Yevhen Kutniak

[Addy Osmani @addyosmani]

Reminder: Claude Code can test if a skill or plugin actually improves Claude's answers.

> claude plugin eval init

Tell Claude what a good result looks like in your plugin's folder and it writes the test cases for you.

> run claude plugin eval .

[YAR @YarBirzool]

@DanielSmidstrup https://t.co/3NU4DdjG0t @t3dotcodes

[南晚Nanwan @snwiki238337]

一个系统化的 Agent 工程学习路线图手册：Agentic Engineering Handbook。

它把散落在 OpenAI 博客、Anthropic 工程文、SDK 文档、cookbook、论文里的 179 个精选资源，整成一份从"手写 Agent Loop"到"生产落地/eval/安全"的结构化学习路径。​

学习路径分 7 阶段（Phase 0–6）​：

Phase 0：从零手写 Agent Loop（基于 shareAI-lab/mini-claude-code，给了 v0–v4 可跑 Python 代码：bash agent → 模型当 agent → 结构化规划 → 子代理 → skills）

Phase 1：Agent 基础（该不该建 agent 的 4 问检查表、Building Effective Agents 等）

Phase 2：MCP & 工具生态

Phase 3：Context / Memory / Skills（含 Agent Skills 规范、上下文工程）

Phase 4：Harness & 长程 Agent（mini coding harness 练习）

Phase 5：Coding / Workspace Agents（Codex / Claude Code 风格工作流）

Phase 6：Evals / Safety / Production（smoke/macro eval 套件练习）

仓库：https://t.co/CWj8nkfSM5

[DEV @devellloper]

Це кінець

[Master.dev (Formerly Frontend Masters) @MasterDotDev]

Local AI offers privacy, offline access, lower costs, and lets you create a free coding environment that no vendor can rate-limit, reprice, or switch off. Find out how to get started in our new course from @DevSimplified

https://t.co/wZVuLQSiqq

[Kirill (hexlet.io) @mokevnin]

Главное правило принятия архитектурных решений. Когда-то давно в одной из книжек я прочитал такую фразу: "Defer decisions until the last responsible moment". Не то чтобы я сразу понял и проникся, но со временем, этот принцип стал важной частью моих правил работы.

Его популяризировали Mary и Tom Poppendieck в книге Lean Software Development: An Agile Toolkit. Суть принципа в том, что необратимые или дорогие в изменении решения стоит принимать не "как можно раньше", а настолько поздно, насколько это безопасно, то есть когда дальнейшее откладывание уже начнет закрывать важные альтернативы.

В архитектуре это обычно формулируют примерно так:

> Delay architectural decisions until the last responsible moment

Важно именно responsible, а не possible. То есть это не "тянуть до последнего", а сохранять пространство вариантов, пока появляется новая информация.

Приведу пример. Когда Хекслет только стартовал и мы запустили практику в браузере, то на обслуживание этой системы уходил один сервер. Со временем количество студентов росло и нагрузка на него сильно выросла. Причем речь идет не о просмотрах страниц сайта, одна практика это полноценный контейнер с кучей сервисов, терминалами, самим редактором и запуском практик, по ресурсам это очень много. Но на тот момент мы не до конца понимали, как лучше распилить эту систему и каждый раз когда упирались ограничения, то просто переходили на все более мощный сервер. И только спустя несколько лет эксплуатации этой системы, мы наконец-то окончательно поняли как лучше ее развивать с учетом большого количества очень специфичных проблем для такой задачи.

Мы могли начать строить распределенную систему гораздо раньше. Технически для этого уже были причины. Но у нас еще не было знаний, необходимых для хорошего решения. Более мощный сервер покупали нам не только производительность, но и время на то, чтобы понять систему. =>

[HOUSE PORN @HOUSEPORN___]

The Art of Noticing

[Samat Galimov @samat]

Сделал бесплатную программку для автоматической записи и расшифровки онлайн-встреч.

Работает с любыми звонками: zoom, google meet, телеграм, вацап...

Запускает и останавливает запись автоматически.

Расшифровывает встречи, определяет говорящих, так что реплики разложены по людям, а не слиты в один поток.

Пишет качественные выжимки встреч. Многие программы экономят на токенах, а эта использует самую мощную модель, чтобы ничего не потерять.

Умеет делать всё это локально, без доступа к интернету.

Можно подключить мощные платные модели, умеет использовать подписки (!) и API ключи.

Все данные хранятся локально на компьютере. Одна встреча — одна папка, внутри аудиофайл, расшифровка, выжимка. Очень удобно натравить нейросети.

Программа полностью бесплатная, с открытым исходным кодом. Легкая установка, нотаризованный Apple бинарник.

Работает на macOS; если вы заинтересованы в Windows-версии — чирканите мне письмо на [email protected].

