSCode/Cursor. — Поддерживает MCP (Model Context Protocol) — значит, можно подцеплять свои инструменты. — Интеграция с IDE позволяет модели "смотреть" на ваш экран, что возвращает нас к пункту 1. 📊 Бенчмарки В бенчмарке SWE-Bench Verified (стандарт для AI-программирования) K2.5 показывает результаты на уровне GPT-5.2 и Claude 4.5 Opus. В задачах Visual Coding (превращение видео/картинки в рабочий код) — заявляют лидерство. Модель опенсорсная, веса доступны. Подписка на Kimi Code стоит 19 баксов, но мы то вчера в Точке Сборки не зря посмотрели на очень похожий GLM Coding Plan, который в несколько раз дешевле 🌝

Релиз Qwen3-Max-Thinking 🧠 Ребята из Alibaba выкатили обновление своей флагманской модели. Если Qwen3-Max (с его 1 трлн параметров) был просто огромным «мозгом», то версия Thinking — это тот же мозг, который научили критически мыслить через жесткий Reinforcement Learning. Чем она хорошо? 1️⃣ Test-time Scaling: Умный брутфорс Вместо того чтобы просто выдавать несколько вариантов решения и выбирать лучший (как делают обычные модели). Модель не просто генерит N вариантов, а «рефлексирует» над ошибками предыдущих шагов, используя механизм take-experience. Это позволяет не наступать на те же грабли в рамках одного контекстного окна. Результат: более эффективное использование токенов при решении сложных алгоритмических задач. 2️⃣ Adaptive Tool-Use Модель теперь сама решает, когда ей нужен Code Interpreter, а когда поиск. Раньше это часто требовало внешнего скаффолдинга или явных промптов. Теперь это на уровне нативной "чуйки" модели. Для нас это значит меньше галлюцинаций в коде — если модель сомневается в синтаксисе или результате, она его исполнит и проверит. 3️⃣ Киллер-фича: Совместимость с Claude Code Вот это действительно "мякотка". API Qwen теперь полностью совместим с протоколом Anthropic. Вы можете использовать Qwen3-Max-Thinking как бэкенд для Claude Code. Учитывая, что токены Qwen сильно дешевле, то это прямой путь к снижению костов на разработку без потери качества. Бенчмарки: — LiveCodeBench v6: 85.9 (Обходит DeepSeek V3.2, чуть отстает от GPT-5.2 с его 87.7). — SWE Verified: 75.3 (Решение реальных GitHub-issue). Для сравнения, Gemini 3 Pro — 76.2. 🐍 Как потыкать Питоном API совместим с OpenAI, так что велосипед изобретать не надо. Обратите внимание на флаг enable_thinking.

    
        from openai import OpenAI
import os

# Используем SDK OpenAI, но стучимся к Qwen
client = OpenAI(
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    base_url="https://dashscope-intl.aliyuncs.com/compatible-mode/v1",
)

completion = client.chat.completions.create(
    model="qwen3-max-2026-01-23",
    messages=[
        {'role': 'user', 'content': 'Напиши асинхронный краулер на Python с использованием aiohttp и lxml.'}
    ],
    # Включаем режим "думателя"
    extra_body={"enable_thinking": True}
)

print(completion.choices[0].message.content){}
    

Можно и в чатике попробовать 📱

🛑 "Я инженер с 15-летним опытом в Кремниевой долине, и я больше не пишу код" Звучит как кликбейт от очередного инфобизнесмена? Нет, это точка зрения из интересного трехчасового подкаста с Даулетом Жангузиным (ex-Microsoft, Google, Lyft, сейчас Groq). Советую посмотреть, там о том, как реально работают топовые инженеры, пилящие LLM-инфраструктуру. Вот самые интересные инсайты: 1️⃣ Смерть программиста, рождение дирижера Написание кода руками перестало быть конкурентным преимуществом. Сейчас самый продуктивный разработчик работает на двух краях пайплайна: он создает архитектуру (Design) и занимается верификацией (Code Review). Все, что между, пишут ИИ-агенты (Claude Opus, Codex). Ты больше не программист, ты — менеджер бесконечной толпы бесплатных джунов, которые не выгорают и не требуют повышения зарплаты. Если ты не умеешь дирижировать этим оркестром, ты проигрываешь в скорости в 10 раз. 2️⃣ Эпидемия вайб-кодеров Из п.1 вытекает главная проблема текущего найма: толпа новичков, которые не знают базу, но лихо скармливают промты в Cursor и деплоят приложения. Как это выглядит на практике: ИИ генерирует тебе отличный фронт и бэк, но проверку пароля хардкодит на клиентской стороне в JS. Любой школьник открывает консоль браузера и ломает твою "безопасность". Без фундаментальных знаний джун не способен заметить этот архитектурный кринж. Нейронки сделали сеньоров в 10 раз быстрее, но совершенно не помогают джунам. 3️⃣ Жестокая правда про Python в Ultra-High-Load Исследователи любят Python за простоту, но для продакшена и высокого инференса это часто мусор. В Groq и Cohere работа Даулета часто заключалась в истреблении Python и замене его на Rust или Go. Rust — новый король. Почему? Потому что его компилятор ловит галлюцинации нейросетей. Если AI принес тебе код на Rust, который скомпилировался — он, скорее всего, рабочий. Python же «сожрет» любую дичь и упадет только в рантайме под нагрузкой. А интерпретируемый язык и GIL не прощаются там, где лишние 100 мс задержки стоят компании 1% выручки. Рекомендации? 🤔 Инвестируйте в понимание систем, как общаются агенты, предметной области. А фронтенд — вообще решенная проблема, можно даже туда не смотреть. Согласны?

Рубрика "Шутки за 300" 🤡 Знаете, как называется программист, который любит смотреть, как нейронки пишут за него код?