TheNote
DZone.com Feed на русском Заметка
GooglePlay AppStore

DZone.com Feed на русском

DZone - это комплексная онлайн-платформа, посвященная различным аспектам технологий и программирования. Сайт предоставляет обширную информацию о различных языках программирования, технологиях, фреймворках и инструментах. Среди основных возможностей и ресурсов сайта - новости и статьи о последних тенденциях и обновлениях в технологическом секторе, различные ресурсы и учебники для обучения различным навыкам программирования, а также сообщество, где пользователи могут общаться друг с другом и делиться своим опытом и знаниями. Кроме того, DZone предлагает объявления о вакансиях для технических специалистов, являясь полезным ресурсом для тех, кто интересуется технологиями и программированием.
DZone.com Feed dzone.com
RSS feeds.dzone.com
DZone.com Feed на русском RSS thenote.app
RSS Hunter RSS Hunter • 22 авг. 2024 г.

Трэд заметок

Налог на телеметрию: Архитектура нулевого выделения памяти для наблюдаемости событий в масштабе более 15 миллиардов событий в день

На протяжении всей моей карьеры системы наблюдаемости и мониторинга играли очень важную роль в обеспечении стабильности, доступности и масштабируемости систем при их проектировании, независимо от того, обрабатывает ли система миллионы или миллиарды событий в день. Разрабатывая основную инфраструктуру для коммуникационных платформ, конвейеров соответствия корпоративным требованиям и высокопроизводительных транзакционных систем, я неоднократно видел, как фоновая инструментация может незаметно стать узким местом при высокой производственной нагрузке.Телеметрия и наблюдаемость сопряжены со своими собственными проблемами. Инструментация телеметрии без снижения производительности бизнес-приложений в реальном времени, увеличения задержки запросов или раздувания облачных расходов часто изначально отодвигается на второй план, но становится очень важной по мере масштабирования системы. Более того, это гораздо более сложная проблема, чем обработка самих доменных событий в производственной среде.
The Telemetry Tax: Architecting Zero-Allocation Event Observability at 15B+ Daily Event Scale dzone.com
RSS Hunter RSS Hunter • Сегодня

Смерть в тихом контейнере: TCP-соединение, которое никогда не истекает

Под входит в состояние CrashLoopBackOff. Вы извлекаете логи, ожидая увидеть трассировку стека, панику, строку ошибки — что угодно, что укажет вам направление. Вместо этого вы получаете одну строку:Plain TextЗагрузка конфигурации...
The Silent Container Death: A TCP Dial That Never Times Out dzone.com
RSS Hunter RSS Hunter • Сегодня

Шесть степеней Айртона Сенны: Изучите Neo4j, соединив 75 лет Формулы-1

Одна из моих любимых вещей в гонках Формулы-1 — это данные, которые за ними стоят. Автомобили Формулы-1 — самые сложные и передовые в любом гоночном чемпионате. Они собирают огромные объемы телеметрических данных. Трассы также собирают данные во время мероприятий, и инженеры-гонщики анализируют их неделю за неделей. Они изучают все: от погоды и температуры шин до скорости на выходе из поворота. Данные в значительной степени продвигают этот вид спорта вперед.Изучая графовые базы данных и Neo4j, я понял, что это идеальный инструмент для ответа на вопрос, который меня интересовал. Мы все видели или слышали о "Шести степенях Кевина Бейкона", где почти любого актера можно проследить до звезды фильма "Свободные". Мне стало интересно: может ли это работать для пилотов Формулы-1? По сравнению с этим, это гораздо меньший набор данных, чем у известных актеров.
Six Degrees of Ayrton Senna: Learn Neo4j by Connecting 75 Years of Formula 1 dzone.com
RSS Hunter RSS Hunter • Сегодня

Стратегии миграции AWS 7R: Структура принятия решений для инженерных команд

Большинство проектов миграции в AWS терпят неудачу не из-за технической сложности. Они терпят неудачу, потому что команды рассматривают миграцию как единое действие, а не как набор различных стратегий, применяемых к разным рабочим нагрузкам.AWS определяет семь стратегий миграции — 7R — которые определяют, как каждое приложение перемещается в облако. Решение о том, какая стратегия применяется к какой рабочей нагрузке, оказывает большее влияние на стоимость проекта, сроки и результат, чем любой архитектурный выбор, который вы сделаете впоследствии. Тем не менее, на практике большинство команд по умолчанию выбирают "поднять и перенести всё", не оценивая, подходит ли это.
AWS 7R Migration Strategies: A Decision Framework for Engineering Teams dzone.com
RSS Hunter RSS Hunter • Сегодня

Почему Databricks и Snowflake поддерживают протокол Kafka: Поглощение данных против архитектуры

Совместимые с Kafka возможности приема данных появляются повсеместно, в том числе и в аналитических платформах, которые никак не связаны с работой самого Kafka. Databricks добавила совместимые с Kafka API в свой сервис Zerobus Ingest. Snowflake пошла еще дальше на своем саммите и анонсировала Datastream, нативный, полностью совместимый с Kafka потоковый сервис. В обоих случаях существующие Kafka-продюсеры могут передавать данные напрямую на платформу без изменений в коде, только с изменением конфигурации.Это хорошая новость для экосистемы. Это также подтверждает мою давнюю мысль: API Kafka стал де-факто стандартом для перемещения событий, так же как API Amazon S3 стал стандартом для объектного хранения.
Why Databricks and Snowflake Speak the Kafka Protocol: Ingestion vs Architecture dzone.com
RSS Hunter RSS Hunter • Сегодня

Git Blame недостаточно: построение проверяемого происхождения для кода, сгенерированного ИИ

