Giiker Super Reversi (Рубрика #Game)
На каникулах с удовольствием поиграл в reversi от Giiker (про трехмерную игру 4 в ряд от них я уже рассказывал). По-факту, новая игрушка примерно того же качества и настолько же интересна - это полноценная настолка в форме цилиндра, причем его безель крутится и используется для управления игрой. Само игровое поле представляет собой доску 8x8, на которой светодиодами отображаются зеленые и белые фишки, сама система автоматически проверяет расстановку + подсвечивает возможные ходы. Всего режимов работы три
🤖 Одиночная игра против AI - отличный способ прокачать стратегическое мышление, когда никого нет рядом.
👬 Игра вдвоём - классический режим для партий с друзьями или коллегами. Умная доска отслеживает корректность ходов и автоматически подсвечивает доступные позиции.
🧐 Режим обучения - в этом режиме можно разыграть учебные партии, которые усложняются по мере роста номера задачи. Так как я не знал правила реверси (а китайская инструкция не помогала), то я начал играть с этого режима и достаточно быстро уловил как базовые правила, так и базовые тактики:)
Отдельно отмечу, что для выбора позиции надо вращать кольцо этой игры, что добавляет этой игрушки механичекую составляющую и придает ощущение хорошо собранной вещи. В общем, я ни разу не пожалел, что купил эту игрушку и взял с собой в поездку - очень интересная игрушка, а на высоких уровнях еще и достаточно сложная.
#ForKids #ForParents #SelfDevelopment #Brain
На каникулах с удовольствием поиграл в reversi от Giiker (про трехмерную игру 4 в ряд от них я уже рассказывал). По-факту, новая игрушка примерно того же качества и настолько же интересна - это полноценная настолка в форме цилиндра, причем его безель крутится и используется для управления игрой. Само игровое поле представляет собой доску 8x8, на которой светодиодами отображаются зеленые и белые фишки, сама система автоматически проверяет расстановку + подсвечивает возможные ходы. Всего режимов работы три
👬 Игра вдвоём - классический режим для партий с друзьями или коллегами. Умная доска отслеживает корректность ходов и автоматически подсвечивает доступные позиции.
Отдельно отмечу, что для выбора позиции надо вращать кольцо этой игры, что добавляет этой игрушки механичекую составляющую и придает ощущение хорошо собранной вещи. В общем, я ни разу не пожалел, что купил эту игрушку и взял с собой в поездку - очень интересная игрушка, а на высоких уровнях еще и достаточно сложная.
#ForKids #ForParents #SelfDevelopment #Brain
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
❤7⚡2🔥2👏1
[1/2] Atlassian "State of Developer Experience 2025" (Рубрика #DevEx)
Изучил интересный отчет от Atlassian на тему DevEx, который вышел в прошлом году. Интересно, что это уже второй отчет, из серии, которую они запустили в 2024 году совместно с тогда еще независимой компанией DX (осенью 2025 года Atlassian купили эту компанию за $1 млрд). Исследование было построено на онлайн-опросе, в котором поучаствовали 3500 разработчиков и менеджеров из шести стран: США, Великобритании, Германии, Франции, Австралии и Индии. Опрос был проведён совместно с независимой фирмой Wakefield Research в период 13–23 марта 2025 года. Выборка разделена поровну по ролям: 1 750 респондентов – руководители (не ниже уровня менеджера разработки), и 1 750 – инженеры. Участники были привлечены по приглашениям по электронной почте.
Ниже представлены основные результаты
🤖 Широкое внедрение AI-инструментов
Практически все опрошенные разработчики (99%) теперь используют инструменты искусственного интеллекта и отмечают экономию времени, причём 68% экономят более 10 часов в неделю благодаря их применению. Для сравнения, в предыдущем отчёте 2024 года большинство разработчиков ещё не видели ощутимой выгоды от AI – прогресс за год оказался драматичным.
🚀 Использование высвобожденного времени
Сэкономленные с помощью AI часы идут в дело: разработчики уделяют их улучшению качества кода, созданию новых функций и написанию документации. Такое перераспределение ресурсов говорит о том, что инженеры стремятся направить пользу от AI на повышение ценности продукта (рефакторинг, развитие функционала) и поддержку команды (документация, knowledge sharing).
🤡 Несмотря на выгоды, сохраняются большие потери времени
ИИ ускоряет выполнение отдельных задач, однако организационные неэффективности сводят на нет эти выигрыши. 50% разработчиков теряют 10 и более часов в неделю из-за различных friction-факторов, а 90% – не менее 6 часов еженедельно. Иными словами, в среднем каждый разработчик столько же времени теряет из-за помех, сколько и выигрывает благодаря ИИ.
👾 Главные источники трений в процессе разработки
Поиск необходимой информации (данные о сервисах, документация, API), необходимость осваивать новые технологии и постоянное переключение контекста между разрозненными инструментами – топ-3 факторов, отнимающих время у инженеров. Взаимодействие с другими командами также вошло в пятёрку главных препятствий, тогда как технический долг, лидировавший ранее, в этом году выпал из топ-5. Обучение новым технологиям и частые переключения между ними упоминаются как заметные новые виды трения в рабочем процессе.
👀 Кодинг не является узким местом
По данным опроса, разработчики тратят непосредственно на написание кода лишь ~16% рабочего времени, и сам процесс кодирования не входит в число основных "болей". Это объясняет, почему популярные AI-ассистенты для программистов способны облегчить жизнь (ускоряя написание кода), но кардинально не решают проблему продуктивности: основные потери происходят на других этапах. Без параллельного устранения непроизводительных задач эффект от ускорения кодинга ограничен.
💔 Разрыв между инженерами и руководством
Отчёт выявил усилившееся несоответствие взглядов: 63% разработчиков считают, что лидеры не понимают их ежедневных трудностей, тогда как годом ранее так думали 44%. Такой рост “эмпатического разрыва” авторы связывают с тем, что менеджмент поспешно зачитывает в плюс командам сэкономленные с помощью AI часы, не устраняя при этом существующие препятствия в процессах. Иначе говоря, руководство может переоценивать эффект ИИ, в то время как инженеры по-прежнему тонут в рутине и организационных проблемах.
В продолжении я расскажу про основные выводы и рекомендации авторов отчета.
#AI #ML #PlatformEngineering #Software #Architecture #Processes #DevEx #Devops
Изучил интересный отчет от Atlassian на тему DevEx, который вышел в прошлом году. Интересно, что это уже второй отчет, из серии, которую они запустили в 2024 году совместно с тогда еще независимой компанией DX (осенью 2025 года Atlassian купили эту компанию за $1 млрд). Исследование было построено на онлайн-опросе, в котором поучаствовали 3500 разработчиков и менеджеров из шести стран: США, Великобритании, Германии, Франции, Австралии и Индии. Опрос был проведён совместно с независимой фирмой Wakefield Research в период 13–23 марта 2025 года. Выборка разделена поровну по ролям: 1 750 респондентов – руководители (не ниже уровня менеджера разработки), и 1 750 – инженеры. Участники были привлечены по приглашениям по электронной почте.
Ниже представлены основные результаты
Практически все опрошенные разработчики (99%) теперь используют инструменты искусственного интеллекта и отмечают экономию времени, причём 68% экономят более 10 часов в неделю благодаря их применению. Для сравнения, в предыдущем отчёте 2024 года большинство разработчиков ещё не видели ощутимой выгоды от AI – прогресс за год оказался драматичным.
Сэкономленные с помощью AI часы идут в дело: разработчики уделяют их улучшению качества кода, созданию новых функций и написанию документации. Такое перераспределение ресурсов говорит о том, что инженеры стремятся направить пользу от AI на повышение ценности продукта (рефакторинг, развитие функционала) и поддержку команды (документация, knowledge sharing).
ИИ ускоряет выполнение отдельных задач, однако организационные неэффективности сводят на нет эти выигрыши. 50% разработчиков теряют 10 и более часов в неделю из-за различных friction-факторов, а 90% – не менее 6 часов еженедельно. Иными словами, в среднем каждый разработчик столько же времени теряет из-за помех, сколько и выигрывает благодаря ИИ.
Поиск необходимой информации (данные о сервисах, документация, API), необходимость осваивать новые технологии и постоянное переключение контекста между разрозненными инструментами – топ-3 факторов, отнимающих время у инженеров. Взаимодействие с другими командами также вошло в пятёрку главных препятствий, тогда как технический долг, лидировавший ранее, в этом году выпал из топ-5. Обучение новым технологиям и частые переключения между ними упоминаются как заметные новые виды трения в рабочем процессе.
По данным опроса, разработчики тратят непосредственно на написание кода лишь ~16% рабочего времени, и сам процесс кодирования не входит в число основных "болей". Это объясняет, почему популярные AI-ассистенты для программистов способны облегчить жизнь (ускоряя написание кода), но кардинально не решают проблему продуктивности: основные потери происходят на других этапах. Без параллельного устранения непроизводительных задач эффект от ускорения кодинга ограничен.
Отчёт выявил усилившееся несоответствие взглядов: 63% разработчиков считают, что лидеры не понимают их ежедневных трудностей, тогда как годом ранее так думали 44%. Такой рост “эмпатического разрыва” авторы связывают с тем, что менеджмент поспешно зачитывает в плюс командам сэкономленные с помощью AI часы, не устраняя при этом существующие препятствия в процессах. Иначе говоря, руководство может переоценивать эффект ИИ, в то время как инженеры по-прежнему тонут в рутине и организационных проблемах.
В продолжении я расскажу про основные выводы и рекомендации авторов отчета.
#AI #ML #PlatformEngineering #Software #Architecture #Processes #DevEx #Devops
Please open Telegram to view this post
VIEW IN TELEGRAM
Atlassian
State of Developer Experience Report 2025 | Atlassian
Discover how AI is reshaping the developer experience in Atlassian's State of Developer report 2025 – trends, tools, and what’s next.
👍8❤5🔥4
Forwarded from Инжиниринг Данных
Основатель O’Reilly - Tim O’Reilly написал хорошую статью - AI and the Next Economy
Основные идеи статьи от АI:
🔄 Экономика как циркуляция
Автор утверждает, что экономика — это не просто производство, а производство + спрос. Спрос требует широко распределённой покупательной способности. Нельзя построить процветающее общество, оставив большинство людей "за бортом".
⚠️ Проблема нарративов об AGI
Многие нарративы об искусственном общем интеллекте (AGI) предполагают, что:
• Производительность вырастет
• ВВП увеличится
• Но при этом игнорируется вопрос: кто будет покупателями, если большинство людей потеряют работу и доход?
💔 Две версии будущего
1. Экономика открытий — ИИ может помочь решить глобальные проблемы (энергия, материалы, болезни), но:
• Открытия ≠ экономическая ценность
• Между открытием и широким внедрением — долгий путь
• Если контроль над технологиями сконцентрирован, получится "феодализм открытий"
2. Замена труда — ИИ заменит интеллектуальную работу, но:
• Если зарплаты исчезнут, кто будет покупать товары?
