Data Science. SQL hub

Python и ИИ в 2026 году: как правильно работать с кодом через ChatGPT, Claude, Cursor и AI-агентов

Как использовать ИИ для написания, проверки, рефакторинга и отладки Python-кода. 

Лучшие промпты, примеры, workflow и правила работы с AI-ассистентами в 2026 году.

https://uproger.com/python-i-ii-v-2026-godu-kak-pravilno-rabotat-s-kodom-cherez-chatgpt-claude-cursor-i-ai-agentov/

Теперь RL можно обучать прямо через реальный агентный harness — даже если он для тебя black box
ClawGym II показывает интересный подход: Claude Code или OpenClaw можно оставить без изменений и всё равно встроить их в RL training loop.
Фреймворк запускает агентный harness внутри sandbox, перехватывает model calls на serving-уровне и восстанавливает из них полные trajectories. После этого PPO или GRPO могут оптимизировать поведение модели уже с учётом реальной агентной среды.
Главный плюс: training stack не нужно заново реализовывать tool routing, retries, context management или subagents.
На Qwen3-30A3B это дало:
— +9.98 п.п. Pass@1 через OpenClaw
— +14.81 п.п. через Claude Code
Причём mix-harness training тоже сработал: одна политика, обученная сразу на OpenClaw и Claude Code, не хуже одиночных вариантов под обоими harness.
То есть следующий шаг в RL для агентов — обучать модель не в упрощённой симуляции, а прямо через тот сложный стек, в котором она потом будет реально работать.
Paper: arxiv.org/abs/2608.16798
ClawGym II: Exploring Black-Box RL on Agent Harness

🔥 **Harbor - единый фреймворк для тестирования и улучшения AI-агентов**

Сравнивать Claude Code, OpenHands, Codex CLI и других агентов сложно: у каждого свои команды, окружения и форматы результатов.

**Harbor** превращает это в единый воспроизводимый пайплайн. Он позволяет запускать разные модели и coding-агентов на одинаковых задачах в изолированных контейнерах.

Что умеет Harbor:

- тестировать разные модели и AI-агенты;
- запускать Terminal-Bench, SWE-Bench и Aider Polyglot;
- создавать собственные бенчмарки и окружения;
- параллельно проводить тысячи экспериментов;
- собирать rollouts для RL-оптимизации;
- работать локально через Docker или в облачных sandbox-сервисах.

Установка:

```bash
uv tool install harbor
```

Пример запуска:

```bash
harbor run \
--dataset terminal-bench@2.0 \
--agent claude-code \
--model anthropic/claude-opus-4-1 \
--n-concurrent 4
```

Harbor используется как evaluation harness для Terminal-Bench 2.0 и распространяется по лицензии Apache 2.0.

По сути, это инфраструктурный слой для команд, которым нужно не просто запускать AI-агентов, а системно измерять их качество, сравнивать конфигурации и улучшать модели на реальных задачах.

GitHub:
https://github.com/harbor-framework/harbor

Китай, похоже, заканчивает эпоху “берите наши open-weight модели и делайте что хотите”

Пекин обсуждает новые экспортные ограничения для AI и чипов. По данным FT/Reuters, Минкоммерции Китая уже консультировалось с Alibaba, ByteDance и Zhipu: как ограничить вывод training data за рубеж и стоит ли дальше разрешать иностранцам скачивать веса самых сильных моделей.

Причина - китайские frontier-модели всё чаще выходят open-weight. После Kimi K3 это стало особенно чувствительно: Moonshot представила 2.8T-модель и заявила, что она приближается к уровню американских frontier-систем.

Когда Китай догонял, открытость была оружием: раздать веса, ускорить adoption, ударить по закрытым западным моделям.

Теперь, когда разрыв с США уменьшился, те же веса выглядят уже не как маркетинг, а как стратегический актив.

И ограничения могут коснуться не только моделей. Обсуждаются меры, которые не дадут зарубежным производителям вроде Qualcomm и TSMC делать продвинутые чипы по дизайнам Huawei, Alibaba и ByteDance. Также возможны ограничения на зарубежные покупки стратегических AI-стартапов, включая agentic AI.

Китай начинает охранять AI так же жёстко, как редкоземы, чипы и другие рычаги технологической власти.

Open-source был стратегией андердога.

Похоже, Пекин уже не считает себя андердогом.