Программное обеспечение, сгенерированное ИИ, требует происхождения, которое сохраняется за пределами временных взаимодействий. Существующие проверки кода не раскрывают исходную модель, влияющие на нее подсказки или контекст выполнения. Происхождение устраняет этот пробел, рассматривая генерацию кода как событие в отслеживаемой цепочке поставок. Эта концепция соответствует установленным стандартам, таким как W3C PROV для моделирования происхождения и SLSA для проверки производства программных артефактов. Ключевой принцип заключается в отделении авторства от происхождения, поскольку происхождение описывает истоки, а не владение. Юридическое владение контентом, сгенерированным ИИ, определяется законом об авторском праве и договорными соглашениями, а не только процессом генерации. Бюро по авторскому праву США подчеркивает необходимость значительного человеческого авторства для возможности защиты авторским правом. Происхождение служит доказательством для атрибуции и подотчетности. Оно поддерживает аудиты и проверки, предоставляя проверяемую историю. В конечном итоге, происхождение обеспечивает прозрачность в жизненном цикле разработки программного обеспечения с использованием ИИ.
Git Blame Isn’t Enough: Building Verifiable Provenance for AI-Generated Code dzone.com
RSS Hunter RSS Hunter • Сегодня

Meta хочет управлять вашим бизнесом с помощью ИИ — у Microsoft и Salesforce появился новый соперник

Meta годами помогала компаниям размещать рекламу на Facebook и Instagram, а также общаться с клиентами через WhatsApp. Теперь она хочет, чтобы ее ИИ глубже интегрировался в эти компании.В понедельник компания запустила Meta Enterprise Platform, новое подразделение, ориентированное на превращение своих моделей ИИ, агентов, инструментов для написания кода и инфраструктуры в продукты, которые компании могут развертывать самостоятельно.
Meta Wants to Run Your Business With AI — Microsoft and Salesforce Have a New Rival dzone.com
RSS Hunter RSS Hunter • Сегодня

За пределами HTTP-передач: создавайте надежные сервисы от агента к агенту с помощью Temporal Nexus

Системы агентов все чаще делятся на специализированные сервисы: планирующий агент делегирует исследование, исследовательский агент вызывает извлечение и синтез, а агент по соблюдению требований проверяет результат перед разрешением действия. Открытые стандарты, такие как A2A, формализуют связь между независимыми агентами, но совместимость транспорта — лишь часть производственной проблемы. Запросы могут быть потеряны после принятия, повторные попытки могут привести к дублированию дорогостоящей работы, вызывающие стороны могут исчезнуть, пока удаленные задачи продолжаются, а цепочки из нескольких агентов могут стать трудными для восстановления.Temporal Nexus решает другую проблему. Он соединяет приложения Temporal через надежные контракты обслуживания, позволяя возможности агента вести себя менее как хрупкая передача по HTTP и более как надежная распределенная операция.
Beyond HTTP Handoffs: Build Durable Agent-to-Agent Services With Temporal Nexus dzone.com
RSS Hunter RSS Hunter • Сегодня

Инженерные самовосстанавливающиеся SQL-конвейеры с использованием LLM: валидация, ограничения и безопасное восстановление

Самовосстанавливающийся SQL-конвейер не должен означать автономную генерацию SQL с последующим привилегированным выполнением. На практике более безопасная интерпретация уже, где языковая модель предлагает исправление, а детерминированные средства контроля решают, является ли это исправление синтаксически корректным, семантически правдоподобным, операционно безопасным и пригодным для выполнения. Это различие важно, поскольку тот же механизм, который исправляет переименованный столбец, может также генерировать непреднамеренное удаление (DELETE), расширять соединение (join) или сканировать неожиданно большой набор данных.Функции структурированного вывода могут ограничивать ответ LLM определенной схемой, но соответствие схеме не эквивалентно корректности базы данных или авторизации. Structured Outputs от OpenAI предназначен для того, чтобы сгенерированный вывод соответствовал предоставленным JSON-схемам, и не проверяет семантику SQL или безопасность выполнения.
Engineering Self-Healing SQL Pipelines With LLMs: Validation, Guardrails, and Safe Recovery dzone.com
RSS Hunter RSS Hunter • Сегодня

Утечка OpenAI «o»: Что мы знаем о постоянно включенном помощнике ChatGPT до DevDay

Упоминания о необъявленном помощнике OpenAI под названием "o" появились в ChatGPT, что позволяет предположить, что компания тестирует постоянно включенного помощника, который может обладать некоторой формой электронной почты.OpenAI не анонсировала продукт, не описала его функционал и не подтвердила дату выпуска. Поскольку DevDay состоится 29 сентября в Сан-Франциско, утечка вызывает вопросы о том, может ли "o" стать новым потребительским интерфейсом для задач, которые продолжаются после того, как пользователь покидает ChatGPT.
OpenAI ‘o’ Leak: What We Know About ChatGPT’s Always-On Assistant Before DevDay dzone.com
RSS Hunter RSS Hunter • Вчера

Предсказание, Повторение, Улучшение: Объяснение детерминированного тестирования симуляций

2 часа ночи. Ваш телефон вибрирует, мигает оповещение о вызове, и внезапно вы сталкиваетесь с сбоем продакшена, который не имеет смысла. Следуя по логам, вы получаете подсказку: когда вы повторяете тот же сценарий на стейджинге, все работает идеально. Никакие контрольные точки качества/конвейеры QA не обнаружили его, хаос-эксперименты не воспроизвели его, и теперь вы преследуете призрака, который появляется только тогда, когда система находится под реальным давлением.Распределенные системы печально известны такими "фантомными сбоями" — редкими ошибками, зависящими от времени, которые появляются непредсказуемо и так же быстро исчезают. Это те самые ужасные инциденты, которые не дают инженерам спать по ночам, потому что их невозможно воспроизвести.
Predict, Repeat, Improve: Deterministic Simulation Testing Explained dzone.com
RSS Hunter RSS Hunter • Вчера

Обнаружение и реагирование выполнили свою работу. Теперь кто-то должен это исправить.