• Падение доли зарплат в экономике приведёт к нестабильности
🔑 Ключевые уроки истории
Автор приводит примеры:
• Генри Форд платил высокие зарплаты и сократил рабочие часы, создав массовый рынок для своих автомобилей
• Amazon и Google изначально создавали циркулирующую экономику (flywheel-эффект), но со временем стали извлекать ренту
• Децентрализация (ПК, интернет, open source) стимулирует инновации; централизация захватывает ценность
💡 Что нужно делать
AI-лабораториям:
• Измерять успех не только по возможностям моделей, но и по их распространению
• Создавать открытые интерфейсы, переносимость, совместимость
• Избегать искусственных барьеров
Компаниям:
• Не просто сокращать расходы через ИИ
• Инвестировать дивиденды от производительности в сотрудников (повышение зарплат, сокращение часов, переобучение)
Правительствам:
• Инвестировать в инфраструктуру и институты для новой экономики
• Рассмотреть переход от налогов на труд к налогам на прирост капитала
🌊 Главная метафора
Цитата из Уильяма Блейка: "Плодовитый перестанет быть плодовитым, если Пожиратель не будет, как море, принимать избыток его наслаждений".
Иными словами: производство должно потребляться, система должна циркулировать. ИИ-экономика нуждается в "маховике" (flywheel), который обеспечит широкое распространение благ, а не их концентрацию.
Основные идеи статьи от АI:
🔄 Экономика как циркуляция
Автор утверждает, что экономика — это не просто производство, а производство + спрос. Спрос требует широко распределённой покупательной способности. Нельзя построить процветающее общество, оставив большинство людей "за бортом".
⚠️ Проблема нарративов об AGI
Многие нарративы об искусственном общем интеллекте (AGI) предполагают, что:
• Производительность вырастет
• ВВП увеличится
• Но при этом игнорируется вопрос: кто будет покупателями, если большинство людей потеряют работу и доход?
💔 Две версии будущего
1. Экономика открытий — ИИ может помочь решить глобальные проблемы (энергия, материалы, болезни), но:
• Открытия ≠ экономическая ценность
• Между открытием и широким внедрением — долгий путь
• Если контроль над технологиями сконцентрирован, получится "феодализм открытий"
2. Замена труда — ИИ заменит интеллектуальную работу, но:
• Если зарплаты исчезнут, кто будет покупать товары?
• Падение доли зарплат в экономике приведёт к нестабильности
🔑 Ключевые уроки истории
Автор приводит примеры:
• Генри Форд платил высокие зарплаты и сократил рабочие часы, создав массовый рынок для своих автомобилей
• Amazon и Google изначально создавали циркулирующую экономику (flywheel-эффект), но со временем стали извлекать ренту
• Децентрализация (ПК, интернет, open source) стимулирует инновации; централизация захватывает ценность
💡 Что нужно делать
AI-лабораториям:
• Измерять успех не только по возможностям моделей, но и по их распространению
• Создавать открытые интерфейсы, переносимость, совместимость
• Избегать искусственных барьеров
Компаниям:
• Не просто сокращать расходы через ИИ
• Инвестировать дивиденды от производительности в сотрудников (повышение зарплат, сокращение часов, переобучение)
Правительствам:
• Инвестировать в инфраструктуру и институты для новой экономики
• Рассмотреть переход от налогов на труд к налогам на прирост капитала
🌊 Главная метафора
Цитата из Уильяма Блейка: "Плодовитый перестанет быть плодовитым, если Пожиратель не будет, как море, принимать избыток его наслаждений".
Иными словами: производство должно потребляться, система должна циркулировать. ИИ-экономика нуждается в "маховике" (flywheel), который обеспечит широкое распространение благ, а не их концентрацию.
O’Reilly Media
AI and the Next Economy
The narrative from the AI labs is dazzling: build AGI, unlock astonishing productivity, and watch GDP surge. It’s a compelling story, especially if you’re the
1❤17👍4🔥2
[2/2] Atlassian "State of Developer Experience 2025" (Рубрика #DevEx)
Продолжим разбор отчета Atlassian выводами и рекомендациями его авторов
1️⃣ ИИ – мощный инструмент, но не "серебряная пуля"
По мнению авторов, автоматизация с помощью AI способна заметно улучшить опыт разработчиков лишь при условии, что она нацелена на реальные проблемные места процесса разработки. Если же организации концентрируются только на ускорении приятных частей работы (например, написания кода), не устраняя корневые причины трения – возникает ложное ощущение эффективности. В результате время, выигранное за счёт ИИ, тут же теряется из-за других задержек, а требования по скорости растут несправедливо относительно возможностей команды.
2️⃣ Системный подход к Developer Experience
Лучшие компании начали пересматривать подход к опыту разработчиков комплексно – выстраивая процессы вокруг прозрачности, автономности команд и высокой скорости выпуска продукта. Улучшение DevEx требует постоянной работы: авторы призывают организации целенаправленно выявлять узкие места и устранять фрикции на всех этапах жизненного цикла разработки, от планирования до деплоя. Благо, что теперь у пользователей Atlassian будет доступ к купленной платформе DX, которая позволяет системно работать над DevEx.
3️⃣ Диалог между лидерами и разработчиками
Первый шаг к улучшению – спросить самих разработчиков о том, что мешает их продуктивности. Руководителям команд рекомендуют плотно общаться с инженерами и вместе тестировать решения проблем. В одних случаях частичное решение дадут AI-инструменты, в других – даже простые меры вроде самообслуживаемых справочных материалов или шаблонов, упрощающих рутину.
4️⃣ Совместная ответственность за изменения
Авторы отчёта отмечают, что и менеджеры, и сами инженеры должны активно участвовать в улучшении процессов. Разработчикам стоит доносить до руководства свои проблемы на языке влияния на результат – показывая, как конкретные препятствия задерживают релизы или снижают качество. Такое представление превращает "жалобу" в осязаемую задачу, требующую решения. В ответ лидерам важно не отвергать сигналы, а вместе с командами искать пути улучшения. Регулярная двусторонняя связь помогает выявлять проблемы заранее, укрепляет доверие и держит всех в фокусе на приоритетных целях.
Итого, чтобы в полной мере воспользоваться потенциалом AI в разработке, компаниям необходимо улучшать Developer Experience системно. Это подразумевает устранение внутренних неэффективностей, выравнивание ожиданий между инженерами и менеджерами и внедрение культуры, где новые инструменты (включая ИИ) используются осознанно – для облегчения самых болезненных участков работы, а не в ущерб им. Только так удастся превратить сэкономленные часы в устойчивый рост продуктивности и удовлетворённости команд работой.
#AI #ML #PlatformEngineering #Software #Architecture #Processes #DevEx #Devops
Продолжим разбор отчета Atlassian выводами и рекомендациями его авторов
1️⃣ ИИ – мощный инструмент, но не "серебряная пуля"
По мнению авторов, автоматизация с помощью AI способна заметно улучшить опыт разработчиков лишь при условии, что она нацелена на реальные проблемные места процесса разработки. Если же организации концентрируются только на ускорении приятных частей работы (например, написания кода), не устраняя корневые причины трения – возникает ложное ощущение эффективности. В результате время, выигранное за счёт ИИ, тут же теряется из-за других задержек, а требования по скорости растут несправедливо относительно возможностей команды.
2️⃣ Системный подход к Developer Experience
Лучшие компании начали пересматривать подход к опыту разработчиков комплексно – выстраивая процессы вокруг прозрачности, автономности команд и высокой скорости выпуска продукта. Улучшение DevEx требует постоянной работы: авторы призывают организации целенаправленно выявлять узкие места и устранять фрикции на всех этапах жизненного цикла разработки, от планирования до деплоя. Благо, что теперь у пользователей Atlassian будет доступ к купленной платформе DX, которая позволяет системно работать над DevEx.
3️⃣ Диалог между лидерами и разработчиками
Первый шаг к улучшению – спросить самих разработчиков о том, что мешает их продуктивности. Руководителям команд рекомендуют плотно общаться с инженерами и вместе тестировать решения проблем. В одних случаях частичное решение дадут AI-инструменты, в других – даже простые меры вроде самообслуживаемых справочных материалов или шаблонов, упрощающих рутину.
4️⃣ Совместная ответственность за изменения
Авторы отчёта отмечают, что и менеджеры, и сами инженеры должны активно участвовать в улучшении процессов. Разработчикам стоит доносить до руководства свои проблемы на языке влияния на результат – показывая, как конкретные препятствия задерживают релизы или снижают качество. Такое представление превращает "жалобу" в осязаемую задачу, требующую решения. В ответ лидерам важно не отвергать сигналы, а вместе с командами искать пути улучшения. Регулярная двусторонняя связь помогает выявлять проблемы заранее, укрепляет доверие и держит всех в фокусе на приоритетных целях.
Итого, чтобы в полной мере воспользоваться потенциалом AI в разработке, компаниям необходимо улучшать Developer Experience системно. Это подразумевает устранение внутренних неэффективностей, выравнивание ожиданий между инженерами и менеджерами и внедрение культуры, где новые инструменты (включая ИИ) используются осознанно – для облегчения самых болезненных участков работы, а не в ущерб им. Только так удастся превратить сэкономленные часы в устойчивый рост продуктивности и удовлетворённости команд работой.
#AI #ML #PlatformEngineering #Software #Architecture #Processes #DevEx #Devops
Telegram
Книжный куб
[1/2] Atlassian "State of Developer Experience 2025" (Рубрика #DevEx)
Изучил интересный отчет от Atlassian на тему DevEx, который вышел в прошлом году. Интересно, что это уже второй отчет, из серии, которую они запустили в 2024 году совместно с тогда еще…
Изучил интересный отчет от Atlassian на тему DevEx, который вышел в прошлом году. Интересно, что это уже второй отчет, из серии, которую они запустили в 2024 году совместно с тогда еще…
👍6🔥6❤5
История Palo Alto Networks (PANW): как из «файрвола» ребята сделали платформу кибербезопасности (Рубрика #Security)
Пару дней назад я рассказывал про предсказания компании Palo Alto Networks насчет предсказаний на 2026 год в области безопасности. И дальше я понял, что надо бы рассказать историю этой компании, что является самым крупным независимым вендором кибезбеза. Эта американская компания известна как пионер концепции NGFW или "межсетевого экрана нового поколения" (Next-Generation FireWall). Основанная в 2005 году, она прошла путь от поставщика одного продукта (этого файрвола с расширенными возможностями) до многофункциональной платформы информационной безопасности мирового масштаба.
1️⃣ Старт (2005–2012)
- Основание: 2005, фаундер Nir Zuk. Первый продукт отгрузили в 2007
- Изначальная ставка: Next‑Gen Firewall (NGFW) - L7‑идентификация приложений (App‑ID), инспекция трафика/контента и политика “по пользователю”, а не только по IP/портам
- Бизнес‑модель 1.0: железо (appliance) + подписки (обновления/Threat Prevention/URL Filtering и т.п.) + поддержка → ранний рост за счёт enterprise‑клиентов и партнерского канала
- 2012: IPO → капитал для масштабирования продаж и R&D
2️⃣ Расширение (2013–2017)
- Укрепляют линейку NGFW, добавляют песочницы (WildFire), централизованный менеджмент (Panorama) и т.д.
- Начинают точечные M&A, чтобы закрывать смежные задачи (endpoint, аналитика угроз)
3️⃣ Поворот в сторону платформенной компании (2018–2023)
- CEO Nikesh Arora (с 2018) ускоряет стратегию “platformization”: меньше разрозненных security‑точек, больше единой платформы.
- Продуктовая структура закрепляется в 3 платформах:
-- Strata: network security / NGFW / SASE
-- Prisma: cloud security (CNAPP и всё вокруг облака)
-- Cortex: SecOps/XDR/SOAR + автоматизация/AI для SOC
- Драйверы: облака, удалёнка, рост атак → покупают технологии и «сшивают» в платформы (Demisto → SOAR, Expanse → attack surface и т.п.)
