Трекер тренировок, где AI написал почти весь код

Вишал Паттни описал, как собрал и развернул полноценный трекер тренировок с помощью AI: от исходного технического задания до защищённого подключения на виртуальной машине Google Cloud. Сам код почти целиком сгенерировала модель, но человеческая часть не исчезла: автору пришлось точнее формулировать требования, проверять архитектуру, принимать компромиссы, тестировать и отвечать за развёртывание. История хороша именно тем, что показывает сдвиг работы от набора строк к инженерному контролю.

Бот-рекрутер с памятью о кандидатах на недели вперёд

Парника Косури сделала Recall после того, как заметила типичную проблему рекрутинговых ботов: при повторном разговоре они ведут себя так, будто видят кандидата впервые. Решение использует модель для извлечения полезных фактов из беседы и Hindsight для долговременного хранения, поэтому сама модель остаётся без состояния, а память живёт во внешнем слое. Это практичный пример того, как «персонализация» превращается не в красивую фразу, а в отдельную инженерную систему.

Веб-агент, который запоминает вкусы пользователя

Веннапуса Чандра Нихита Редди рассказала о команде, которая строит агента для создания сайтов с долговременной памятью о предпочтениях пользователя. Повод знакомый: без отдельного слоя памяти каждая новая сессия с AI слишком часто начинается почти с нуля. Авторы добавили сохранение решений, возврат к прошлым предпочтениям и самопроверку созданных сайтов, чтобы агент учился не только из явных команд, но и из собственных неудач.

TeamForge получил память о причинах инженерных решений

Аашрита Срирамоджу пишет, что самая сложная часть инженерного помощника — не ответить на вопрос, а помнить, почему команда когда-то выбрала одно решение и отвергла другое. TeamForge уже хранил требования, архитектуру и задачи, но после добавления Hindsight стал фиксировать альтернативы, открытия при реализации и контекст для передачи работы. Такая память особенно важна в проектах, где через месяц нужен не только итог, но и ход рассуждений.

Nebula Agent показывает противоречия, а не сглаживает их

Виктор построил терминального агента Nebula Agent, который сам пишет запросы к структурированному содержимому Sanity и выводит конфликтующие источники рядом. В примере агент находит противоречие между правилом и исправлением к нему, не сводя всё к одному уверенно звучащему ответу. Это человеческая история о том, как разработчик пытается сделать AI полезнее за счёт происхождения данных и честного показа неопределённости.

Mole прошёл путь от открытой утилиты до платного приложения для Mac

Создатель Mole описал переход от командной утилиты с десятками тысяч звёзд на GitHub к платному приложению для пользователей, которые не хотят жить в терминале. AI здесь важен не как рекламный слой, а как новый источник мусора: активное использование Claude Code и Codex изменило типы временных файлов и артефактов сборки на машине автора. Продукту пришлось учиться распознавать следы новой рабочей привычки разработчиков.

Агент поддержки показал, что память создаёт проблемы доверия

Рани Гоуни собрала агента поддержки, который помнит клиентов через Hindsight, и быстро упёрлась не в вызов внешнего интерфейса, а в вопросы границ. Если агент умеет помнить, нужно решать, чью именно память он извлекает, как она изолирована и в какой момент персонализация начинает выглядеть тревожно. В этой истории память — не удобная функция, а источник продуктовых и этических решений.

Открытый AI-коллега входит на сайты с двухфакторными кодами, не раскрывая секреты модели

Даниэль Эрхардт построил Godmode Bot — открытого AI-коллегу, который управляет настоящим браузером, но не получает логины и двухфакторные коды как текст для модели. Это приземлённый пример того, что агентные рабочие процессы на реальных сайтах требуют архитектуры доверия, а не только «умной» модели. Польза агента начинается там, где секреты остаются вне его поля зрения.

Четыре старых инструмента и один MCP-сервер как урок адаптации ПО под агентов

Дебашиш Гхошал рассказал о наборе проектов: помощнике при инцидентах, диагностике сбоев непрерывной интеграции, проверке управления кодом и работе с MCP-сервером. Главная мысль не в списке репозиториев, а в закономерности: старым инструментам нужны новые интерфейсы, ограничения и сценарии, когда ими начинают пользоваться AI-агенты. Это история разработчика, который учится не делать очередную демонстрацию, а перестраивать привычные рабочие контуры.

Навык для Claude Code стал полезным только после восьми этапов грязной итерации

TonyB описал создание двух навыков для Claude Code через восемь этапов: минимальные версии, тесты, обратную связь, поиск повторяющихся ошибок и документацию. Первые варианты давали слишком общие ответы, а качество появилось после добавления примеров, концептуальных слоёв и описания сбоев. Это хороший антипример к мифу о «готовом наборе подсказок»: рабочий AI-процесс родился только после настоящего использования и переделок.