Хост изолирован. Вредоносный процесс остановлен. Скомпрометированные учетные данные отозваны до того, как злоумышленник сможет использовать их снова. Обнаружение и реагирование сработали точно так, как задумано: автоматически, правильно и быстро.То, что следует за этим, обычно менее упорядочено. Злоумышленник может быть устранен, но лазейка, которую он использовал, может остаться открытой, ожидая следующей попытки. Отчет Veracode "Состояние безопасности программного обеспечения" дает представление о масштабах проблемы. Критическая техническая задолженность выросла на 20% по сравнению с прошлым годом, а количество уязвимостей высокого риска, считающихся одновременно серьезными и легко эксплуатируемыми, увеличилось на 36%. Обнаружение достигло прогресса, но быстрое выявление проблемы и внедрение исправлений явно не одно и то же.
Detection and Response Did Its Job. Now Someone Has to Actually Fix It. dzone.com
RSS Hunter RSS Hunter • Вчера

Глубокое погружение в SDK Microsoft Foundry Document Intelligence: от PDF к структурированным данным

В большинстве конвейеров "RAG поверх PDF" есть шаг, о котором мало кто говорит: что-то должно превратить отсканированный счет, многоколоночный договор или сфотографированный чек в текст, над которым модель может реально рассуждать. В стеке Microsoft этим чем-то обычно является SDK Document Intelligence, ранее Form Recognizer, и его стоит понимать самому по себе, а не рассматривать как черный ящик, который работает до начала интересной части.Это практическое углубленное изучение именно этого SDK. Не обзор всех SDK Foundry Tools — Vision, Speech и Content Safety заслуживают отдельного рассмотрения, а реальная сборка с использованием Document Intelligence: извлечение макета в виде чистого markdown, извлечение структурированных полей из известного типа документа, классификация документов перед их маршрутизацией и обучение пользовательской модели извлечения на ваших собственных размеченных данных.
A Deep Dive into the Microsoft Foundry Document Intelligence SDK: From PDF to Structured Data dzone.com
RSS Hunter RSS Hunter • Вчера

Как тестировать POST API-запросы с помощью Playwright TypeScript

Тестирование POST-запросов API — важный навык для современных QA-инженеров и инженеров по автоматизации, работающих с бэкенд-сервисами и микросервисами. В этой статье мы рассмотрим, как тестировать POST-запросы API с помощью Playwright и TypeScript, уделяя особое внимание отправке тела запроса различными способами.К концу статьи вы узнаете, как отправлять POST-запросы API, используя следующие подходы для добавления тела запроса:
How to Test POST API Requests With Playwright TypeScript dzone.com
RSS Hunter RSS Hunter • Вчера

Принятие производства кода за прогресс в инженерии: Мифы о производительности ИИ, Часть 1

Несколько месяцев назад одна из наших команд отметила важный этап в своем квартальном обзоре. Использование ИИ возросло. Панель мониторинга производительности показала, что разработчики генерировали в среднем на 40% больше кода за спринт. Технический руководитель представил это как крупную победу.Три недели спустя я участвовал в звонке по поводу производственной проблемы. Сложность заключалась в том, что ошибки поступали в трех разных форматах в зависимости от того, к какому конечной точке вы обращались. Система оповещения была слепа к категории сбоев, которые она всегда ловила раньше.
Mistaking Code Production for Engineering Progress: AI Productivity Myths Part 1 dzone.com
RSS Hunter RSS Hunter • Вчера

Jakarta Batch на практике: надежная обработка по частям для корпоративных рабочих нагрузок

Пакетная обработка остается жизненно важной, поскольку многие бизнес-операции не подходят для интерактивных запросов. Такие задачи, как пересчет цен, сверка транзакций, миграция записей, генерация отчетов, обработка счетов, переклассификация клиентов или применение правил к миллионам записей, могут потребовать значительного времени. Обработка их как стандартных запросов приводит к хрупким системам, увеличению времени ожидания пользователей, частым тайм-аутам, сложным повторным попыткам и возможным несоответствиям данных.Пакетная модель обрабатывает большие рабочие нагрузки предсказуемо, инкрементально и с контролем над прогрессом и восстановлением. Вместо обработки массивной операции как единого цикла, пакетная обработка использует задания, шаги, блоки, контрольные точки, фильтрацию и возможность перезапуска. Этот подход отделяет длительные задачи обработки данных от пользовательского опыта, обеспечивая при этом структурированную модель выполнения. В этой статье мы сосредоточимся на Jakarta Batch и рассмотрим его неизменную актуальность для современных корпоративных приложений.
Jakarta Batch in Practice: Reliable Chunk-Oriented Processing for Enterprise Workloads dzone.com
RSS Hunter RSS Hunter • Вчера

Предупреждение, которое никогда не останавливает агента

Я искал флаг, который мог бы ограничить сумму, потраченную за сессию в DeepAgents. Жесткий лимит расходов, который останавливает цикл агента, прежде чем он исчерпает бюджет. Вместо этого существует предупреждение, и разрыв между "предупреждением" и "остановкой" оказался более интересной историей. Что уже существует: число без зубовdeepagents-code имеет CostTrackingMiddleware, который отслеживает совокупные расходы потока. Это реальная, зафиксированная сумма в долларах, рассчитанная на основе фактического использования токенов за каждый запрос, а не оценка. Отдельная функция, построенная поверх этого числа и добавленная ранее, выдает одноразовое предупреждение, когда сумма превышает установленный порог (по умолчанию 50 долларов):
The Warning That Never Stops the Agent dzone.com
RSS Hunter RSS Hunter • Вчера

Jakarta Faces сталкивается с проблемой области видимости потока: управление многошаговым пользовательским опытом без состояния сессии

Многошаговые процессы распространены в UX, включая онбординг, оформление заказа, настройку учетной записи, процессы утверждения, мастера конфигурации и административные задачи. Они требуют от пользователей перемещения по нескольким экранам, сохраняя при этом согласованное рабочее состояние. Задача состоит в том, чтобы поддерживать это состояние активным в течение всего взаимодействия, но не дольше. Область действия запроса слишком коротка, в то время как область действия сеанса часто выходит за рамки потребностей бизнес-процесса.Jakarta Faces решает эту проблему с помощью @FlowScoped, который управляет состоянием на основе жизненного цикла потока, а не одной страницы или всего сеанса. В этой статье используется приложение для сегментации клиентов, чтобы продемонстрировать, как поток может направлять пользователей через настройку, предварительный просмотр и подтверждение, сохраняя при этом состояние на каждом этапе. Такой подход создает более чистую модель для UX в стиле мастера: область действия начинается, когда пользователь входит в поток, сохраняется во время навигации и заканчивается при выходе.
Jakarta Faces Flow Scope: Managing Multi-Step UX Without Session State dzone.com
RSS Hunter RSS Hunter • Вчера

Разработка кода с помощью ИИ переходит от доверия модели к ограничению ее возможностей.