4️⃣ Где компания сейчас (FY2025)
- Капитализация - ~130 - 143 млрд USD на конец 2025 и начало 2026 года
- Выручка: $9.22B за FY2025
- Модель уже сильно подписочная: subscription+support = $7.42B (80.5% выручки), product (железо/лицензии) = $1.80B (19.5%)
- Net income (GAAP): $1.13B за FY2025
- Масштаб: 16,068 сотрудников; >8,500 партнёров; клиенты в 180+ странах; публично говорят “trusted by 70,000+ orgs”
5️⃣ Куда идут (2025→ )
- Identity Security: объявили сделку по CyberArk (PAM/identity) - логичный шаг, потому что identity становится новым "периметром"
- "AI‑платформизаци"” SOC/Cloud: объявили покупку Chronosphere (observability) и связывают это с Cortex AgentiX и агентными сценариями (авто‑детект/триаж проблем и инцидентов)
- Акцент на AI‑security (Prisma AIRS / Cortex Cloud 2.0) и дальнейшую консолидацию стека у крупных enterprise‑клиентов
Если коротко, то компания начиналась как NGFW‑железка с подпиской, а стала платформой, которая пытается закрыть “network + cloud + SOC + identity” одним вендором - и под это перестраивает и продукт, и коммерцию. Поэтому тренды от них на 2026 год почитать интересно - они как никак а лидеры рынка:)
#Security #CyberSecurity #AI #Management #Leadership #Data #Economy #Engineering #Architecture #Software
Пару дней назад я рассказывал про предсказания компании Palo Alto Networks насчет предсказаний на 2026 год в области безопасности. И дальше я понял, что надо бы рассказать историю этой компании, что является самым крупным независимым вендором кибезбеза. Эта американская компания известна как пионер концепции NGFW или "межсетевого экрана нового поколения" (Next-Generation FireWall). Основанная в 2005 году, она прошла путь от поставщика одного продукта (этого файрвола с расширенными возможностями) до многофункциональной платформы информационной безопасности мирового масштаба.
1️⃣ Старт (2005–2012)
- Основание: 2005, фаундер Nir Zuk. Первый продукт отгрузили в 2007
- Изначальная ставка: Next‑Gen Firewall (NGFW) - L7‑идентификация приложений (App‑ID), инспекция трафика/контента и политика “по пользователю”, а не только по IP/портам
- Бизнес‑модель 1.0: железо (appliance) + подписки (обновления/Threat Prevention/URL Filtering и т.п.) + поддержка → ранний рост за счёт enterprise‑клиентов и партнерского канала
- 2012: IPO → капитал для масштабирования продаж и R&D
2️⃣ Расширение (2013–2017)
- Укрепляют линейку NGFW, добавляют песочницы (WildFire), централизованный менеджмент (Panorama) и т.д.
- Начинают точечные M&A, чтобы закрывать смежные задачи (endpoint, аналитика угроз)
3️⃣ Поворот в сторону платформенной компании (2018–2023)
- CEO Nikesh Arora (с 2018) ускоряет стратегию “platformization”: меньше разрозненных security‑точек, больше единой платформы.
- Продуктовая структура закрепляется в 3 платформах:
-- Strata: network security / NGFW / SASE
-- Prisma: cloud security (CNAPP и всё вокруг облака)
-- Cortex: SecOps/XDR/SOAR + автоматизация/AI для SOC
- Драйверы: облака, удалёнка, рост атак → покупают технологии и «сшивают» в платформы (Demisto → SOAR, Expanse → attack surface и т.п.)
4️⃣ Где компания сейчас (FY2025)
- Капитализация - ~130 - 143 млрд USD на конец 2025 и начало 2026 года
- Выручка: $9.22B за FY2025
- Модель уже сильно подписочная: subscription+support = $7.42B (80.5% выручки), product (железо/лицензии) = $1.80B (19.5%)
- Net income (GAAP): $1.13B за FY2025
- Масштаб: 16,068 сотрудников; >8,500 партнёров; клиенты в 180+ странах; публично говорят “trusted by 70,000+ orgs”
5️⃣ Куда идут (2025→ )
- Identity Security: объявили сделку по CyberArk (PAM/identity) - логичный шаг, потому что identity становится новым "периметром"
- "AI‑платформизаци"” SOC/Cloud: объявили покупку Chronosphere (observability) и связывают это с Cortex AgentiX и агентными сценариями (авто‑детект/триаж проблем и инцидентов)
- Акцент на AI‑security (Prisma AIRS / Cortex Cloud 2.0) и дальнейшую консолидацию стека у крупных enterprise‑клиентов
Если коротко, то компания начиналась как NGFW‑железка с подпиской, а стала платформой, которая пытается закрыть “network + cloud + SOC + identity” одним вендором - и под это перестраивает и продукт, и коммерцию. Поэтому тренды от них на 2026 год почитать интересно - они как никак а лидеры рынка:)
#Security #CyberSecurity #AI #Management #Leadership #Data #Economy #Engineering #Architecture #Software
👍5❤2🔥2
Сравнение отчетов Atlassian "State of Developer Experience" 2024 и 2025 (Рубрика #DevEx)
Раньше я уже рассказывал про отчет Atlassian "State of Developer Experience 2025", но этот отчет они публикуют с 2024 года, поэтому интересно посмотреть тренды и что поменялось за год.
🤖 AI и экономия времени
В 2024 году большинство разработчиков не ощущали существенной выгоды от AI: примерно 62% опрошенных заявили, что инструменты искусственного интеллекта никак не улучшают либо лишь немного улучшают их продуктивность. А вот руководители уже тогда возлагали большие надежды на AI, считая его ключом к повышению производительности, но разработчики оставались скептичны. В отчете за 2025 год ситуация радикально изменилась. Практически все (99%) разработчики теперь отмечают, что AI экономит им время, и 68% разработчиков экономят свыше 10 часов в неделю благодаря AI-инструментам. Правда, формулировка вопросов изменилась: если в 2024-м респондентов спрашивали в общих чертах о влиянии AI на продуктивность, то в 2025-м замеряли конкретную экономию часов. Свободное время разработчики в 2025 году направляют на более ценную работу – улучшение качества кода, разработку новых фич и написание документации.
📉 Потери времени из-за неэффективности
Оба отчета фиксируют тревожный объём времени, утрачиваемого разработчиками из-за трения и неэффективных процессов. В 2024 году выяснилось, что большинство инженеров теряют примерно день в неделю на помехи – 69% разработчиков сообщали о потере 8 часов и более каждую неделю из-за различных неэффективностей. Этот "потерянный день" включал простои, ожидание ответов, работу с долгами в коде, поиск информации и другие непродуктивные занятия. В 2025 году, несмотря на экономию времени с AI, картина ухудшилась: 90% разработчиков теряют минимум 6 часов в неделю на организационные препятствия, причём половина (50%) теряет 10 часов и более.
🧐 Метрики продуктивности и фокус усилий
Оба исследования подчеркивают, что продуктивность разработчиков не сводится к количеству написанного кода. В 2024 году авторы отмечали, что компании часто оценивают эффективность через output - количество задач, коммитов и т.д. - не отслеживая скрытые потери из-за неэффективностей. На деле же, как показал опрос, основные тормоза продуктивности лежат вне непосредственного написания кода: это бюрократия, коммуникационные сбои, долг по документации и сложности инфраструктуры. Лидеры признавали важность Developer Experience, но усилия по его улучшению были несистемными и не всегда попадали в цель. Отчёт 2025 ещё более отчётливо показал эту проблему: непосредственно кодированием разработчики тратят лишь ~16% своего рабочего времени, остальное уходит на совещания, поиск информации, настройку окружения, ожидание и прочие сопутствующие задачи.
❤️🔥 Разрыв между восприятием лидеров и разработчиков
Обе версии отчёта отмечают небезпечный разрыв между тем, как лидеры и рядовые инженеры воспринимают проблемы Developer Experience. В 2024 году 44% разработчиков считали, что руководители понимают проблемы, снижающие их эффективность (технический долг, устаревшие процессы, перегрузки), мешающие продуктивной работе. Сами же лидеры нередко недооценивали масштаб потерь: например, почти половина технических руководителей тогда полагала, что проблему можно решить наймом. Это отражает расхождение в восприятии корня проблем: разработчики указывали на качество процессов, а менеджеры - на ресурсы. В 2025 году уже 63% разработчиков заявили, что лидеры не понимают их насущных трудностей. Atlassian объясняет это тем, что руководство поспешило “монетизировать” выгоду от AI (т.е. ожидало ускорения разработки благодаря сэкономленному AI времени), не устранив старые источники трения. В итоге лидеры могли решить, что раз разработчики стали работать быстрее с AI, то проблемы решены - тогда как сами разработчики продолжают буксовать на неустранённых узких местах.
#AI #ML #PlatformEngineering #Software #Architecture #Processes #DevEx #Devops
Раньше я уже рассказывал про отчет Atlassian "State of Developer Experience 2025", но этот отчет они публикуют с 2024 года, поэтому интересно посмотреть тренды и что поменялось за год.
В 2024 году большинство разработчиков не ощущали существенной выгоды от AI: примерно 62% опрошенных заявили, что инструменты искусственного интеллекта никак не улучшают либо лишь немного улучшают их продуктивность. А вот руководители уже тогда возлагали большие надежды на AI, считая его ключом к повышению производительности, но разработчики оставались скептичны. В отчете за 2025 год ситуация радикально изменилась. Практически все (99%) разработчики теперь отмечают, что AI экономит им время, и 68% разработчиков экономят свыше 10 часов в неделю благодаря AI-инструментам. Правда, формулировка вопросов изменилась: если в 2024-м респондентов спрашивали в общих чертах о влиянии AI на продуктивность, то в 2025-м замеряли конкретную экономию часов. Свободное время разработчики в 2025 году направляют на более ценную работу – улучшение качества кода, разработку новых фич и написание документации.
Оба отчета фиксируют тревожный объём времени, утрачиваемого разработчиками из-за трения и неэффективных процессов. В 2024 году выяснилось, что большинство инженеров теряют примерно день в неделю на помехи – 69% разработчиков сообщали о потере 8 часов и более каждую неделю из-за различных неэффективностей. Этот "потерянный день" включал простои, ожидание ответов, работу с долгами в коде, поиск информации и другие непродуктивные занятия. В 2025 году, несмотря на экономию времени с AI, картина ухудшилась: 90% разработчиков теряют минимум 6 часов в неделю на организационные препятствия, причём половина (50%) теряет 10 часов и более.
Оба исследования подчеркивают, что продуктивность разработчиков не сводится к количеству написанного кода. В 2024 году авторы отмечали, что компании часто оценивают эффективность через output - количество задач, коммитов и т.д. - не отслеживая скрытые потери из-за неэффективностей. На деле же, как показал опрос, основные тормоза продуктивности лежат вне непосредственного написания кода: это бюрократия, коммуникационные сбои, долг по документации и сложности инфраструктуры. Лидеры признавали важность Developer Experience, но усилия по его улучшению были несистемными и не всегда попадали в цель. Отчёт 2025 ещё более отчётливо показал эту проблему: непосредственно кодированием разработчики тратят лишь ~16% своего рабочего времени, остальное уходит на совещания, поиск информации, настройку окружения, ожидание и прочие сопутствующие задачи.