разрозненные инструменты NixOS вроде `nixos-rebuild` единым командным интерфейсом.
* Drop-in замена для nixos-rebuild и других стандартных NixOS-скриптов
* TUI для управления generations и предпросмотра options
* Wrapped и unwrapped варианты Ix-пакета, чтобы избежать лишних rebuild
* Интеграционные тесты через pkgs.testers.runNixOSTest
https://github.com/nix-community/nixos-cli

Поехали: Sonnet 5 уже вышла. Главное кратко:
• Anthropic называет её самой агентной Sonnet на данный момент
• Производительность почти на уровне Opus 4.8, но дешевле
• Сильный прирост в reasoning, работе с инструментами, кодинге и задачах с текстом/знаниями
• Модель по умолчанию для пользователей Free и Pro
• Уже доступна в Claude Code и API
• Стартовая цена: $2 за 1 млн входных токенов и $10 за 1 млн выходных до 31 августа
• Стандартная цена: $3 за 1 млн входных и $15 за 1 млн выходных токенов
• В целом безопаснее Sonnet 4.6: ниже уровень галлюцинаций и поддакивания пользователю
• Киберзащита включена по умолчанию, но Anthropic говорит, что Opus всё ещё сильнее для серьёзной работы в кибербезопасности
https://www.anthropic.com/news/claude-sonnet-5

tracesage добавляет локальный tracing без инфраструктуры для LangChain/LangGraph-агентов всего в две строки.
Он записывает каждый chain, tool call и LLM call в SQLite, а затем показывает запуск в браузере как live graph и timeline.
Open source, установка через pip install, лицензия MIT.
https://github.com/kjgpta/tracesage

PostgreSQL 19 Beta 1 добавляет ON CONFLICT DO SELECT.

Выглядит как незначительно изменение, но для разработки это очень удобная штука: теперь можно атомарно сделать get-or-create.
То есть логика становится простой:

- вставить строку
- если такой ключ уже есть - не обновлять её
- просто вернуть существующую запись

Пример:
INSERT INTO users (email, name)
VALUES ('alice@example.com', 'Alice')
ON CONFLICT (email) DO SELECT
RETURNING *;
Раньше для такого случая часто приходилось городить обходные варианты через DO NOTHING, отдельный SELECT, CTE или искусственный DO UPDATE, который ничего по сути не меняет.

Теперь PostgreSQL закрывает один из самых частых кейсов в backend-разработке: безопасно создать запись или получить уже существующую без лишней гонки между запросами.

Простой синтаксис, большой плюс к читаемости.

WSJ: Anthropic Mythos помог собрать рабочий exploit для macOS kernel за 5 дней

По данным WSJ, модель Anthropic Mythos помогла исследователям найти две ранее неизвестные уязвимости в ядре macOS и связать их в рабочую цепочку privilege escalation.

Целью был не браузер, не приложение и не какой-нибудь userspace-сервис, а macOS kernel - самый глубокий слой системы, где управляются память, процессы, права доступа и взаимодействие с железом.
Главный момент: атака держалась не на одном баге. Mythos помог связать две отдельные ошибки с дополнительными техниками эксплуатации. То есть это была цепочка, где каждый шаг открывал возможность для следующего.

По данным WSJ, exploit смог:
- повредить память
- обойти защитные механизмы Apple
- получить доступ к защищённым частям системы
- поднять привилегии выше уровня обычного приложения
Это важно, потому что современные защиты macOS строятся не только вокруг поиска багов. Их задача - сделать так, чтобы даже найденную memory corruption уязвимость было крайне сложно превратить в контроль над системой.


Vulnerability research - это не магия, а огромный поиск по тупикам. Нужно строить гипотезы, понимать поведение кода, держать в голове низкоуровневые ограничения, искать связки между багами и проверять, где защита системы реально ломается.
Если модель ускоряет этот процесс, она меняет не просто ресёрч. Она меняет экономику offensive security.

🖥 ИИ Агент за 9 секунд снёс продакшн-базу компании и стёр бэкапы. 

Cursor на Claude Opus 4.6 нашёл API-токен в постороннем файле, воспользовался им и всё удалил. 

Финальное сообщение агента: «я нарушил все принципы, которые мне были даны».

https://www.reddit.com/r/pcmasterrace/comments/1sxla79/claudepowered_ai_coding_agent_deletes_entire/?rdt=48142

🦀 Полный roadmap по изучению Rust на русском + большой список ресурсов. 


https://github.com/Develp10/rust-roadmap-ru/tree/main

😍 SQL PostgreSQL Course — информативный курс по SQL с практикой!
Это структурированное обучение по PostgreSQL: от базовых запросов до JOIN’ов, подзапросов и проектирования базы данных. Материал выстроен последовательно, поэтому легко идти шаг за шагом и не теряться в теме. Здесь есть практика с заданиями и ответами, за счёт чего обучение закрепляется.