В последние несколько лет большая часть дискуссий об ИИ-ассистированном программировании была сосредоточена на моделях. Какая модель генерирует лучший код? Какая понимает самый большой репозиторий? Какая допускает меньше ошибок? Какая имеет самое большое контекстное окно? Эти вопросы по-прежнему важны, но происходит нечто более интересное.Инфраструктура вокруг кодирующих агентов начинает предполагать, что модель не является компонентом, которому следует в конечном итоге доверять. Вместо этого вокруг моделей создаются все более сложные системы для контроля того, к чему они могут получить доступ, какие операции они могут выполнять, как эти операции утверждаются и как проверяются их результаты.
AI Coding Is Moving From Trusting the Model to Constraining What It Can Do dzone.com
RSS Hunter RSS Hunter • 28 сент.

От гигантских подсказок до навыков по запросу: создайте расширяемого ИИ-агента с прогрессивным раскрытием информации

Большие промпты агентов часто начинаются как практическое упрощение: политики, правила домена, описания инструментов, примеры, процедуры восстановления и заметки по интеграции помещаются в одно системное сообщение, чтобы каждая возможность была всегда доступна. Такой подход перестает масштабироваться, как только агент накапливает десятки инструментов и специализированных рабочих процессов. Определения инструментов и инструкции потребляют контекст на каждом шаге, нерелевантный материал конкурирует с релевантным задаче материалом, и каждая интеграция увеличивает общий промпт, который становится труднее тестировать и версионировать.Текущие рекомендации платформ все чаще сходятся к другой модели: сначала раскрывать компактные метаданные возможностей, загружать подробные инструкции только после установления релевантности и выполнять специализированную логику в контролируемых границах инструментов или песочниц. Anthropic описывает это как прогрессивное раскрытие для навыков агентов, в то время как OpenAI поддерживает как навыки, так и отложенное обнаружение инструментов.
From Giant Prompts to On-Demand Skills: Build an Extensible AI Agent With Progressive Disclosure dzone.com
RSS Hunter RSS Hunter • 28 сент.

За пределами скриншотов: создание воспроизводимых диагностических средств для трудновоспроизводимых ошибок в продакшене

Производственные ошибки часто поступают с недостаточным количеством доказательств. Скриншот фиксирует конечное визуальное состояние, отчет о сбое идентифицирует стек, вызывающий ошибку, а заявка в службу поддержки описывает, что, по-видимому, произошло. Ни один из них не объясняет надежно последовательность, которая привела к сбою. Современные приложения представляют собой асинхронные системы, управляемые навигацией, сетевыми ответами, функциональными флагами, фоновой работой, локальным сохранением данных и изменяющимся состоянием пользовательского интерфейса. Поэтому полезный отчет о производственной ошибке требует большего, чем финальный кадр. Ему нужна ограниченная, безопасная для конфиденциальности история выполнения, которая реконструирует путь, ведущий к сбою.Основой воспроизводимого отчета об ошибке является семантический поток событий. Непрерывная видеозапись является дорогостоящей, ее трудно искать, и она, вероятно, будет захватывать информацию, не относящуюся к диагностике. Структурированные события меньше и напрямую описывают значимые переходы. Изменения навигации, действия кнопок, мутации состояния, сетевые исходы, оценки функциональных флагов, переходы жизненного цикла и сбои сохранения данных могут использовать общую модель событий.
Beyond Screenshots: Building Replayable Production Diagnostics for Hard-to-Reproduce Bugs dzone.com
RSS Hunter RSS Hunter • 28 сент.

Запрос истек, но платеж прошел: создание безопасных мобильных API с повторными попытками

Мобильные сети печально известны своей ненадежностью. Распространенный сценарий: пользователь нажимает "Оплатить сейчас" в приложении, запрос на оплату достигает сервера и обрабатывается, но ответ сети никогда не доходит до телефона. Клиент предполагает, что запрос не удался, и повторяет попытку, что приводит к двойному списанию средств. Именно такого рода ошибку решает идемпотентность.Идемпотентность означает, что повторение той же операции не имеет дополнительных эффектов, и вторая попытка должна распознать, что это дубликат, и не делать ничего нового. На практике мобильные разработчики должны рассматривать API платежей или заказов как идемпотентные, прикрепляя уникальные идентификаторы операций к запросам и дедуплицируя их на стороне сервера. С таким подходом, даже если сеть потеряет ответ или пользователь дважды нажмет кнопку, с пользователя будет списана сумма только один раз.
The Request Timed Out, But the Payment Succeeded: Building Retry-Safe Mobile APIs dzone.com
RSS Hunter RSS Hunter • 28 сент.

Агент изменил свой план на ходу: согласование решений ИИ с завершенными временными действиями

ИИ-агент редко следует долгосрочному плану точно так, как он был первоначально предложен. Результаты использования инструментов выявляют недостающие факты, внешние системы меняются, политики поступают через человеческий ввод, и модель может обнаружить, что ранее сделанное предположение было неверным. Агенты в стиле ReAct были специально разработаны вокруг этого чередования рассуждений, действий, наблюдений и обновлений плана, а не одного неизменного плана. Инженерная сложность начинается, когда эти действия имеют необратимые побочные эффекты.В Temporal завершенное Действие (Activity) — это не намерение, которое можно исключить из пересмотренного плана; его завершение и результат являются частью Истории Событий Рабочего Процесса (Workflow Event History). Поэтому перепланирование должно примирить новое решение с уже реально произошедшим прошлым.
The Agent Changed Its Plan Mid-Run: Reconciling AI Decisions With Completed Temporal Activities dzone.com
RSS Hunter RSS Hunter • 28 сент.