Обе версии отчёта отмечают небезпечный разрыв между тем, как лидеры и рядовые инженеры воспринимают проблемы Developer Experience. В 2024 году 44% разработчиков считали, что руководители понимают проблемы, снижающие их эффективность (технический долг, устаревшие процессы, перегрузки), мешающие продуктивной работе. Сами же лидеры нередко недооценивали масштаб потерь: например, почти половина технических руководителей тогда полагала, что проблему можно решить наймом. Это отражает расхождение в восприятии корня проблем: разработчики указывали на качество процессов, а менеджеры - на ресурсы. В 2025 году уже 63% разработчиков заявили, что лидеры не понимают их насущных трудностей. Atlassian объясняет это тем, что руководство поспешило “монетизировать” выгоду от AI (т.е. ожидало ускорения разработки благодаря сэкономленному AI времени), не устранив старые источники трения. В итоге лидеры могли решить, что раз разработчики стали работать быстрее с AI, то проблемы решены - тогда как сами разработчики продолжают буксовать на неустранённых узких местах.
#AI #ML #PlatformEngineering #Software #Architecture #Processes #DevEx #Devops
Please open Telegram to view this post
VIEW IN TELEGRAM
2🔥7❤6👍3
LOVED: How to Rethink Marketing for Tech Products (Loved. Продуктовый маркетинг по любви)
Дочитал эту книгу Мартина Лаученко на этих зимних каникулах (а начинал читать еще пару лет назад). Книга оставила у меня смешанные чувства - вроде и автор хороший и тема интересная, а книга читалась через силу. Вообще, Мартина - опытный эксперт, что когда-то участвовала в разработке и маркетинге Microsoft Word и Netscape Navigator, а сейчас является партнёром Silicon Valley Product Group. Интересно, что книга стала бестселлером среди книг о маркетинге технических продуктов, хотя в переводе названия эта нацеленность на технические продукты исчезла. Ключевые идеи книги такие
1️⃣ Отличный технологичный продукт сам по себе не гарантирует успеха - нужна продуманная маркетинговая стратегия. Лаученко объясняет, что продуктовый маркетинг - это стратегическая функция, формирующая восприятие продукта рынком.
2️⃣ Мартина выделяет четыре роли продуктувого маркетолога: амбассадор, стратег, сторителлер и евангелист. Эти роли последовательно связывают продукт с аудиторией: знакомят пользователей, формируют ожидания, “влюбляют” в продукт и вдохновляют рассказывать о нём другим. Если подробнее, то
- Ambassador - это "мост" между рынком и командой. Он помогает синхронизировать инсайты о пользователях/рынке внутрь компании и обратно, чтобы это реально влияло на решения: что строим, как упаковываем, как продаём. Это не "владелец" продукта/маркетинга, а именно амбассадор диалога: помогать команде слышать сигнал и корректировать курс.
- Strategist - отвечает за то, "куда идём через 12–18 месяцев". Эта роль про долгий горизонт: продуктовый маркетинг смотрит на то, кем вы должны стать для рынка, и что нужно сделать сегодня, чтобы рынок вас так воспринимал завтра (включая что строить, как упаковать, какой GTM-механикой идти)
- Storyteller - отвечает не просто за копирайтинг, а про управление тем, как рынок объясняет себе вашу ценность: это больше, чем "правильные слова". Очень практичная эвристика из интервью: объясняйте продукт так, будто разговариваете с умным восьмиклассником - это выбивает жаргон и заставляет докопаться до сути.
- Evangelist - эта роль "делает так, чтобы другие рассказывали за нас". В современном мире важнее то, что скажут другие, а не то, что вы скажете сами. Поэтому задача - вооружить людей "атомарными тезисами", которые легко пересказать: тезис, пример, ROI-история, короткая формула ценности.
3️⃣ Фокус на рынке, не только на продукт: книга учит начинать не с функций, а с реальных потребностей. Собирайте обратную связь от пользователей и держите в фокусе market-product fit (сначала понять нужды рынка, потом создавать решение). Иными словами, ценность продукта определяется готовностью рынка его принять, а не наоборот.
4️⃣ Go-to-Market как часть стратегии: план вывода на рынок нужно продумывать с первого дня, а не после релиза. В книге показано, как продукт обгонял конкурентов не за счёт новых фич, а благодаря лучшему позиционированию и истории о ценности. Например, сервис Pocket вырвался вперёд, сумев чётко донести, чем он полезнее альтернатив. Правильный нарратив способен переломить исход рыночной борьбы. Отдельно интересно рассказано про календарь для планирования релизов. Смысл в том, чтобы договориться, что релизы бывают разных "классов", и от класса зависит:
- Сколько заранее готовится маркетинг/сейлз/саппорт
- Какие активы нужны (доки, кейсы, сравнения, pricing/packaging)
- Какая “цель релиза” (тихий rollout vs попытка пробить новый сегмент)
Почему эту книгу интересно почитать инженерам и техническим руководителям?
Хотя книга о маркетинге, написана она для широкой аудитории технических специалистов - без перегрузки жаргоном. Инженерам Loved поможет взглянуть на свой продукт глазами рынка. Она даст техническим специалистам понимание, как соединить два мира - продукт и рынок. Разработчики узнают, как эффективно доносить ценность своих решений, выстраивать доверие пользователей и сотрудничать с маркетингом, чтобы их проекты не просто работали, но и становились любимыми.
#Marketing #Startup #Economics #Software #Engineering
Дочитал эту книгу Мартина Лаученко на этих зимних каникулах (а начинал читать еще пару лет назад). Книга оставила у меня смешанные чувства - вроде и автор хороший и тема интересная, а книга читалась через силу. Вообще, Мартина - опытный эксперт, что когда-то участвовала в разработке и маркетинге Microsoft Word и Netscape Navigator, а сейчас является партнёром Silicon Valley Product Group. Интересно, что книга стала бестселлером среди книг о маркетинге технических продуктов, хотя в переводе названия эта нацеленность на технические продукты исчезла. Ключевые идеи книги такие
1️⃣ Отличный технологичный продукт сам по себе не гарантирует успеха - нужна продуманная маркетинговая стратегия. Лаученко объясняет, что продуктовый маркетинг - это стратегическая функция, формирующая восприятие продукта рынком.
2️⃣ Мартина выделяет четыре роли продуктувого маркетолога: амбассадор, стратег, сторителлер и евангелист. Эти роли последовательно связывают продукт с аудиторией: знакомят пользователей, формируют ожидания, “влюбляют” в продукт и вдохновляют рассказывать о нём другим. Если подробнее, то
- Ambassador - это "мост" между рынком и командой. Он помогает синхронизировать инсайты о пользователях/рынке внутрь компании и обратно, чтобы это реально влияло на решения: что строим, как упаковываем, как продаём. Это не "владелец" продукта/маркетинга, а именно амбассадор диалога: помогать команде слышать сигнал и корректировать курс.
- Strategist - отвечает за то, "куда идём через 12–18 месяцев". Эта роль про долгий горизонт: продуктовый маркетинг смотрит на то, кем вы должны стать для рынка, и что нужно сделать сегодня, чтобы рынок вас так воспринимал завтра (включая что строить, как упаковать, какой GTM-механикой идти)
- Storyteller - отвечает не просто за копирайтинг, а про управление тем, как рынок объясняет себе вашу ценность: это больше, чем "правильные слова". Очень практичная эвристика из интервью: объясняйте продукт так, будто разговариваете с умным восьмиклассником - это выбивает жаргон и заставляет докопаться до сути.
- Evangelist - эта роль "делает так, чтобы другие рассказывали за нас". В современном мире важнее то, что скажут другие, а не то, что вы скажете сами. Поэтому задача - вооружить людей "атомарными тезисами", которые легко пересказать: тезис, пример, ROI-история, короткая формула ценности.
3️⃣ Фокус на рынке, не только на продукт: книга учит начинать не с функций, а с реальных потребностей. Собирайте обратную связь от пользователей и держите в фокусе market-product fit (сначала понять нужды рынка, потом создавать решение). Иными словами, ценность продукта определяется готовностью рынка его принять, а не наоборот.
4️⃣ Go-to-Market как часть стратегии: план вывода на рынок нужно продумывать с первого дня, а не после релиза. В книге показано, как продукт обгонял конкурентов не за счёт новых фич, а благодаря лучшему позиционированию и истории о ценности. Например, сервис Pocket вырвался вперёд, сумев чётко донести, чем он полезнее альтернатив. Правильный нарратив способен переломить исход рыночной борьбы. Отдельно интересно рассказано про календарь для планирования релизов. Смысл в том, чтобы договориться, что релизы бывают разных "классов", и от класса зависит:
- Сколько заранее готовится маркетинг/сейлз/саппорт
- Какие активы нужны (доки, кейсы, сравнения, pricing/packaging)
- Какая “цель релиза” (тихий rollout vs попытка пробить новый сегмент)
Почему эту книгу интересно почитать инженерам и техническим руководителям?
Хотя книга о маркетинге, написана она для широкой аудитории технических специалистов - без перегрузки жаргоном. Инженерам Loved поможет взглянуть на свой продукт глазами рынка. Она даст техническим специалистам понимание, как соединить два мира - продукт и рынок. Разработчики узнают, как эффективно доносить ценность своих решений, выстраивать доверие пользователей и сотрудничать с маркетингом, чтобы их проекты не просто работали, но и становились любимыми.
#Marketing #Startup #Economics #Software #Engineering
❤10👍3🔥2
Конструктор орбитальной станции
Где-то полгодика назад я купил себе конструктор с космической станцией, но никак не доходили руки его собрать. Но в каникулы я сделал над собой усилие и собрал его - теперь он стоит у меня в кабинете. А рядом с ним лего фигурки космонавта и Маленького Принца (в некотором роде тоже космического путешественника). В общем, выглядит стильно и мне нравится:)
Где-то полгодика назад я купил себе конструктор с космической станцией, но никак не доходили руки его собрать. Но в каникулы я сделал над собой усилие и собрал его - теперь он стоит у меня в кабинете. А рядом с ним лего фигурки космонавта и Маленького Принца (в некотором роде тоже космического путешественника). В общем, выглядит стильно и мне нравится:)
👍17🔥9❤6
[1/3] Octoverse 2025: A new developer joins GitHub every second as AI leads TypeScript to #1 (Рубрика #Engineering)
В конце октября появился очередной отчет Octoverse от GitHub, где авторы рассказывают про состояние дел в мире OSS (Open Source Software), а точнее о состоянии экосистемы разработки софта на GitHub. В 2025 году в отчете рассказывают про рекордный рост сообщества разработчиков в 2025 году и кардинальное влияние инструментов искусственного интеллекта на процесс разработки и выбор технологий.
Но начать стоит с методологии, так как она в отличие от многих других похожих отчетов основана не на опросах (что хорошо и позволяет оценить что происходит реально с репозиториями, кодом, разработчиками):
- Источник и период данных: отчет основан на анализе всех активностей пользователей на платформе GitHub за период с 1 сентября 2024 года по 31 августа 2025 (это так называемый Octoverse Year). Данные получены непосредственно из событий на платформе (коммиты, pull request’ы, issue и др.) – преимущественно из публичных репозиториев, если не оговорено иначе. Такой подход позволил сопоставлять метрики год к году с учётом сезонности (для трендов использовали сравнение одного и того же месяца в 2024 и 2025).
- Охват и размер выборки: тут тоже все здорово - отчет Octoverse опирается на всю популяцию разработчиков на GitHub, которых в 2025 году стало больше 180 миллионов (на 36 млн больше, чем годом ранее).
- Географическая представленность: данные отражают глобальное распределение разработчиков. Быстрее всего сообщество растёт в Азии и других развивающихся регионах, а Индия вышла на первое место по скорости добавления разработчиков (более 5.2 млн за год), а также на второе место по размеру сообщества (сразу после США).
