CodeMeridian keeps getting better as I find more ways to use the graph.
One thing i am exploring is #Neo4j Graph Data Science.
Imagine an AI coding agent that can detect bridge nodes, natural module boundaries, blast radius, stale documentation, and test protection before it edits code.
Not just search.
A graph-shaped warning system for software changes.
A lot of people seem convinced that MCP’s are bad when it comes to token spend, or that MCP’s are dead, and that manually created CLI integrations are the only true way. I set out to find out the truth, and so I ran a little experiment and did a bunch of digging on how things really work under the hood.
Spoiler: MCP’s are not dead.
There’s a long-held belief out there that MCP’s are bad, and that you should actually use CLI’s instead, if you want to save on token spend when it comes to LLM tool use. To me that argument never really made any sense, because you still have to provide the LLM context so it knows what CLI to run, how to run it and how to interpret the result of it. Things that the MCP does for you. How come the CLI takes fewer tokens?
Prototyping AI with #PostgreSQL is easy. Production is where teams get stuck.
Mike Josephson (pgEdge) covers the full open source stack - MCP Server, RAG Server, AI DBA Workbench - and the Q&A goes deep: why a dedicated MCP server vs. direct LLM access? - enterprise controls, TSV optimization, semantic caching.
Live demo runs fully local on Ollama + Gemma 4 31B. No data leaving the machine.
Watch the on-demand replay: 🎙️ https://pages.pgedge.com/postgresworld-webinar-postgres-series-ai-dba-workbench-for-postgresql-a-technical-walkthrough-02efc371-9c20-4ba0-86f4-faea117d7a2f
What if your agent could figure out its own plan instead of following a predefined workflow? That’s the idea behind Embabel. In this recipe, you’ll create a simple goal-driven agent using Embabel.
https://medium.com/@thetalkingapp/spring-ai-recipe-getting-started-with-embabel-9fad29eba178
AI agents become powerful when they can act ⚡
In this hands-on workshop, Brent Laster will show you how to build agents that use CLI tools and MCP servers to complete real tasks.
🔗 https://www.dev2next.com/schedule
🎟️ Get tickets: dev2next.com
Context7 — стандарт для доков AI-агента. Я измерил 8 альтернатив и собрал бесплатную связку
Context7 — мой дефолтный источник свежих доков для агента уже полтора года. И всё устраивало, пока я не начал ловить устаревший код: старый z.string().email() вместо z.email (), поведение Next 15 вместо 16. Причина — упёрся в потолок free-тарифа: квота исчерпана, сервер молча отдаёт пусто, агент спокойно пишет по памяти. И замечаешь это не сразу — вот что бесит. Тут я и задумался: Context7 вообще всё ещё лучший вариант, или за полтора года появилось что-то лучше? Решил проверить системно. Не поверил цифрам с лендингов и прогнал 8 способов доставки доков в контекст на одном токенайзере: что реально влетает в окно, за сколько токенов, с какой точностью. Победил Ref — но он платный. А ещё дважды я чуть не записал инструмент в аутсайдеры, и оба раза виноват был мой собственный вызов, а не инструмент. В итоге собрал бесплатную связку: локальный @neuledge как основной слой + Context7 free как fallback. Локальный слой отвечает за миллисекунды вместо секунд, работает без сети и без лимитов запросов. Осталось проверить, переживёт ли связка квоту free-тарифа — замерил и это. Внутри: методология, таблицы, два разоблачённых near-miss и миграционный кит для агента в подарок.
https://habr.com/ru/articles/1050578/
#MCP #Context7 #neuledge #документация #AIагенты #Claude_Code #Codex #бенчмарки #токены #RAG
Айсберг использования AI, или как сохранить рабочее место
Привет, Хабр! Мне грустно читать посты о том, как руководители давят на сотрудников по ускорению интеграции AI в рабочие процессы и ставят строгие KPI. Я был в такой же ситуации, когда где-то полгода назад ко мне подошёл менеджер и спросил: «Вань, а как у нас там с AI?», на что я ответил: «Ээээ... у нас всё хорошо))» и понял, что нужно максимально быстро вкатываться в современные инструменты и искать информацию, чем я и поделюсь с вами в этой статье. Знакомо? Не переживайте, мы всё обязательно рассмотрим. К середине статьи мы научимся всем современным основам Claude Code, а к концу построим мультиагентную систему на очень интересном примере.
https://habr.com/ru/articles/1050460/
#Claude_Code #Claude #AIагенты #мультиагентные_системы #субагенты #LLM #нейросети #MCP #промптинжиниринг #автоматизация
Как сделать MCP-сервер из Spring-сервиса за один вечер. И что потом не даст спать спокойно
AI‑агенту не нужен прямой доступ к базе, чтобы отвечать на вопросы оператора или вызывать действия в системе. Достаточно дать ему набор управляемых инструментов через MCP. В статье разбираем, как это выглядит в Spring Boot, где заканчивается простая демка и почему перед продакшеном придётся думать не о магии LLM, а о правах, логах, таймаутах и человеке в контуре. Разобрать MCP
https://habr.com/ru/companies/otus/articles/1047048/
#MCP #Spring_AI #Java #Spring_Boot #AIагенты #LLMинтеграции #микросервисы #безопасность_LLM #prompt_injection #архитектура_ИИприложений
Driftya
Jacob Torrey
Asko Nõmm
pgEdge Postgres
CrAIg Walls
dev2next
Habr
AIntelligenceHub