Создание движка рекомендаций продуктов с Neo4j — библиотека машинного обучения не требуется

Когда многие разработчики думают о рекомендательных системах, они думают о машинном обучении: моделях коллаборативной фильтрации, матричной факторизации, векторах вложений и конвейерах обучения. Что удивляет многих, так это то, что можно построить действительно полезную рекомендательную систему, используя не более чем графовую базу данных и несколько запросов Cypher. Никакого scikit-learn, никакого TensorFlow, никакого обучения моделей. Просто естественная структура данных делает свою работу.В этой статье мы построим рекомендательную систему продуктов на базе Neo4j Aura, используя два блокнота Jupyter. Первый сгенерирует реалистичный синтетический набор данных и загрузит его в Aura. Второй выполнит четыре рекомендательных запроса непосредственно в Cypher и визуализирует результаты с помощью Plotly. Все будет работать локально в виртуальном окружении Python против бесплатного облачного экземпляра Neo4j.
Building a Product Recommendation Engine With Neo4j — No ML Library Required dzone.com
RSS Hunter RSS Hunter • 28 сент.

Почему реагирование на инциденты нуждается в памяти, а не только в интеллекте

"Каждый производственный инцидент начинается с простого вопроса: "Было ли это раньше?"Я уже не могу сосчитать, сколько раз я присоединялся к обсуждениям инцидентов, где этот вопрос возникал в первые несколько минут. Прежде чем кто-либо предложит перезапустить сервис или откатить развертывание, кто-то неизбежно начинает искать. Они просматривают переписки в Slack о предыдущих сбоях, изучают старые постмортемы, сравнивают дашборды с похожими инцидентами или копаются в руководствах, чтобы узнать, решала ли другая команда уже ту же проблему."
Why Incident Response Needs Memory, Not Just Intelligence dzone.com
RSS Hunter RSS Hunter • 28 сент.

Перестаньте платить модели за принятие решений, которые вы уже приняли.

Если ваша команда распределяет навыки разработки ИИ (в виде плагина Claude Code или Cursor или общего файла правил), у вас есть каталог. Этот каталог охватывает такие вещи, как:Как структурировать сервис Что должно быть выполнено перед коммитом Какую внутреннюю библиотеку использовать вместо того, чтобы создавать свою собственнуюНавыки загружаются недорого благодаря прогрессивному раскрытию. Только название и однострочное описание находятся в контексте до тех пор, пока описание не совпадет с работой. Поэтому, когда расходы на токены растут, интуитивно понятным выводом является раздувание контекста, а очевидным рычагом является настройка описаний, чтобы они срабатывали реже.
Stop Paying a Model to Make Decisions You Already Made dzone.com
RSS Hunter RSS Hunter • 28 сент.

За пределами пакетной обработки: Инженерия корпоративных систем для принятия решений в реальном времени

Проблема пакетной обработкиПакетная обработка сама по себе не является недостатком. Она становится проблемой, когда бизнесу требуется решение немедленно, а архитектура была спроектирована так, чтобы эта информация была доступна позже.Представьте себе корпоративную систему, обрабатывающую миллионы взаимодействий с клиентами. Транзакции поступают в различные системы в течение дня. Каждые несколько часов запланированная задача извлекает данные, преобразует их, обновляет другую систему и, в конечном итоге, делает их доступными для последующего использования. Это работает нормально — до тех пор, пока бизнес не задает вопрос: "Почему мы не можем реагировать на это в тот момент, когда это происходит?"
Beyond Batch: Engineering Enterprise Systems for Real-Time Decisioning dzone.com
RSS Hunter RSS Hunter • 25 сент.

Кэширование подсказок не экономит деньги на первом шаге.

Я искал простой способ показать, что именно дает кэширование промптов агенту, и первое, что я обнаружил, — это факт, который легко упустить, если читать только заголовок "экономия до 90%". Кэширование первого хода свежего разговора стоит дороже, чем его отсутствие. Кэша еще нет, поэтому вы платите за ввод контента плюс 25% премии за запись в кэш, и ничего не получаете взамен. Экономия начинается со второго хода, когда есть что прочитать. Где это находится в deepagentsDeep Agents включает AnthropicPromptCachingMiddleware из langchain-anthropic в свой стек промежуточного ПО по умолчанию. Он не решает, что кэшировать, угадывая. Он помечает ровно две вещи при каждом вызове модели:
Prompt Caching Doesn't Save Money on Turn One dzone.com
RSS Hunter RSS Hunter • 25 сент.

Привычки в области качества программного обеспечения и ИИ

Качество программного обеспечения — это привычки. Качество наших релизов зависит от качества наших привычек. Никто не выпускает релиз, изобилующий дефектами, потому что не хотел качества. Скорее всего, они выпускают его потому, что мелкие ежедневные действия, которые могли бы его предотвратить — мелкие привычки — тихо прекратились. Один пропущенный тест, один PR, одобренный без прочтения, одно "исправим позже" за раз.Эта статья представляет собой краткое введение в эти привычки, малые и большие. Она объясняет, как малые привычки со временем становятся большими и как хорошие и плохие привычки накапливаются. Я также обсуждаю конкретную опасность, которую, по моему мнению, мы недооцениваем: что ИИ, используемый без понимания и суждения, не просто не способствует формированию привычек высокого качества. Он может активно разрушать те, которые у нас уже могут быть.
Software Quality Habits and AI dzone.com
RSS Hunter RSS Hunter • 25 сент.

Может ли ваша команда назвать работу, которую она уже выполняет с помощью ИИ?

Инвентаризация рабочих процессов с использованием ИИ — это важнейший инструмент для понимания того, как команда фактически использует ИИ. Хотя отдельные сотрудники могут знать о своих собственных способах использования ИИ, это может создать ложное ощущение полного знания. Когда их просят объединить эти индивидуальные практики, команда часто осознает, насколько фрагментировано их коллективное понимание. Инвентаризация служит централизованным списком, документирующим каждую повторяющуюся задачу, выполняемую с помощью ИИ. Затем каждая задача классифицируется по предварительным категориям. Эта классификация помогает подготовить команду к принятию обоснованных решений о делегировании задач ИИ. Автор активно использует ИИ для различных задач, рассматривая его как производственный инструмент. Однако он подчеркивает, что ИИ не заменяет человеческое критическое мышление. В конечном итоге, инвентаризация рабочих процессов с использованием ИИ направлена на переход от размытого понимания к конкретным, действенным выводам об интеграции ИИ.
Can Your Team Name the Work It Already Runs With AI? dzone.com
RSS Hunter RSS Hunter • 25 сент.