- Отраслевая представленность: в конексте отчета разработчиком считают любого пользователя GitHub, связанный с созданием ПО. Отчёт охватывает как открытые проекты, так и корпоративные: хотя 81,5% всех зафиксированных вкладов пришлось на приватные репозитории (внутренние компании разработки), более 63% всех репозиториев на GitHub остаются публичными или open source. Иными словами, анализ учитывает и повседневную корпоративную разработку, и масштабную открытую экосистему, на которую она опирается.
- Дополнительные исследования: Отчёт носит количественный характер, основанный на телеметрии GitHub, а не на анкетировании. Однако авторы включили точечные качественные данные – например, серии интервью с разработчиками о практике ревью кода, чтобы оценить пользу нового инструмента GitHub Copilot Code Review. Результаты этих интервью встроены в анализ, например, 72,6% опрошенных отметили рост эффективности кода-ревью благодаря ИИ.
Ну а теперь, когда стало ясно почему отчет так интересен, стоит перейти к его результатами и ключевым выводам
👀 Основные показатели экосистемы Octoverse 2025
- Общее число проектов достигло 630 миллионов, AI-проектов – 4,3 млн, а разработчиков –-более 180 миллионов
- Количество публичных contributions (commits, PRs, gits, ...) - 1,12 млрд, в среднем 43,2 млн слияний pull request’ов в месяц (+23% г/г)
- Самыми популярными языками стали TypeScript и Python
Эти рекордные цифры отражают главные тренды 2025 года - беспрецедентный рост сообщества и широкое внедрение ИИ-технологий в разработку
Ну а в следующих постах мы обсудим ключевые результаты более подробно.
#AI #ML #Software #Architecture #Processes #DevEx #Devops #Metrics #Engineering #OpenSource #Architecture
В конце октября появился очередной отчет Octoverse от GitHub, где авторы рассказывают про состояние дел в мире OSS (Open Source Software), а точнее о состоянии экосистемы разработки софта на GitHub. В 2025 году в отчете рассказывают про рекордный рост сообщества разработчиков в 2025 году и кардинальное влияние инструментов искусственного интеллекта на процесс разработки и выбор технологий.
Но начать стоит с методологии, так как она в отличие от многих других похожих отчетов основана не на опросах (что хорошо и позволяет оценить что происходит реально с репозиториями, кодом, разработчиками):
- Источник и период данных: отчет основан на анализе всех активностей пользователей на платформе GitHub за период с 1 сентября 2024 года по 31 августа 2025 (это так называемый Octoverse Year). Данные получены непосредственно из событий на платформе (коммиты, pull request’ы, issue и др.) – преимущественно из публичных репозиториев, если не оговорено иначе. Такой подход позволил сопоставлять метрики год к году с учётом сезонности (для трендов использовали сравнение одного и того же месяца в 2024 и 2025).
- Охват и размер выборки: тут тоже все здорово - отчет Octoverse опирается на всю популяцию разработчиков на GitHub, которых в 2025 году стало больше 180 миллионов (на 36 млн больше, чем годом ранее).
- Географическая представленность: данные отражают глобальное распределение разработчиков. Быстрее всего сообщество растёт в Азии и других развивающихся регионах, а Индия вышла на первое место по скорости добавления разработчиков (более 5.2 млн за год), а также на второе место по размеру сообщества (сразу после США).
- Отраслевая представленность: в конексте отчета разработчиком считают любого пользователя GitHub, связанный с созданием ПО. Отчёт охватывает как открытые проекты, так и корпоративные: хотя 81,5% всех зафиксированных вкладов пришлось на приватные репозитории (внутренние компании разработки), более 63% всех репозиториев на GitHub остаются публичными или open source. Иными словами, анализ учитывает и повседневную корпоративную разработку, и масштабную открытую экосистему, на которую она опирается.
- Дополнительные исследования: Отчёт носит количественный характер, основанный на телеметрии GitHub, а не на анкетировании. Однако авторы включили точечные качественные данные – например, серии интервью с разработчиками о практике ревью кода, чтобы оценить пользу нового инструмента GitHub Copilot Code Review. Результаты этих интервью встроены в анализ, например, 72,6% опрошенных отметили рост эффективности кода-ревью благодаря ИИ.
Ну а теперь, когда стало ясно почему отчет так интересен, стоит перейти к его результатами и ключевым выводам
👀 Основные показатели экосистемы Octoverse 2025
- Общее число проектов достигло 630 миллионов, AI-проектов – 4,3 млн, а разработчиков –-более 180 миллионов
- Количество публичных contributions (commits, PRs, gits, ...) - 1,12 млрд, в среднем 43,2 млн слияний pull request’ов в месяц (+23% г/г)
- Самыми популярными языками стали TypeScript и Python
Эти рекордные цифры отражают главные тренды 2025 года - беспрецедентный рост сообщества и широкое внедрение ИИ-технологий в разработку
Ну а в следующих постах мы обсудим ключевые результаты более подробно.
#AI #ML #Software #Architecture #Processes #DevEx #Devops #Metrics #Engineering #OpenSource #Architecture
The GitHub Blog
Octoverse: A new developer joins GitHub every second as AI leads TypeScript to #1
In this year’s Octoverse, we uncover how AI, agents, and typed languages are driving the biggest shifts in software development in more than a decade.
❤7👍2🔥2
[2/3] Octoverse 2025: A new developer joins GitHub every second as AI leads TypeScript to #1 (Рубрика #Engineering)
Продолжая рассказ про очередной ежегодный отчет от GitHub о состоянии экосистемы разработки софта на платформе, расскажу подробнее про его результаты.
📈 Беспрецедентный рост сообщества
- Платформа пополнилась более чем 36 миллионами новых разработчиков - это самый высокий абсолютный рост за всю историю наблюдений
- азработчики создали около 121 млн новых репозиториев за год (до 630 млн всего)
- Число коммитов достигло почти 1 миллиарда в 2025 году (+25% к 2024)
- Ежемесячно сливалось порядка 43,2 млн pull request’ов (+23% к 2024)
Такая динамика совпала с запуском бесплатной версии GitHub Copilot в конце 2024, которая привлекла волну новых пользователей и проектов.
🤖 ИИ стал неотъемлемой частью разработки
Генеративный ИИ за год превратился из новинки в стандартный инструмент разработчика.
- На GitHub уже насчитывается порядка 4,3 миллиона репозиториев, связанных с AI (расчет через проставление тегов репозиториям и выделение части тегов как относящихся к AI проектам).
- Свыше 1,1 млн публичных проектов используют SDK для работы с большими языковыми моделями (LLM) - и 693 тыс. из них созданы всего за последние 12 месяцев (рост +178% год к году)
- Новички сразу внедряют AI в работу: почти 80% новых разработчиков начинают использовать автодополнение GitHub Copilot уже в первую неделю работы с кодом
Всё это подтверждает, что ИИ-инструменты теперь ожидаемы “по умолчанию” в среде разработчиков. Рост использования AI-средств сопровождается и ростом вклада в код: за год было слито рекордные 518,7 млн pull request’ов (+29% к предыдущему году), а общее число вкладов в открытые проекты превысило 1,12 млрд (+13% г/г).
🚀 TypeScript вышел на 1-е место среди языков
Впервые за последнее десятилетие сменился лидер по популярности языков программирования на GitHub: в августе 2025 года TypeScript обогнал Python (а также давнего лидера JavaScript) и стал самым используемым языком на платформе. Стремительный рост TypeScript обусловлен сразу двумя факторами
1. Современные фронтенд-фреймворки (React, Angular и др.) генерируют шаблоны проектов на TS по умолчанию
2. Команды всё чаще предпочитают строго типизированный код при использовании ИИ: развитая типизация TypeScript делает автосгенерированный AI-код более надежным
За год сообщество TypeScript выросло на ≈1,05 млн разработчиков (+66% г/г), тогда как Python прибавил ~850 тыс. (+48% г/г). Несмотря на потерю первого места, Python остаётся ключевым языком для задач ИИ и науки о данных - у него 2,6 млн активных контрибьюторов, а Jupyter Notebook по-прежнему служит основной средой экспериментов (≈403 тыс. репозиториев внутри AI-проектов). Совокупно сообщества TypeScript и Python теперь насчитывают >5,2 млн разработчиков (около 3% всех активных пользователей GitHub).
Такой сдвиг подтверждает: ИИ влияет не только на скорость кодинга, но и на выбор технологий - команды охотнее доверяют AI-сгенерированный код языкам со строгой типизацией, особенно для продакшн-систем.
💯 ИИ меняет предпочтения и практики разработки
Данные Octoverse указывают на явную связь между внедрением AI-инструментов и эволюцией стека технологий разработчиков
- Начиная с 2025 года, рост популярности Python идёт почти параллельно с JavaScript/TypeScript, что свидетельствует об универсальном влиянии ИИ на разные экосистемы - от веб-разработки до анализа данных.
- Появляются новые подходы к работе с кодом, такие как "vibe coding"
- AI-ассистенты заметно снизили порог входа: если ИИ продолжит упрощать создание ПО, число людей, способных “кодить”, может резко возрасти
- На горизонте эра автономных помощников (AI agents). Уже появились инструменты, которые могут самостоятельно сгенерировать код, запустить тесты и даже открыть pull request для проверки человеком
В заключении погорим про мир open source и влиянии AI на продуктивность разработки, а также приведем выводы.
#AI #ML #Software #Architecture #Processes #DevEx #Devops #Metrics #Engineering #OpenSource #Architecture
Продолжая рассказ про очередной ежегодный отчет от GitHub о состоянии экосистемы разработки софта на платформе, расскажу подробнее про его результаты.
📈 Беспрецедентный рост сообщества
- Платформа пополнилась более чем 36 миллионами новых разработчиков - это самый высокий абсолютный рост за всю историю наблюдений
- азработчики создали около 121 млн новых репозиториев за год (до 630 млн всего)
- Число коммитов достигло почти 1 миллиарда в 2025 году (+25% к 2024)
- Ежемесячно сливалось порядка 43,2 млн pull request’ов (+23% к 2024)
Такая динамика совпала с запуском бесплатной версии GitHub Copilot в конце 2024, которая привлекла волну новых пользователей и проектов.
🤖 ИИ стал неотъемлемой частью разработки
Генеративный ИИ за год превратился из новинки в стандартный инструмент разработчика.
- На GitHub уже насчитывается порядка 4,3 миллиона репозиториев, связанных с AI (расчет через проставление тегов репозиториям и выделение части тегов как относящихся к AI проектам).
- Свыше 1,1 млн публичных проектов используют SDK для работы с большими языковыми моделями (LLM) - и 693 тыс. из них созданы всего за последние 12 месяцев (рост +178% год к году)
- Новички сразу внедряют AI в работу: почти 80% новых разработчиков начинают использовать автодополнение GitHub Copilot уже в первую неделю работы с кодом
Всё это подтверждает, что ИИ-инструменты теперь ожидаемы “по умолчанию” в среде разработчиков. Рост использования AI-средств сопровождается и ростом вклада в код: за год было слито рекордные 518,7 млн pull request’ов (+29% к предыдущему году), а общее число вкладов в открытые проекты превысило 1,12 млрд (+13% г/г).