❧

Даже со всеми нейросетями, разработка заняла почти месяц (неделя активной работы, дальше по мелочи) — вы не представляете, сколько краевых случаев вылезло, пока я тестировал приложение на себе.

[YAR @YarBirzool]

Хочете точно відслідковувати використання та витрати токенів своїх ШІ-агентів по всіх своїх моделях і харнесах?

Не хочете для цього встановлювати (частіше за все) китайські проксі, щоб ті пропускали через себе весь ваш трафік на ШІ-провайдерів?

Попрохайте свою модель встановити вам Tokdash — https://t.co/znBjU3EXSd. 

Це безкоштовна локальна утиліта, що дає вам всю необхідну статистику, в тому числі по доступних лімітах (якщо у вас кілька акаунтів в одному чи декількох провайдерів). 

Він не спілкується з вебом взагалі, збирає дані лише з локальних журналів ваших харнесів і CLI. Нікуди їх не передає, я декілька разів перевіряв різними способами.

Дуже раджу. Звісно, не все ідеально, але дуже пристойно.

[Cory House @housecor]

React Doctor is awesome. It just found a bunch of issues for me.

It checks for many best practices I used to manually hunt down.

And there’s a CLI and an ESLint wrapper. Slick.

https://t.co/nonfj4xIkH

[Тхір(🍅🦅) — визнаний раменоблогер @tkhir_pivnyk]

Поки можу гуляти у футболці, то для мене це ще літо

[Kirill (hexlet.io) @mokevnin]

Вот так выглядит последний шаг планирования в воркфлоу Matt Pocock, когда спека разбивается на тикеты. Дальше /implement который и TDD юзает и код ревью (очень качественное) запускает. Тикеты которые рядом можно делать одновременно

[Vladyslav Surkov @5sv7]

Ледве не пропустив! 6,73 кВт-год. Вчора був абсолютний історичний рекорд поточного сетапа балконної СЕС :)

[Charly Wargnier ♨️ @DataChaz]

Best use of AI I've seen this year

[Cory House @housecor]

I'm seeing team leads under immense pressure.

Why? Because AI decoupled effort from output.

Developers can create giant PRs in a few minutes. But that code may take hours to vet, test, fix, and review.

In 2024, bad developers were easy to spot. They produced little code, or struggled to write code that even ran.

In 2026, bad developers can use AI to quickly generate tons of code they don't understand. It seems okay at a glance, but contains subtle problems and fundamental issues that are hard to spot.

"The energy needed to refute nonsense is an order of magnitude bigger than the energy needed to produce it."

-Brandolini's law (aka the bullshit asymmetry principle)

[vlad/r @_architected]

пока было не очень много времени, но засетапал авторизацию по ssh ключам со всех моих компьютеров, убил пароли.

настроил cli обсидиана и алиасы для комманд + деймон синхронизации, gh, окружение (nvm и тп), бэкапы.

потом codex cli. приложение кодекса на сурфейсе подхватило хосты из ssh конфига в настройках – так что теперь в приложении можно выбрать работать локально (винда или wsl) или на ремоуте (vps). мобильное приложение тоже подхватило ремоут хост с возможностью создавать новые сессии без привязки к «реальному» компу.

кайф.

[Bober_smart @Bober_smart]

I still don't understand why everyone is not using this yet. Thanks to it, a year ago I increased my income to 17,000 dollars a month

Andrey Karpathy, co-founder of OpenAI, published a simple idea that got 16 million views: stop using AI to write code, use it to build a second brain

You point Claude Code to a folder, drop any source in there (an article, transcript, PDF) and Claude reads it, links it, and saves it into a living wiki of everything you know. It compounds like interest: the more you feed it, the smarter it gets

Here is the gist:

Install Obsidian, create a vault, open it in Claude Code

Paste the file with Karpathy's wiki idea and tell Claude to build it

Claude creates three folders: raw for sources, wiki for its pages, CLAUDE
which runs everything

Drop any source into raw and say "ingest this"

Ask questions across everything, forever

Five minutes to set up, and you never start with an empty chat again

The full step-by-step guide is in the article. Save to bookmarks

[AI_Explorer @ai_explorer25]

Andrej Karpathy’s 1-hour Stanford lecture on AI engineering is one of the best explanations I’ve seen of how AI systems actually work.

The progression is simple:

10% → LLM
30% → Prompt
50% → Agent
70% → Loop
100% → Graph

The key takeaway:

AI engineering isn’t just about writing better prompts.

It’s about building systems around models — giving them context, memory, tools, feedback loops, and data flows.

“Delete everything, keep Graph.”

Definitely worth watching if you’re building with AI agents.

Watch → Bookmark it

[Hellis @13Hellis_13]

Аааа..... волаю чайкою 🤣🤣🤣

[Bart Mol @Bart_Mol]

Me explaining AI to friends