Создание практического "золотого пути" для облачных технологий: руководство по доставке сервисов на базе Kubernetes, самообслуживанию и удобным для разработчиков настройкам по умолчанию

Примечание редактора: Далее следует статья, написанная для и опубликованная в отчете DZone Trend Report за 2026 год «Основы облачных технологий: Kubernetes, инжиниринг платформ и распределенные операции в масштабе».Каждая инженерная организация, с которой я работал, в конечном итоге сталкивается с одной и той же проблемой: каждая команда развертывает сервисы по-разному. Одна команда использовала Helm, другая писала необработанные манифесты, а третья создавала собственный скрипт Bash. По мере накопления этих различных подходов шаги поддержки развертывания часто оказываются разбросанными по нескольким страницам Wiki, которые быстро устаревают. Затем новые инженеры проводят первые две недели, копируя значения конфигурации из старого репозитория и надеясь, что они все еще работают.
Building a Practical Cloud-Native Golden Path: A Guide to Kubernetes-Based Service Delivery, Self-Service, and Developer-Friendly Defaults dzone.com
RSS Hunter RSS Hunter • 25 сент.

Один агент, два рантайма: Определение владения состоянием между Temporal и LangGraph

Объединение Temporal и LangGraph порождает обманчиво простой вопрос: какой рантайм владеет состоянием агента? Оба сохраняют прогресс выполнения, но сохраняют разные виды прогресса. Temporal реконструирует состояние Workflow из истории событий и повторно использует записанные результаты Activity во время воспроизведения. LangGraph сохраняет состояние графа в пределах области видимости потока как контрольные точки и возобновляет работу с границ супершагов. Рассмотрение этих механизмов как взаимозаменяемых создает неоднозначную семантику восстановления. Поэтому производственная интеграция требует явного определения ответственности за бизнес-прогресс, рабочее состояние агента и передачу между ними. Язык развертывания, бэкенд хранения, поставщик модели и топология хостинга остаются неуказанными предположениями.Текущая интеграция Temporal LangGraph сужает проблему. Его плагин Python в публичной предварительной версии может запускать узлы LangGraph как Temporal Activity или детерминированный код Workflow, в то время как Temporal обеспечивает долговечность; документация рекомендует контрольную точку LangGraph в памяти, а не отдельную контрольную точку PostgreSQL или Redis. Continue-As-New может переносить кэшированные результаты задач в следующий запуск Workflow.
One Agent, Two Runtimes: Defining State Ownership Between Temporal and LangGraph dzone.com
RSS Hunter RSS Hunter • 25 сент.

В центре внимания участник: Майова Фаджобі

Было так приятно узнать наших авторов DZone не только по их невероятным статьям. И, притворяясь шокированным, разработчики, на самом деле, имеют жизнь вне работы за компьютером. От создания проектов с открытым исходным кодом до проведения качественного времени с семьями, сообщество DZone полно не только экспертов в своих областях, но и увлеченных людей с интересными историями. Один из таких людей — наш герой недели.Майова Фаджобби, возможно, и новое лицо на DZone, но он уже признанный лидер в таких технологических областях, как платформенная инженерия, решения на базе ИИ и стратегия открытого исходного кода. Но не верьте мне на слово! Узнайте больше о Майове, его прошлом и карьерном пути, который привел его туда, где он находится сегодня.
Member Spotlight: Mayowa Fajobi dzone.com
RSS Hunter RSS Hunter • 25 сент.

Тестирование бизнес-программ без создания объектных моделей предметной области

Тестирование бизнес-логики часто требует удивительно мало бизнес-данных.Предположим, мы хотим протестировать программу, которая загружает заказ, рассчитывает его общую сумму и отклоняет его, когда сумма превышает лимит. Решение, которое мы хотим проверить, простое:
Testing Business Programs Without Constructing Domain Objects dzone.com
RSS Hunter RSS Hunter • 25 сент.

Как проверить данные ответа в API-тестировании с помощью Playwright TypeScript

Одной из важнейших частей автоматизации тестирования API является проверка тела ответа для обеспечения целостности данных. Этот шаг играет ключевую роль в функциональном тестировании API, поскольку помогает подтвердить, что API возвращает правильные данные в ожидаемом формате.Проверка тела ответа не ограничивается определенным типом запроса; она одинаково применима к API POST, GET, PUT и PATCH. Один и тот же подход к проверке может использоваться для любого ответа API, чтобы проверить данные, возвращаемые сервисом.
How to Verify Response Data in API Testing With Playwright TypeScript dzone.com
RSS Hunter RSS Hunter • 25 сент.

Защита предприятия: шаблоны безопасности данных для интеграций с ИИ

Каждый корпоративный разговор об искусственном интеллекте в конечном итоге сводится к одному и тому же неудобному вопросу: что происходит с нашими данными, когда они покидают наш периметр? Независимо от того, подключаете ли вы большую языковую модель к конвейеру обработки претензий, создаете систему генерации с дополненной выборкой (RAG) для внутреннего поиска знаний или позволяете агентурному рабочему процессу выполнять автономные действия против производственных систем, ответ определяет, станет ли ваша инициатива в области ИИ конкурентным преимуществом или потенциальным инцидентом соответствия требованиям.В этой статье представлен многоуровневый подход с глубокой эшелонированной защитой для обеспечения безопасности корпоративных данных на протяжении всего жизненного цикла ИИ — от классификации данных и контроля доступа, через передачу и хранение, контракты с поставщиками, гигиену запросов, архитектурные шаблоны и сопоставление соответствия требованиям. Она написана для архитекторов, технических руководителей и инженеров-менеджеров, которые уже прошли этап обсуждения "следует ли нам использовать ИИ" и теперь живут в реальности "как нам сделать это безопасно в масштабе".
Locking Down the Enterprise: Data Security Patterns for AI Integrations dzone.com
RSS Hunter RSS Hunter • 25 сент.