🚀 TypeScript вышел на 1-е место среди языков
Впервые за последнее десятилетие сменился лидер по популярности языков программирования на GitHub: в августе 2025 года TypeScript обогнал Python (а также давнего лидера JavaScript) и стал самым используемым языком на платформе. Стремительный рост TypeScript обусловлен сразу двумя факторами
1. Современные фронтенд-фреймворки (React, Angular и др.) генерируют шаблоны проектов на TS по умолчанию
2. Команды всё чаще предпочитают строго типизированный код при использовании ИИ: развитая типизация TypeScript делает автосгенерированный AI-код более надежным
За год сообщество TypeScript выросло на ≈1,05 млн разработчиков (+66% г/г), тогда как Python прибавил ~850 тыс. (+48% г/г). Несмотря на потерю первого места, Python остаётся ключевым языком для задач ИИ и науки о данных - у него 2,6 млн активных контрибьюторов, а Jupyter Notebook по-прежнему служит основной средой экспериментов (≈403 тыс. репозиториев внутри AI-проектов). Совокупно сообщества TypeScript и Python теперь насчитывают >5,2 млн разработчиков (около 3% всех активных пользователей GitHub).
Такой сдвиг подтверждает: ИИ влияет не только на скорость кодинга, но и на выбор технологий - команды охотнее доверяют AI-сгенерированный код языкам со строгой типизацией, особенно для продакшн-систем.
Данные Octoverse указывают на явную связь между внедрением AI-инструментов и эволюцией стека технологий разработчиков
- Начиная с 2025 года, рост популярности Python идёт почти параллельно с JavaScript/TypeScript, что свидетельствует об универсальном влиянии ИИ на разные экосистемы - от веб-разработки до анализа данных.
- Появляются новые подходы к работе с кодом, такие как "vibe coding"
- AI-ассистенты заметно снизили порог входа: если ИИ продолжит упрощать создание ПО, число людей, способных “кодить”, может резко возрасти
- На горизонте эра автономных помощников (AI agents). Уже появились инструменты, которые могут самостоятельно сгенерировать код, запустить тесты и даже открыть pull request для проверки человеком
В заключении погорим про мир open source и влиянии AI на продуктивность разработки, а также приведем выводы.
#AI #ML #Software #Architecture #Processes #DevEx #Devops #Metrics #Engineering #OpenSource #Architecture
Please open Telegram to view this post
VIEW IN TELEGRAM
Telegram
Книжный куб
[1/3] Octoverse 2025: A new developer joins GitHub every second as AI leads TypeScript to #1 (Рубрика #Engineering)
В конце октября появился очередной отчет Octoverse от GitHub, где авторы рассказывают про состояние дел в мире OSS (Open Source Software)…
В конце октября появился очередной отчет Octoverse от GitHub, где авторы рассказывают про состояние дел в мире OSS (Open Source Software)…
❤3⚡1🔥1
[3/3] Octoverse 2025: A new developer joins GitHub every second as AI leads TypeScript to #1 (Рубрика #Engineering)
В заключении разбора отчета от GitHub погорим про мир open source и влиянии AI на продуктивность разработки, а также приведем заключительные выводы
🌐 Open source в эпоху ИИ: рост и новые лидеры
- Активность в открытых репозиториях достигла исторических максимумов. В 2025 году было зафиксировано 1,128 млрд вкладов в публичные и open source-проекты (+13% г/г). В целом на GitHub уже 395 млн открытых репозиториев (+20% г/г), а за год сообщество слило 518,7 млн pull request’ов в публичных проектах (+29% г/г).
- Бурный рост связан, в том числе, с ИИ-бумом: 6 из 10 самых быстрорастущих проектов года - это инструменты для ИИ-инфраструктуры (фреймворки для запуска моделей, оркестрации и т.п.). Например, vllm, ollama, ComfyUI, Continue и т.д.
- При этом 60% из топ-10 самых популярных репозиториев по числу контрибьюторов тоже связаны с ИИ – сообщество вкладывается в базовые AI-библиотеки и движки вроде HuggingFace Transformers, llama.cpp, а также в AI-функции популярных инструментов (например, OpenAI Codex для VS Code)
- Но open source-экосистема не ограничивается одной лишь сферой AI. Рядом с взлётом ИИ-проектов сохраняют сильные позиции и классические направления: например, открытый игровой движок Godot, домашняя IoT-платформа Home Assistant и фреймворк Expo для мобильной разработки стабильно входят в топ проектов по числу контрибьюторов
- Анализ показывает, что помимо ИИ, разработчики проявляют повышенный интерес к инструментам повышения эффективности
-- Средствам для детерминированной сборки и управления зависимостями (Nix, UV) – “чтобы код работал на любой машине”
-- Высокопроизводительным фреймворкам (Tailwind CSS, Ghostty) для получения быстрых результатов
-- К проектам, дающим больший контроль над средой (например, защищённые браузеры как Zen Browser)
- Продолжается и тренд на децентрализацию соцсетей: успех платформы Bluesky показывает спрос на открытые протоколы и независимость
🚀 ИИ повышает продуктивность разработки.
2025-й ознаменовался скачком продуктивности: по всем ключевым метрикам разработчики стали делать больше и быстрее, отчасти благодаря новым AI-инструментам. Ежемесячно на GitHub теперь
- Закрывается ≈4,25 млн issue (против ~3,4 млн в 2024)
- Слияний pull request’ов стало 43,2 млн (против ~35 млн в 2024)
- Объём коммитов увеличился с ~65 млн до 82 млн в месяц
Весной 2025, после запуска превью Copilot “coding agent” (март) и релиза Copilot Code Review (апрель), эти показатели резко пошли вверх. В марте разработчики закрыли на 1,4 млн issue больше, чем в феврале, а в июле 2025 было закрыто рекордные 5,5 млн issue за месяц. Сами разработчики подтверждают эффективность AI-помощников: по результатам интервью, 72,6% пользователей Copilot Code Review сообщили, что авто-рекомендации ИИ улучшили их процесс ревью кода. В целом, рост активности (на +25–30% г/г по разным сигналам) говорит о том, что ИИ-инструменты не только экономят время при написании кода, но и позволяют быстрее доводить задачи до завершения, снижая "трение" в командной работе.
В общем, из этого отчета видно, что
- Сообщество разработчиков растёт и меняется стремительнее, чем когда-либо, и одна из главных причин - интеграция AI в ежедневную практику программирования
- Искусственный интеллект уже стал стандартным помощником, ускоряя развитие проектов и влияя на выбор языков (первое место TypeScript во многом обязано AI-трендам).
- AI-проекты захватывают центр внимания в open source сообществе, но одновременно экосистема остаётся многообразной: наряду с ИИ, востребованы инструменты для надёжных сборок, производительности и свободы пользователей
Дальше будует еще веселее - по мере развития AI-инструментов мы уже видим с какой скоростью меняется индустрия разработки софта и профессии инженеров, технических руководителей, продуктовых менеджеров и т.д. Жить в эпоху технологических революций жутко интересно:)
#AI #ML #Software #Architecture #Processes #DevEx #Devops #Metrics #Engineering #OpenSource #Architecture
В заключении разбора отчета от GitHub погорим про мир open source и влиянии AI на продуктивность разработки, а также приведем заключительные выводы
- Активность в открытых репозиториях достигла исторических максимумов. В 2025 году было зафиксировано 1,128 млрд вкладов в публичные и open source-проекты (+13% г/г). В целом на GitHub уже 395 млн открытых репозиториев (+20% г/г), а за год сообщество слило 518,7 млн pull request’ов в публичных проектах (+29% г/г).
- Бурный рост связан, в том числе, с ИИ-бумом: 6 из 10 самых быстрорастущих проектов года - это инструменты для ИИ-инфраструктуры (фреймворки для запуска моделей, оркестрации и т.п.). Например, vllm, ollama, ComfyUI, Continue и т.д.
- При этом 60% из топ-10 самых популярных репозиториев по числу контрибьюторов тоже связаны с ИИ – сообщество вкладывается в базовые AI-библиотеки и движки вроде HuggingFace Transformers, llama.cpp, а также в AI-функции популярных инструментов (например, OpenAI Codex для VS Code)
- Но open source-экосистема не ограничивается одной лишь сферой AI. Рядом с взлётом ИИ-проектов сохраняют сильные позиции и классические направления: например, открытый игровой движок Godot, домашняя IoT-платформа Home Assistant и фреймворк Expo для мобильной разработки стабильно входят в топ проектов по числу контрибьюторов
- Анализ показывает, что помимо ИИ, разработчики проявляют повышенный интерес к инструментам повышения эффективности
-- Средствам для детерминированной сборки и управления зависимостями (Nix, UV) – “чтобы код работал на любой машине”
-- Высокопроизводительным фреймворкам (Tailwind CSS, Ghostty) для получения быстрых результатов
-- К проектам, дающим больший контроль над средой (например, защищённые браузеры как Zen Browser)
- Продолжается и тренд на децентрализацию соцсетей: успех платформы Bluesky показывает спрос на открытые протоколы и независимость
2025-й ознаменовался скачком продуктивности: по всем ключевым метрикам разработчики стали делать больше и быстрее, отчасти благодаря новым AI-инструментам. Ежемесячно на GitHub теперь
- Закрывается ≈4,25 млн issue (против ~3,4 млн в 2024)
- Слияний pull request’ов стало 43,2 млн (против ~35 млн в 2024)
- Объём коммитов увеличился с ~65 млн до 82 млн в месяц
Весной 2025, после запуска превью Copilot “coding agent” (март) и релиза Copilot Code Review (апрель), эти показатели резко пошли вверх. В марте разработчики закрыли на 1,4 млн issue больше, чем в феврале, а в июле 2025 было закрыто рекордные 5,5 млн issue за месяц. Сами разработчики подтверждают эффективность AI-помощников: по результатам интервью, 72,6% пользователей Copilot Code Review сообщили, что авто-рекомендации ИИ улучшили их процесс ревью кода. В целом, рост активности (на +25–30% г/г по разным сигналам) говорит о том, что ИИ-инструменты не только экономят время при написании кода, но и позволяют быстрее доводить задачи до завершения, снижая "трение" в командной работе.
В общем, из этого отчета видно, что
- Сообщество разработчиков растёт и меняется стремительнее, чем когда-либо, и одна из главных причин - интеграция AI в ежедневную практику программирования
- Искусственный интеллект уже стал стандартным помощником, ускоряя развитие проектов и влияя на выбор языков (первое место TypeScript во многом обязано AI-трендам).
- AI-проекты захватывают центр внимания в open source сообществе, но одновременно экосистема остаётся многообразной: наряду с ИИ, востребованы инструменты для надёжных сборок, производительности и свободы пользователей
Дальше будует еще веселее - по мере развития AI-инструментов мы уже видим с какой скоростью меняется индустрия разработки софта и профессии инженеров, технических руководителей, продуктовых менеджеров и т.д. Жить в эпоху технологических революций жутко интересно:)
#AI #ML #Software #Architecture #Processes #DevEx #Devops #Metrics #Engineering #OpenSource #Architecture
Please open Telegram to view this post
VIEW IN TELEGRAM
Telegram
Книжный куб
[1/3] Octoverse 2025: A new developer joins GitHub every second as AI leads TypeScript to #1 (Рубрика #Engineering)
В конце октября появился очередной отчет Octoverse от GitHub, где авторы рассказывают про состояние дел в мире OSS (Open Source Software)…
В конце октября появился очередной отчет Octoverse от GitHub, где авторы рассказывают про состояние дел в мире OSS (Open Source Software)…
❤7👍2🔥2
[1/2] Архитектура платформы Lovable (Рубрика AI)
Раньше я уже рассказывал историю стартапа Lovable, что вырос в оценке с нуля до $6.6 млрд всего за один год. А в этой серии постов я хотел рассказать про то, что умеет этот продукт и как концептуально выглядит его архитектура. История собрана на основании публичных выступлений представителей компании (типа таких), а также утечек промптов навроде такой. Кроме того, можно почитать исходники проекта, с которого начинался Lovable, а именно gpt-engineer (и точечно промпты оттуда).