SQL PostgreSQL Course — информативный курс по SQL с практикой!
Это структурированное обучение по PostgreSQL: от базовых запросов до JOIN’ов, подзапросов и проектирования базы данных. Материал выстроен последовательно, поэтому легко идти шаг за шагом и не теряться в теме. Здесь есть практика с заданиями и ответами, за счёт чего обучение закрепляется.
https://github.com/meowto16/sql-postgresql-course-beginner

⚡️ Редкий SQL-прием: EXISTS часто лучше, чем COUNT(*) > 0
Если тебе нужно просто проверить, есть ли строки, не заставляй базу считать их все.
Плохо:
SELECT COUNT(*) > 0
FROM orders
WHERE user_id = 42;
База может пройти по всем подходящим строкам, чтобы посчитать количество.
Лучше:
SELECT EXISTS (
    SELECT 1
    FROM orders
    WHERE user_id = 42
);
EXISTS останавливается сразу, как только нашел первую подходящую строку. Для больших таблиц это может быть заметно быстрее, особенно если есть индекс по условию:
CREATE INDEX idx_orders_user_id ON orders(user_id);
Если тебе нужен ответ “есть или нет”, используй EXISTS. COUNT(*) оставь для случаев, когда реально нужно точное количество строк.
#sql #postgresql #database #backend

Edit Banana редактирует текст прямо на картинках за пару кликов. Нейросеть разбирает изображение на смысловые блоки, после чего любой фрагмент можно переписать, не трогая остальное.
Модель уверенно справляется с таблицами, формулами и диаграммами, сохраняет исходные цвета, шрифты и позиции элементов. Готовый результат экспортируется в DrawIO, SVG или PowerPoint.
Проект полностью открытый, ставится локально с GitHub.
Забираем, пока не закрыли: 
https://github.com/BIT-DataLab/Edit-Banana

Продвинутый SQL совет - всегда проверяй, можно ли заменить SELECT DISTINCT на правильный JOIN или EXISTS.
Очень часто DISTINCT добавляют просто чтобы убрать дубли после неудачного join. Запрос вроде работает, но по факту ты сначала раздуваешь результат, а потом заставляешь базу его чистить. На больших таблицах это легко убивает производительность.
Плохой вариант:
SELECT DISTINCT u.id
, u.name
FROM users u
JOIN orders o ON o.user_id = u.id
;
Лучше так:
SELECT u.id
, uame.n
FROM users u
WHERE EXISTS (
    SELECT 1
    FROM orders o
    WHERE o.user_id = u.id
);
Почему это сильный приём:
EXISTS останавливается, как только находит первое совпадение
не нужно тащить лишние строки
не нужно потом убирать дубли
логика запроса становится честной - ты проверяешь наличие, а не собираешь мусор
Это один из самых частых hidden performance fixes в SQL. Если видишь DISTINCT, сразу спрашивай себя: он тут реально нужен или просто маскирует плохую логику JOIN.

Сегодня Anthropic запустила в открытую бету Claude Managed Agents - хостируемый сервис для запуска долгоживущих агентов на инфраструктуре Claude Platform. 
Если коротко: вы описываете задачи, инструменты и ограничения, а всё остальное берет на себя платформа.
Самое интересное спрятано в инженерном блоге, где команда описала архитектуру. Они пришли к ней через боль. Первая версия упаковывала всё в один контейнер: и сессию, и harness (цикл вызовов модели), и sandbox. Контейнер превращался в "питомца" - если он падал, сессия терялась. Дебажить можно было только через шелл внутри контейнера, а там лежали пользовательские данные. Когда клиенты хотели подключить свой VPC, им приходилось пирить сети.
Решение: декомпозиция на три интерфейса. Session - append-only лог всех событий, живущий отдельно от всего. Harness - stateless оркестратор, который при падении просто перезапускается, подтягивает лог через getSession(id) и продолжает с последнего события. Sandbox - среда исполнения, к которой harness обращается как к обычному инструменту через execute(name, input) → string. Каждый компонент стал "скотом", а не "питомцем" в классической инфраструктурной метафоре.
Отдельно стоит сказать про безопасность. В монолитной архитектуре prompt injection мог добраться до токенов, лежащих в том же контейнере. Теперь sandbox физически изолирован от credentials. Git-токены прошиваются в remote при инициализации, OAuth хранится в vault за прокси. Агент никогда не видит реальных ключей.
По перформансу результаты заметные: p50 TTFT (время до первого токена) упал на 60%, p95 - на 90 с лишним процентов. Контейнер теперь поднимается по требованию через tool call, а если задача не требует sandbox, инференс стартует сразу.
Архитектура поддерживает "many brains, many hands": один агент может управлять несколькими sandbox-ами, а несколько агентов могут передавать окружения друг другу. Сессия при этом выступает как объект контекста за пределами context window модели - harness может запрашивать срезы через getEvents(), трансформировать их и управлять cache hit rate.
Notion уже в закрытой альфе: команды делегируют задачи Claude прямо из рабочего пространства, десятки задач выполняются параллельно.
Философия проекта прямо проговаривается в блоге: это мета-harness. Anthropic намеренно не фиксирует конкретную реализацию оркестрации, потому что она устаревает с каждым поколением моделей. Они уже столкнулись с этим, когда "context anxiety" из Sonnet 4.5 исчез в Opus 4.5, а workaround превратился в мертвый код. Поэтому ставка на стабильные интерфейсы, за которыми реализация меняется свободно - ровно та же идея, что у POSIX: read() работает одинаково для диска из 70-х и современного SSD.
https://www.anthropic.com/engineering/managed-agents