Как мультиагентные системы могут заменить большинство решений по ручной валидации машинного обучения — подход Карпати Луп

Мошенническая схема активизируется в 23:00. Ваша модель обнаружения начинает пропускать транзакции, которые она бы отловила три месяца назад. К утру среды ваша панель мониторинга горит красным. Модель-конкурент готова; она была обучена на прошлой неделе, находится на этапе тестирования и ждет разрешения на запуск.Она не будет развернута до пятницы.
How Multi-Agent Systems can replace most of Manual ML Validation decisions - The Karpathy Loop Approach dzone.com
RSS Hunter RSS Hunter • 24 сент.

Создание ИИ-агента, который преобразует сбои в производстве в регрессионные тесты

Сбои в производстве часто содержат достаточно доказательств, чтобы объяснить, что пошло не так, но недостаточно структуры, чтобы стать исполняемым тестом. Трассировка может выявить путь запроса, приведший к сбою, журнал может содержать исключение, а нижестоящие сегменты могут раскрыть ответ зависимости, вызвавший дефект. Полезным инженерным шагом является преобразование этих доказательств в детерминированный регрессионный тест, а не в еще один отчет об инциденте.Современные системы воспроизведения ошибок следуют тому же принципу: полезный репродуктор должен давать сбой на ошибочной ревизии по заявленной причине и проходить после исправления дефекта. Issue2Test и ReProAgent используют обратную связь по выполнению вместо того, чтобы рассматривать генерацию тестов как единую операцию запроса и ответа.
Building an AI Agent That Converts Production Failures Into Regression Tests dzone.com
RSS Hunter RSS Hunter • 24 сент.

Отслеживание видимости бренда в поисковых системах с ответами на базе ИИ с помощью Python

Пятнадцать лет "видимость в поиске" означала одно: какое место URL занимает в списке из десяти синих ссылок. Эта модель тихо рушится. Все большая доля пользователей теперь получает ответ из синтезированного абзаца — сгенерированного ChatGPT, Perplexity, Gemini или AI Overviews от Google — и вообще не переходит по ссылкам на источник.Проблема для разработчиков и технических маркетологов заключается в том, что эта поверхность в значительной степени невидима для существующих инструментов. Google Search Console не сообщает, упоминает ли ChatGPT определенный бренд. Трекер ранжирования не знает, процитировал ли Perplexity один домен вместо другого. Если вам нужны эти данные, вам придется собирать их самостоятельно.
Track Brand Visibility Across AI Answer Engines with Python dzone.com
RSS Hunter RSS Hunter • 24 сент.

Когда ваш чат-бот сможет договориться с системой оценки

Представьте себе простую архитектуру. Кандидат отвечает на вопросы собеседования. Модель извлекает признаки из каждого ответа и обновляет текущую оценку. Между вопросами кандидат может задавать вопросы о должности, структуре команды, льготах и о том, что будет дальше. Это делает процесс человечным. Поэтому вы направляете эти вопросы той же разговорной модели, которая проводит собеседование, потому что у нее уже есть весь контекст. Одна модель, одно контекстное окно, один конвейер. Отправляйте.Теперь проследите, что вы только что построили. Логика оценки и логика вопросов и ответов разделяют состояние. Они разделяют контекстное окно. Они могут разделять запрос. Признаки, которые влияют на оценку кандидата, вычисляются в том же месте, где генерируются дружелюбные ответы об отпуске по уходу за ребенком. Нет никакой стены между "этот текст является свидетельством о кандидате" и "этот текст является ответом службы поддержки". Вы не спроектировали утечку. Вы спроектировали систему, в которой нет причин не допускать утечки.
When Your Chatbot Can Talk Its Way Into the Scoring Engine dzone.com
RSS Hunter RSS Hunter • 24 сент.

Сложность облака — это проблема операционной модели: почему одной лишь зрелости инфраструктуры недостаточно для решения проблем масштабирования, надежности и трений в команде

Примечание редактора: Далее следует статья, написанная для и опубликованная в отчете DZone за 2026 год «Основы облачных технологий: Kubernetes, инжиниринг платформ и распределенные операции в масштабе».После нескольких лет эксплуатации общей среды Kubernetes становится очевидным смещение центра тяжести. Развертывание кластеров, планирование контейнеров и обновления становятся рутиной, однако релизы по-прежнему задерживаются из-за вопросов владения, доступа, телеметрии и распределения затрат.
Cloud Complexity Is an Operating Model Problem: Why Infrastructure Maturity Alone Can’t Solve Scale, Reliability, and Team Friction dzone.com
RSS Hunter RSS Hunter • 24 сент.

Интеграция LLM в приложения для iOS с использованием Swift и ONNX Runtime

Искусственный интеллект стал одной из самых влиятельных технологий в современной разработке программного обеспечения. От чат-ботов и рекомендательных систем до анализа тональности и интеллектуального поиска, модели машинного обучения теперь являются ожидаемыми функциями во многих мобильных приложениях.В течение нескольких лет интеграция ИИ в приложения для iOS почти всегда означала отправку пользовательских данных в облачные сервисы. API, такие как OpenAI, Anthropic Claude и Google Gemini, позволяли разработчикам использовать передовые языковые модели, не беспокоясь об инфраструктуре или аппаратных ограничениях. Хотя этот подход прост, он также создает ряд проблем, включая сетевую задержку, стоимость API, зависимость от интернета и проблемы конфиденциальности.
Integrating LLMs into iOS Applications With Swift Using ONNX Runtime dzone.com
RSS Hunter RSS Hunter • 24 сент.