⚙️ Технологический стек и инфраструктура
Платформа Lovable генерирует полноценный исходный код веб-приложений и опирается на современные веб-технологии:
- На фронте используется React/TypeScript, а для стилизации по умолчанию применяется Tailwind CSS и блоки дизайн-системы на основе shadcn/ui (на базе Radix), а для иконок - lucide-react
- Для управления данными на клиенте встроены современные инструменты, например React Query (TanStack) для работы с серверными данными
- Генерируемый код следует принятым практикам: компоненты небольшие (до ~50 строк), приложение сразу адаптивное (responsive) и структурировано в духе атомарного дизайна Atomic Design
На бэкенде Lovable интегрируется с Supabase - это облачная платформа на базе PostgreSQL, которая
- Предоставляет базу данных
- Аутентификацию пользователей
- Хранение файлов и серверлесс-функции
Благодаря этой интеграции Lovable может автоматически создавать таблицы БД, настроивать авторизацию и даже развёртывать серверный код (например, обработчики оплаты или обращения к внешним API) в виде Edge Functions Supabase. Интересно, что не только Lovable хорошо получил денег на дальнейшее развитие, но и Supabase получил суммарно $300 млн (Series D + E) - я рассказывал про это при обзоре "Databases in 2025: A Year in Review by Andy Pavlo "
В итоге, архитектура приложения, создаваемого в Lovable, выглядит так: фронтенд на React/TypeScript/Tailwind/Atomic Desing + Supabase-бэкенд. Все это генерируется и настраивается AI в рамках единого процесса, без необходимости вручную поднимать что-то. Одновременно это можно опубликовать прямо на поддомене *.lovable.app (или кастомном домене) и пошарить пользователям. Для всего это не нужно обладать техническими знаниями - справится даже продакт.
Во втором посте я расскажу про агентскую архитектуру + инфраструктуру и устройство самой платформы.
#AI #Software #Engineering #Future #Architecture #Startup #SystemDesign
Раньше я уже рассказывал историю стартапа Lovable, что вырос в оценке с нуля до $6.6 млрд всего за один год. А в этой серии постов я хотел рассказать про то, что умеет этот продукт и как концептуально выглядит его архитектура. История собрана на основании публичных выступлений представителей компании (типа таких), а также утечек промптов навроде такой. Кроме того, можно почитать исходники проекта, с которого начинался Lovable, а именно gpt-engineer (и точечно промпты оттуда).
Платформа Lovable генерирует полноценный исходный код веб-приложений и опирается на современные веб-технологии:
- На фронте используется React/TypeScript, а для стилизации по умолчанию применяется Tailwind CSS и блоки дизайн-системы на основе shadcn/ui (на базе Radix), а для иконок - lucide-react
- Для управления данными на клиенте встроены современные инструменты, например React Query (TanStack) для работы с серверными данными
- Генерируемый код следует принятым практикам: компоненты небольшие (до ~50 строк), приложение сразу адаптивное (responsive) и структурировано в духе атомарного дизайна Atomic Design
На бэкенде Lovable интегрируется с Supabase - это облачная платформа на базе PostgreSQL, которая
- Предоставляет базу данных
- Аутентификацию пользователей
- Хранение файлов и серверлесс-функции
Благодаря этой интеграции Lovable может автоматически создавать таблицы БД, настроивать авторизацию и даже развёртывать серверный код (например, обработчики оплаты или обращения к внешним API) в виде Edge Functions Supabase. Интересно, что не только Lovable хорошо получил денег на дальнейшее развитие, но и Supabase получил суммарно $300 млн (Series D + E) - я рассказывал про это при обзоре "Databases in 2025: A Year in Review by Andy Pavlo "
В итоге, архитектура приложения, создаваемого в Lovable, выглядит так: фронтенд на React/TypeScript/Tailwind/Atomic Desing + Supabase-бэкенд. Все это генерируется и настраивается AI в рамках единого процесса, без необходимости вручную поднимать что-то. Одновременно это можно опубликовать прямо на поддомене *.lovable.app (или кастомном домене) и пошарить пользователям. Для всего это не нужно обладать техническими знаниями - справится даже продакт.
Во втором посте я расскажу про агентскую архитектуру + инфраструктуру и устройство самой платформы.
#AI #Software #Engineering #Future #Architecture #Startup #SystemDesign
Please open Telegram to view this post
VIEW IN TELEGRAM
❤6🔥6⚡1
[2/2] Архитектура платформы Lovable (Рубрика AI)
Продолжая рассказ про архитектуру Lovable расскажу про агентский workflow + инфраструктуру и устройство самой платформы.
🤖 AI-движок и агентская архитектура
В основе Lovable – мощные модели генерации кода на естественном языке. Платформа использует несколько крупных языковых моделей (LLM) от ведущих провайдеров для кодогенерации(в 2025 году говорилось про модели от OpenAI и Anthropic). Особенностью Lovable является агентная архитектура AI (кстати: сам workflow можно увидеть в системном промпте, также полезно глянуть промпт с описанием инструментов)
- Система не просто дописывает код построчно, а воспринимает проект целиком и планирует решение прежде, чем писать код
- Сначала система анализирует запрос пользователя и формирует план приложения, затем пошагово генерирует фронтэнд, бэкэнд, API и даже документацию в соответствии с этим планом
Такой подход "смотрит на приложение в целом" позволяет получить согласованную архитектуру проекта и избежать ситуаций, когда AI ломается на середине задачи. Например, в этом обзоре отмечается, что Lovable способен из одного промпта создать полнофункциональный прототип (UI, база данных, авторизация, API) за считанные часы. Это стало возможным благодаря тому, что AI-агент “понимает” спецификацию целиком перед кодированием.
🚀 Инфраструктура платформы
- Сам сервис Lovable представляет собой облачное веб-приложение с собственным редактором и механизмом генерации кода. Фронтенд платформы (интерфейс, с которым работает пользователь) вероятно тоже написан на React/TS.
- Для хранения проектов и контроля версий Lovable использует интеграцию с Git-репозиториями. Каждому проекту соответствует репозиторий исходного кода: изменения, которые вносит AI, автоматически коммитятся, и пользователь при желании может подключить GitHub и синхронизировать проект для работы вне Lovable. Такая архитектура обеспечивает full code ownership: разработчик может в любой момент вывести код из платформы, продолжить работу локально и развернуть на своей инфраструктуре
- Масштабируемость обеспечивается за счёт вышеупомянутых облачных сервисов - Supabase берёт на себя хранение данных и выполнение серверных функций, а для хостинга фронтенда можно задействовать, например, Netlify или встроенный хостинг Lovable.
- Платформа генерирует проект как набор реальных файлов (включая package.json со всеми зависимостями, README и т.д.), поэтому развёртывание не требует проприетарного рантайма - код совместим с обычными Node.js-инструментами. В FAQ Lovable подчёркивается, что сгенерированный код продакшен-готов и следует лучшим практикам по масштабируемости, безопасности и поддерживаемости.
В будущем я еще расскажу про то, как выглядит процесс работы с Lovable и что происходит под капотом.
#AI #Software #Engineering #Future #Architecture #Startup #SystemDesign
Продолжая рассказ про архитектуру Lovable расскажу про агентский workflow + инфраструктуру и устройство самой платформы.
В основе Lovable – мощные модели генерации кода на естественном языке. Платформа использует несколько крупных языковых моделей (LLM) от ведущих провайдеров для кодогенерации(в 2025 году говорилось про модели от OpenAI и Anthropic). Особенностью Lovable является агентная архитектура AI (кстати: сам workflow можно увидеть в системном промпте, также полезно глянуть промпт с описанием инструментов)
- Система не просто дописывает код построчно, а воспринимает проект целиком и планирует решение прежде, чем писать код
- Сначала система анализирует запрос пользователя и формирует план приложения, затем пошагово генерирует фронтэнд, бэкэнд, API и даже документацию в соответствии с этим планом
Такой подход "смотрит на приложение в целом" позволяет получить согласованную архитектуру проекта и избежать ситуаций, когда AI ломается на середине задачи. Например, в этом обзоре отмечается, что Lovable способен из одного промпта создать полнофункциональный прототип (UI, база данных, авторизация, API) за считанные часы. Это стало возможным благодаря тому, что AI-агент “понимает” спецификацию целиком перед кодированием.
- Сам сервис Lovable представляет собой облачное веб-приложение с собственным редактором и механизмом генерации кода. Фронтенд платформы (интерфейс, с которым работает пользователь) вероятно тоже написан на React/TS.
- Для хранения проектов и контроля версий Lovable использует интеграцию с Git-репозиториями. Каждому проекту соответствует репозиторий исходного кода: изменения, которые вносит AI, автоматически коммитятся, и пользователь при желании может подключить GitHub и синхронизировать проект для работы вне Lovable. Такая архитектура обеспечивает full code ownership: разработчик может в любой момент вывести код из платформы, продолжить работу локально и развернуть на своей инфраструктуре
- Масштабируемость обеспечивается за счёт вышеупомянутых облачных сервисов - Supabase берёт на себя хранение данных и выполнение серверных функций, а для хостинга фронтенда можно задействовать, например, Netlify или встроенный хостинг Lovable.
- Платформа генерирует проект как набор реальных файлов (включая package.json со всеми зависимостями, README и т.д.), поэтому развёртывание не требует проприетарного рантайма - код совместим с обычными Node.js-инструментами. В FAQ Lovable подчёркивается, что сгенерированный код продакшен-готов и следует лучшим практикам по масштабируемости, безопасности и поддерживаемости.
В будущем я еще расскажу про то, как выглядит процесс работы с Lovable и что происходит под капотом.
#AI #Software #Engineering #Future #Architecture #Startup #SystemDesign
Please open Telegram to view this post
VIEW IN TELEGRAM
❤6🔥5👍2
[1/2] John Schulman on dead ends, scaling RL, and building research institutions (Рубрика #AI)
Посмотрел очередной эпизод подкаста "Cafe Cursor", в котором общались Michael Truell и John Schulman. Майкл - это со-основатель Cursor, а John - со-основатель OpenAI и человек, предложивший RLHF (reinforcement learning from human feedback), технологию, лежащую в основе ChatGPT. Сейчас Джлн в Thinking Machines в роли chief scientist. В этом подкасте Джон делится инсайтами о том, как всё было устроено в OpenAI с 2016 года, что пошло не так, и куда движется reinforcement learning. Основные моменты интервью ниже
1️⃣ Speedrunning ChatGPT: могли бы сделать в 2018
Шульман считает, что с полным hindsight ChatGPT-3.5 можно было собрать ещё в 2018–2019 силами 2–3 человек на паре GPU-боксов. Секрет не в масштабе compute, а в умном post-training: правильный fine-tuning датасет компенсирует меньшую модель. Сравнивает с nanoGPT (один человек, один бокс, полгода). Вывод: масштабирование важно, но умные трюк > брут форса.
2️⃣ Ранний OpenAI
В 2016–2017 OpenAI был как академическая группа люди работали по 1–3 человека над whitepapers по своему вкусу. Например, был интересный проект Universe как попытка создать универсального RL-агента на сотнях видеоигр и веб-задач. Идея была правильной, но на 10 лет опередила время - тогда модели не генерализовались, система была неукдюжей. Позже пришли результаты в Dota и Procgen (эмуляция игр). Направление роботов тогда тоже было тупиковым, но полезным - оно прокачало команду на больших engineering-проектах и обучило людей системной работе.
3️⃣ Почему value functions не в моде?
