От регулярок к ANTLR4: три архитектурных решения на парсере бизнес-формул

Три года назад я писал свой первый коммерческий парсер на ANTLR4 — для бизнес-формул аналитической системы. Несколько лет спустя я бы сделал его иначе в трёх центральных местах. Разбираю каждое: левая рекурсия для приоритета операторов, Listener vs Visitor, и почему getText() для повторного парсинга — антипаттерн.

https://habr.com/ru/articles/1027742/

#antlr #antlr4 #парсер #parser #грамматика #dsl #java #spring_boot #compiler #code_generation

Design‑First в действии: API на Spring с OpenAPI Generator

Когда команда пишет API, но документация живёт своей жизнью, а интеграторы часами гадают, что значит ошибка 500, — проект неизбежно тонет в хаосе. В этой описан подход, который является лучшим решением: Design‑First на основе OpenAPI . Мы пройдём полный цикл: от проектирования спецификации до работающего Spring‑приложения с автоматической генерацией кода и централизованной обработкой ошибок. Вы узнаете, как одна команда ./gradlew clean build может создать модели и интерфейсы, избавив вас от рутины.

https://habr.com/ru/companies/otus/articles/1008384/

#api #openapi #spring #rest_api #swagger #spring_boot #designfirst #code_generation

Как заставить LLM считать точно: генерация кода вместо генерации ответов

Недавно в популярном Facebook-посте: «GPT работает всё хуже. Просишь пересчитать формулу на 600 грамм, он бодро выдаёт две по 300. Пора, видимо, валить». Проблема знакомая каждому, кто пытался использовать LLM для расчётов. Но это не деградация конкретной модели. Это фундаментальное ограничение архитектуры. И у него есть решение.

https://habr.com/ru/articles/1015434/

#LLM #Python #Docker #code_generation #бухгалтерия #Qwen #DeepSeek #sandbox #excel

Claude Opus 4.5: как Anthropic сделала флагманскую модель в 3 раза дешевле и при этом умнее

24 ноября Anthropic выпустила Claude Opus 4.5 — и это не просто очередной апдейт. Модель стала в 3 раза дешевле ($5 vs $15 за 1M токенов), но при этом обогнала конкурентов по ключевым метрикам. Что изменилось: 80.9% на SWE-bench — лучший результат среди всех LLM для кода Работает автономно 30+ минут без вашего участия Экономия токенов до 76% через новый параметр effort В 4.6 раза устойчивее к prompt injection, чем GPT-5.1 Реальная экономика: Команда из 10 разработчиков экономит $4800-6000 в год только на стоимости API. GitHub Copilot после интеграции Opus 4.5 сократил расход токенов вдвое. В статье разбираем: → Детальные бенчмарки vs GPT-4 и Gemini → 5 практических кейсов с кодом (code review, генерация тестов, security audit) → Архитектуру AI-агентов на базе Opus 4.5 → Реальные цифры ROI и окупаемости → Ограничения, о которых молчит маркетинг Бонус: примеры интеграции в CI/CD, стратегия использования параметра effort и конфиги для мониторинга. Если вы используете LLM в production или только планируете внедрение — эта статья сэкономит вам недели экспериментов.

https://habr.com/ru/articles/974086/

#Claude #Anthropic #LLM #AI #code_generation #API #GPT4 #нейросети #code_review #автоматизация

How I Learned to Stop Worrying and Love the… BDSM

Это публикация-опрос. Поэтому и такой заголовок :) Отсылку поймут не только лишь все, но главная цель - привлечь внимание народа к опросу. В принципе, публикацию можно даже и не читать. Она просто поясняет, откуда взялись два варианта между которыми нужно выбирать по итогу - какое из двух названий лучше применить в технической документации. Буду благодарен всем, кто поучаствует в голосовании.

https://habr.com/ru/articles/944134/

#code_generation #llm #codex #вайбкодинг #опрос #мнение_народа

Как мы обучали модели для кода GigaCode

Привет, Хабр! Меня зовут Дмитрий Бабаев, я руководитель R&D GigaCode в Сбере. Сегодня расскажу о том, как мы создавали ИИ-помощника для программистов задолго до того, как это стало мейнстримом. Многие компании думают о том, чтобы выпустить собственного ИИ-помощника для разработчиков. Мы начали делать GigaCode около трех лет назад — ещё до появления Cursor и других популярных сегодня решений. За это время мы создали целую экосистему решений для разработки – GigaDEV: IDE на основе IntelliJ, платформу Gitverse как аналог GitHub и сам GigaCode.

https://habr.com/ru/companies/sberbank/articles/935356/

#llm #code_assistant #machine_learning #code_generation

Инженерное лидерство в эпоху AI: почему 72% продуктивности теряется и как с этим бороться

Парадокс века: исследование METR с участием 16 опытных разработчиков показало, что AI-инструменты увеличили время выполнения задач на 19% , хотя сами разработчики были уверены, что экономят 20% времени. Если вы тимлид или менеджер, внедряющий AI в команде — эта статья сэкономит вам месяцы экспериментов и поможет избежать типичных граблей, на которые наступили 80% компаний в 2025 году.

https://habr.com/ru/articles/935188/

#ai #управление_разработкой #метрики_продуктивности #code_review #code_generation #mlops #team_management

AI-бот для QA-инженеров: как я сделал Telegram-ассистента для ежедневной прокачки

Привет! Меня зовут Евгений. Я — Full-Stack QA Engineer в Devscribed и сегодня хочу поделиться своим экспериментом — QA Mentor Bot . Это Telegram‑бот, который отправляет в телеграмм группу случайные вопросы по тестированию и сразу же генерирует на них развёрнутые ответы с помощью AI. В этой статье я расскажу, как устроен проект и с какими «подводными камнями» столкнулся в процессе разработки.

https://habr.com/ru/articles/927708/

#telegrambot #deepseek #ai #vibecoding #code_generation #testing #education #education_projects #задачи_для_тестировщика #собеседование_вопросы

AI-first backend: опыт реального вайб-кодинг проекта

В 2025 году вопрос полноценной генерации продуктового кода с помощью LLM («вайб-кодинг») становится все более актуальным, но при этом остается и достаточно дискуссионным: насколько такие подходы вообще применимы в реальных проектах, действительно ли они сокращают время и стоимость разработки, и что происходит с тестируемостью и поддержкой такого кода в долгосрочной перспективе? Сложность этого вопроса не только в качестве самой генерации, но и в том, как интегрировать LLM в инженерные процессы, чтобы получить управляемый, масштабируемый и архитектурно устойчивый код. Моя мотивация была проста: попробовать выстроить полноценный продуктовый backend для нетривиального телеграм-бота с функциями агента (планированием, напоминаниями, памятью и проактивным поведением, возможностью дальнейшей расширяемости и интеграции сторонних сервисов), при этом — не писать руками ни строчки кода. Чтобы человек участвовал только как архитектор и асессор, а все проектирование и реализация шли через промпты в специализированные IDE (Cursor, Copilot, Zed) и LLM (как доступные через API, так и в «пользовательской» продуктовой обвязке).

https://habr.com/ru/articles/926238/

#vibecoding #telegrambot #cursor_ai #claudeopus4 #gpt4 #code_generation

C#, Кодогенерация и DDD. Часть 2 — Получаем данные и пробуем генерировать

Это - вторая публикация в серии DDD и кодогенерация. ( первая часть ) В этой части мы научимся получать данные через рефлексию и Roslyn в одинаковой форме. А атрибуты из Roslyn - как объекты.

https://habr.com/ru/articles/921552/

#c# #c#net #roslyn #domaindriven_design #code_generation