Чек-лист по управлению ИИ на предприятии для команд разработчиков ПО

Большинство фреймворков управления ИИ пишутся для руководителей, сотрудников по соблюдению нормативных требований и комитетов по управлению рисками. Они создают политики. Политики порождают документы. А документы лежат в SharePoint, в то время как инженерные команды выпускают функции ИИ без какой-либо инфраструктуры управления.Это не цинизм. Это закономерность. Опрос McKinsey за 2024 год показал, что 72% организаций внедрили ИИ хотя бы в одной бизнес-функции. Менее 10% имеют зрелое управление [1]. Этот разрыв — не провал намерений. Это провал операционализации. Фреймворки управления не трансформируются в критерии приемки, чек-листы для проверки кода или этапы развертывания. Поэтому они не внедряются.
An Enterprise AI Governance Checklist for Software Teams dzone.com
RSS Hunter RSS Hunter • 24 сент.

Когда управление конфигурациями становится операционной проблемой

Зеленый запуск Ansible может скрыть операцию без явного владельца.Задачи выполнены. Все цели сообщили об успехе. Запрошенное изменение произошло. Однако никто не может с уверенностью сказать, какая система теперь владеет состоянием ресурса, отслеживает службу, контролирует учетные данные или решает, безопасно ли следующее действие.
When Configuration Management Becomes an Operational Liability dzone.com
RSS Hunter RSS Hunter • 24 сент.

RAG недостаточно: Расцвет корпоративных графов знаний для систем ИИ

Генерация с дополненным поиском стала стандартным шаблоном для привязки больших языковых моделей к корпоративным данным. Типичная реализация преобразует документы во вложения, сохраняет их в векторной базе данных, извлекает наиболее похожие фрагменты для запроса и добавляет эти фрагменты в подсказку модели. Это хорошо работает для поиска документов, поиска политик, справочного контента и других задач, где основным требованием является семантическое сходство. Однако корпоративные знания редко организованы как изолированные фрагменты. Они распределены по приложениям, базам данных, API, документам, иерархиям владения, каталогам продуктов и операционным записям. Как только вопросы требуют отношений, происхождения, времени или многошаговых рассуждений, одного только векторного поиска становится недостаточно.Следовательно, следующий этап корпоративного ИИ зависит от объединения RAG с корпоративными графами знаний.
RAG Is Not Enough: The Rise of Enterprise Knowledge Graphs for AI Systems dzone.com
RSS Hunter RSS Hunter • 24 сент.

Anthropic строит биологическую лабораторию для проверки возможностей Claude в реальном мире

Anthropic годами предупреждала о рисках все более мощного ИИ. Теперь компания тестирует возможности этих систем в настоящей биологической лаборатории.Создатель Claude открыл в районе залива Сан-Франциско мокрую лабораторию, где может проводить физические биологические эксперименты, расширяя свою работу в области наук о жизни за пределы компьютерных исследований. Эрик Каудерер-Абрамс, руководитель отдела наук о жизни в Anthropic, подтвердил наличие этого объекта Reuters и сообщил, что компания проводит некоторые эксперименты внутри компании, а для других полагается на внешних партнеров.
Anthropic Builds Biology Lab to Test What Claude Can Do in the Real World dzone.com
RSS Hunter RSS Hunter • 24 сент.

SpaceXAI запускает Grok 4.7: низкие цены, большое потребление токенов

Grok 4.7 обещает более высокую производительность ИИ в области кодирования без увеличения базовой цены, но высокое потребление токенов может свести на нет эту экономию.SpaceXAI выпустила Grok 4.7 21 сентября как свою последнюю модель для кодирования и профессиональной работы с знаниями. По данным компании, она использует более крупную базовую модель, чем Grok 4.6, и прошла более длительный цикл обучения с подкреплением, ориентированный на сложные задачи, выполнение которых может занимать часы.
SpaceXAI Launches Grok 4.7: Low Prices, Heavy Token Use dzone.com
RSS Hunter RSS Hunter • 24 сент.

6 способов снизить затраты на API LLM с помощью библиотеки Python

Прежде чем переходить к решениям, полезно понять масштаб проблемы.Рассмотрим распространенный производственный сценарий: бот поддержки клиентов, который обрабатывает 10 000 сообщений в день, каждое из которых содержит системный запрос на 2000 токенов и сообщение пользователя на 200 токенов.
6 Techniques To Reduce LLM API Costs With the Python Library dzone.com
RSS Hunter RSS Hunter • 23 сент.

За пределами линтинга: почему мы перешли на семантические контракты для доступности и локализации

Я помню, как сидел в "военной комнате" за три дня до крупного релиза. Мы были уверены: наш статический линтер доступности (a11y) проходил тесты, а наши юнит-тесты локализации (l10n), которые выполняли простое сравнение строк, показывали зеленый свет. Затем бета-пользователь сообщил, что нажать на кнопку primary_submit_action было физически невозможно, потому что наш файл локализации увеличил длину подписи кнопки, вытолкнув область касания за пределы экрана.Наши тесты не провалились, потому что они не смотрели на экран. Они смотрели на текстовые файлы. В тот момент я понял, что наша зависимость от хрупкого сравнения строк и базового статического линтинга уперлась в глухую стену при масштабировании. Нам нужен был новый подход, который не просто проверял бы наличие подписи, но и подтверждал бы семантическое соответствие между макетом и пользователем.
Beyond Linting: Why We Switched To Semantic Contracts for A11y and Localization dzone.com
RSS Hunter RSS Hunter • 23 сент.

Перестаньте готовиться к проверкам — создайте конвейер, который проверяет сам себя

Каждая инженерная команда, о которой я читал, построившая непрерывное соответствие требованиям правильным образом, сообщает одно и то же: подготовка к аудиту сокращается с недель до часов, запросы на доказательства удовлетворяются с помощью запроса, а не суматохи, и команда по обеспечению соответствия перестает быть группой, с которой все боятся разговаривать.Стек, который приведет вас туда в 2026 году, больше не является экспериментальным. Каждый компонент имеет производственное качество, в основном является открытым исходным кодом, а шаблон задокументирован в достаточном количестве общедоступных инженерных блогов, чтобы вы могли скопировать его, ничего не изобретая заново. Это пошаговое руководство по тому, как на самом деле выглядит этот стек, что делает каждый уровень и какую конкретную выгоду приносит каждый из них.
Stop Preparing for Audits — Build the Pipeline That Audits Itself dzone.com
RSS Hunter RSS Hunter • 23 сент.