В современном RLHF и verifiable rewards (даже на 10k+ токенов) функции ценности (value functions) не сокращают вариативность. Шульман ждёт их камбека, но пока Policy Gradient-методы побеждают на коротких горизонтах.[1]
4️⃣ Continual learning: long context + LoRA
По мнению Джона для непрерывного обучения нужны два фактора
1. In-context learning (long context) - для быстрого, short-horizon.
2. Parameter fine-tuning (LoRA) - для long-horizon knowledge, требующего ёмкости.
Scaling может решить проблему и без новых идей, но Шульман ждёт прорывов, которые сдвинут scaling laws.
5️⃣ Brittle generalization: люди vs модели
Модели круты in-context (как люди), но хуже на длинных горизонтах - застревают, где человек способен к само-коррекции. Почему? Люди заточены эволюцией на 80-летний таймлайн. Неясно, это временное или фундаментальное ограничение. Тестировать на десятилетия эквивалентно запуску evals на декады, что проблематично
6️⃣ Будущее reinforcement learning: GANs 2.0 и multi-agent игры
Шульман ждёт возврата идей из 2010-х:
- Co-training generators + verifiers (как GANs) - это про самоусиливайщийся цикл: лучше reasoning → лучше verifier → лучше generator.[1]
- Multi-agent games** (zero-sum/debate) - автоматический curriculum + теоретические гарантии из complexity theory (polynomial judge создаёт стимулы для сложных проблем (условно, NP-проблем)). Debate game от OpenAI/Anthropic - недооценённая идея.
В продолжении я расскажу про другие интересные тезисы, навроде подходов к руководству исследованиями или замедления получения прорывных результатов.
#Engineering #AI #Metrics #Software #Architecture #RnD #ML
Посмотрел очередной эпизод подкаста "Cafe Cursor", в котором общались Michael Truell и John Schulman. Майкл - это со-основатель Cursor, а John - со-основатель OpenAI и человек, предложивший RLHF (reinforcement learning from human feedback), технологию, лежащую в основе ChatGPT. Сейчас Джлн в Thinking Machines в роли chief scientist. В этом подкасте Джон делится инсайтами о том, как всё было устроено в OpenAI с 2016 года, что пошло не так, и куда движется reinforcement learning. Основные моменты интервью ниже
1️⃣ Speedrunning ChatGPT: могли бы сделать в 2018
Шульман считает, что с полным hindsight ChatGPT-3.5 можно было собрать ещё в 2018–2019 силами 2–3 человек на паре GPU-боксов. Секрет не в масштабе compute, а в умном post-training: правильный fine-tuning датасет компенсирует меньшую модель. Сравнивает с nanoGPT (один человек, один бокс, полгода). Вывод: масштабирование важно, но умные трюк > брут форса.
2️⃣ Ранний OpenAI
В 2016–2017 OpenAI был как академическая группа люди работали по 1–3 человека над whitepapers по своему вкусу. Например, был интересный проект Universe как попытка создать универсального RL-агента на сотнях видеоигр и веб-задач. Идея была правильной, но на 10 лет опередила время - тогда модели не генерализовались, система была неукдюжей. Позже пришли результаты в Dota и Procgen (эмуляция игр). Направление роботов тогда тоже было тупиковым, но полезным - оно прокачало команду на больших engineering-проектах и обучило людей системной работе.
3️⃣ Почему value functions не в моде?
В современном RLHF и verifiable rewards (даже на 10k+ токенов) функции ценности (value functions) не сокращают вариативность. Шульман ждёт их камбека, но пока Policy Gradient-методы побеждают на коротких горизонтах.[1]
4️⃣ Continual learning: long context + LoRA
По мнению Джона для непрерывного обучения нужны два фактора
1. In-context learning (long context) - для быстрого, short-horizon.
2. Parameter fine-tuning (LoRA) - для long-horizon knowledge, требующего ёмкости.
Scaling может решить проблему и без новых идей, но Шульман ждёт прорывов, которые сдвинут scaling laws.
5️⃣ Brittle generalization: люди vs модели
Модели круты in-context (как люди), но хуже на длинных горизонтах - застревают, где человек способен к само-коррекции. Почему? Люди заточены эволюцией на 80-летний таймлайн. Неясно, это временное или фундаментальное ограничение. Тестировать на десятилетия эквивалентно запуску evals на декады, что проблематично
6️⃣ Будущее reinforcement learning: GANs 2.0 и multi-agent игры
Шульман ждёт возврата идей из 2010-х:
- Co-training generators + verifiers (как GANs) - это про самоусиливайщийся цикл: лучше reasoning → лучше verifier → лучше generator.[1]
- Multi-agent games** (zero-sum/debate) - автоматический curriculum + теоретические гарантии из complexity theory (polynomial judge создаёт стимулы для сложных проблем (условно, NP-проблем)). Debate game от OpenAI/Anthropic - недооценённая идея.
В продолжении я расскажу про другие интересные тезисы, навроде подходов к руководству исследованиями или замедления получения прорывных результатов.
#Engineering #AI #Metrics #Software #Architecture #RnD #ML
YouTube
John Schulman on dead ends, scaling RL, and building research institutions
A conversation with John Schulman on the first year LLMs could have been useful, building research teams, and where RL goes from here.
00:00 - Speedrunning ChatGPT
09:22 - Archetypes of research managers
11:56 - Was OpenAI inspired by Bell Labs?
16:54 -…
00:00 - Speedrunning ChatGPT
09:22 - Archetypes of research managers
11:56 - Was OpenAI inspired by Bell Labs?
16:54 -…
❤5👍5🔥2
[2/2] John Schulman on dead ends, scaling RL, and building research institutions (Рубрика #AI)
Продолжая рассказ об этом крутом интервью, хочется рассказать о тезисах, что связаны с руководством исследовательскими командами, а также подсветить основные мысли, что показались мне полезными.
7️⃣ Как строить исследовательские команды: hands-on vs hands-off
Интересные размышления про архетипы руководителей исследований
- Hands-on (кодит, читает код, deep technical feedback) - он ориентирован на проекты для достижения целей, может рулить командами с начинающими специалистами, работает в режиме execution этого проекта
- Hands-off (работает как консультант, дает советы по карьере, мотивирует) - больше работает в формате exploratory research, а в команде должны быть senior люди
Но основной ключ в адаптивности - исследования меняются и что работало 7 лет назад, может не сработать сейчас. Ранний OpenAI был peacetime (exploratory), новые labs (Thinking Machines) - wartime (надо догнать SOTA (state of the art результаты) + выстроить исследовательскую культуру)
8️⃣ День из жизни исследователя
Шульман работает в кофейнях (шум вокруг + ноутбук + идеи), потом execution: код, review docs/plots/код коллег. Использует Cursor и Claude Code для кодинга, GPT-5 Pro для литературы/детализации идей/обратной связи по поводу написания. Совет от Джона: держите research notebook (ещё важнее с LLM для контекста)
9️⃣Замедление прогресса: 10x исследователей ≠ 10x идей
За 10 лет число ML-researchers выросло в 10–100x, но "consequential" идеи (типа scaling laws) не ускорились. Причины:
- Низковисящие результаты исчерпаны
- Выше уровень (больше baselines, экспериментов)
- Сдвиг типов: раньше был рисковые люди, а сейчас более традиционные (engineering > research taste)
Но качество растёт: старые papers (70–90-е) имели слабую строгость.
🔟 Thinking Machines: philosophy и Tinker
Новая лаборатория Шульмана. Философия не только в том, чтобы догнать SOTA, но и прокачать исследовательскую мышцу и заложить культур. У этой лабы уже есть инструмент Tinker - low-level API для fine-tuning (Python scripts без GPU hassle), для продвинутых ML-инженеров. План эволюционировать в full-stack продукт для менее продвинутых инженеров.
Мне показалось это интересным с разных сторон
1. Для лидеров тут есть идеи про переключение между hands-on и hands-off в зависимости от фазы проекта и зрелости людей
2. Для инженеров объяснение, что ИИ-лаборатории это не магия - в работе много тупиков, предвзятости и то, что культура важнее процессов.
3. Для исследователей есть мысли про возвращение RL (verifiers, multi-agent), про движение в сторону непрерывного обучения, а также про важность новых исследований даже во время работы законов масштабирования (которые говорят, что больше данных и больше GPU - лучше результат)
#Engineering #AI #Metrics #Software #Architecture #RnD #ML
Продолжая рассказ об этом крутом интервью, хочется рассказать о тезисах, что связаны с руководством исследовательскими командами, а также подсветить основные мысли, что показались мне полезными.
7️⃣ Как строить исследовательские команды: hands-on vs hands-off
Интересные размышления про архетипы руководителей исследований
- Hands-on (кодит, читает код, deep technical feedback) - он ориентирован на проекты для достижения целей, может рулить командами с начинающими специалистами, работает в режиме execution этого проекта
- Hands-off (работает как консультант, дает советы по карьере, мотивирует) - больше работает в формате exploratory research, а в команде должны быть senior люди
Но основной ключ в адаптивности - исследования меняются и что работало 7 лет назад, может не сработать сейчас. Ранний OpenAI был peacetime (exploratory), новые labs (Thinking Machines) - wartime (надо догнать SOTA (state of the art результаты) + выстроить исследовательскую культуру)
8️⃣ День из жизни исследователя
Шульман работает в кофейнях (шум вокруг + ноутбук + идеи), потом execution: код, review docs/plots/код коллег. Использует Cursor и Claude Code для кодинга, GPT-5 Pro для литературы/детализации идей/обратной связи по поводу написания. Совет от Джона: держите research notebook (ещё важнее с LLM для контекста)
9️⃣Замедление прогресса: 10x исследователей ≠ 10x идей
За 10 лет число ML-researchers выросло в 10–100x, но "consequential" идеи (типа scaling laws) не ускорились. Причины:
- Низковисящие результаты исчерпаны
- Выше уровень (больше baselines, экспериментов)
- Сдвиг типов: раньше был рисковые люди, а сейчас более традиционные (engineering > research taste)
Но качество растёт: старые papers (70–90-е) имели слабую строгость.
🔟 Thinking Machines: philosophy и Tinker
Новая лаборатория Шульмана. Философия не только в том, чтобы догнать SOTA, но и прокачать исследовательскую мышцу и заложить культур. У этой лабы уже есть инструмент Tinker - low-level API для fine-tuning (Python scripts без GPU hassle), для продвинутых ML-инженеров. План эволюционировать в full-stack продукт для менее продвинутых инженеров.
Мне показалось это интересным с разных сторон
1. Для лидеров тут есть идеи про переключение между hands-on и hands-off в зависимости от фазы проекта и зрелости людей
2. Для инженеров объяснение, что ИИ-лаборатории это не магия - в работе много тупиков, предвзятости и то, что культура важнее процессов.
3. Для исследователей есть мысли про возвращение RL (verifiers, multi-agent), про движение в сторону непрерывного обучения, а также про важность новых исследований даже во время работы законов масштабирования (которые говорят, что больше данных и больше GPU - лучше результат)
#Engineering #AI #Metrics #Software #Architecture #RnD #ML
Telegram
Книжный куб
[1/2] John Schulman on dead ends, scaling RL, and building research institutions (Рубрика #AI)
Посмотрел очередной эпизод подкаста "Cafe Cursor", в котором общались Michael Truell и John Schulman. Майкл - это со-основатель Cursor, а John - со-основатель…
Посмотрел очередной эпизод подкаста "Cafe Cursor", в котором общались Michael Truell и John Schulman. Майкл - это со-основатель Cursor, а John - со-основатель…
❤5👍3🔥2