Jev не обязательно использовать вместо LLM — он может стать быстрым и дешёвым гейтом, который определяет, что делать с запросом дальше.
Например, Jev определил order_status — код может сразу обратиться к базе данных, и LLM вообще не понадобится. Для product_question запрос можно передать дешёвой LLM с базой знаний. Если это complaint, связанный, например, с возвратом средств, — подключить более сильную LLM для сложного ответа. А если confidence слишком низкий — отправить запрос человеку.
В этом и ценность такой связки: Jev быстро и дёшево определяет тип запроса и уверенность, а уже после этого код направляет задачу туда, где её действительно стоит решать — в обычный код, базу данных, подходящую LLM или человеку.
Так мы не тратим дорогие вызовы LLM на каждый входящий запрос и при этом можем выбирать подходящий способ обработки для каждого случая.
Полный обзор Jev AI — по ссылке под шортсом!
#jev #jevai #llm #ai #ии #typesafe #typesafeai #artificiaiIntelligence #systemonemodel #systemone #aimodel #Routing #MachineLearning
После DELETE строка в PostgreSQL не исчезает с диска сразу. Сначала старая версия может оставаться видимой для других транзакций, а затем превращается в dead tuple.
Разбираемся, что с ней делает VACUUM, почему после удаления миллионов строк файл таблицы может не уменьшиться, и когда нужен VACUUM FULL.
#PostgreSQL #Postgres #SQL #Database #Backend #vacuumfull #deadtuple #delete #субд
Как выглядит полный цикл запроса к Jev AI?
На вход модель получает state — данные, которые она должна проанализировать. Это может быть строка, JSON-объект или массив. Вместе с ним передаются questions: что именно нужно определить и какие типы ответов допустимы — например, null, choice или score.
Jev обрабатывает запрос примерно за 100 мс и возвращает answers — структурированные ответы, включая выбранный вариант и confidence.
Дальше решение принимает уже код приложения. По заданным порогам он может сразу использовать результат, запросить дополнительную информацию или, например, передать задачу другой LLM.
В итоге вместо свободно сгенерированного текста мы получаем типобезопасный ответ, который можно напрямую использовать в логике приложения.
Полный обзор Jev AI — по ссылке под шортсом!
#jev #jevai #llm #ai #ии #typesafe #typesafeai #artificiaiIntelligence #systemonemodel #systemone #aimodel #Routing
Процесс работает, но Kubernetes всё равно перезапускает контейнер. Причиной может быть неправильно настроенная livenessProbe.
Разбираемся, почему проверка внешней зависимости может привести к лишним рестартам и когда вместо livenessProbe нужна readinessProbe.
#Kubernetes #K8s #DevOps #Containers #Backend #LivenessProbe #ReadinessProbe #kuber
Представим обычную задачу техподдержки: приходит письмо, и нужно определить, в какой отдел его направить — например, billing, sales или technical support.
С классической LLM для этого приходится писать prompt, просить вернуть JSON и затем отдельно обрабатывать результат. И здесь появляется целая цепочка проблем: мы платим за сгенерированные токены, модель может пропустить часть инструкции, вернуть некорректный JSON или вместо ожидаемого billing выдать billing-dept.
Значит, нужны парсинг, валидация и retry. А каждый повторный запрос — это дополнительное время и деньги.
Для такой задачи LLM превращается в очень дорогой if. Jev решает её иначе: вместо генерации текста модель возвращает структурированный выбор из заранее заданных вариантов с вероятностями. Поэтому Jev можно воспринимать как «умный if» для задач классификации, маршрутизации и принятия подобных решений.
Полный обзор Jev AI — по ссылке под шортсом!
#jev #jevai #llm #ai #ии #typesafe #typesafeai #artificiaiIntelligence #systemonemodel #systemone #aimodel #Classification #Routing
Вышел Bun 1.4 — крупное обновление JavaScript-рантайма и инструментария, который теперь развивается внутри Anthropic и используется в инфраструктуре Claude Code.
В новой версии продолжили ускорять runtime, package manager и серверные сценарии. Bun остаётся all-in-one инструментом: в одном бинарнике объединены JavaScript/TypeScript runtime, пакетный менеджер, test runner и bundler.
Отдельное внимание уделили совместимости с Node.js и производительности серверных приложений. Bun 1.4 также продолжает развиваться как основа для AI-инструментов: после присоединения команды к Anthropic часть улучшений напрямую связана с потребностями Claude Code и Claude Agent SDK.
Больше релизов — в полном выпуске по ссылке под шортсом!
#Bun #BunJS #JavaScript #js #NodeJS #node #ClaudeCode #Anthropic #WebDev #frontend
Jev AI заточен под задачи, где нужно выбрать наиболее подходящий вариант из заданного набора, даже если вариантов очень много.
Чтобы показать, как это работает, я сделал демку с роботом-доставщиком. Пользователь может просто сказать: «хочу попить». Jev сопоставляет запрос с доступными вариантами и возвращает вероятности. Если один вариант подходит с достаточной уверенностью — например, вода — робот приносит его. Если уверенность ниже заданного порога, система запрашивает уточнение: например, предлагает выбрать чай или кофе.
Так Jev можно использовать для классификации, маршрутизации, выбора и других задач, где приложению нужен структурированный результат с вероятностями, а не свободно сгенерированный текст.
Полный обзор Jev AI — по ссылке под шортсом!
#jev #jevai #llm #ai #ии #typesafe #typesafeai #artificiaiIntelligence #systemonemodel #systemone #aimodel #MachineLearning
Вышел Next.js 16.3 — одно из крупнейших обновлений фреймворка после Next.js 16.
Главный акцент релиза — производительность. Благодаря обновлениям Turbopack next dev может потреблять до 90% меньше памяти, а persistent disk cache теперь работает и для next build: в отдельных проектах повторные CI-сборки ускоряются до 5,5 раза.
Ускорили и type checking: next build теперь поддерживает TypeScript 7 — нативную версию TypeScript, переписанную на Go и рассчитанную на значительно более быструю проверку типов. Server-side rendering тоже стал быстрее: переход с Web Streams на нативные Node.js Streams позволяет обрабатывать до 22% больше запросов под нагрузкой.
Кроме этого, в Next.js 16.3 появились Instant Navigations и Partial Prefetching для более быстрых переходов между страницами, улучшенный ISR, меньше prefetch-запросов, import.meta.glob, новые инструменты для AI-агентов и экспериментальный React Compiler на Rust.
Больше релизов — в полном выпуске по ссылке под шортсом!
#devnews #next #nextjs #turbopack #typescript #ts #javascript #js #go #frontend #webdev
Jev и классические LLM решают задачи по-разному — особенно когда от модели нужен не текст, а конкретное структурированное решение.
Сравним их по ключевым параметрам: что они возвращают, насколько быстро работают, сколько стоят, могут ли ошибиться в формате ответа и как работают с вероятностями. Отдельно посмотрим, зачем вообще генерировать текст там, где результатом должен быть выбор, оценка или классификация.
Полный обзор Jev — по ссылке под шортсом!
#jev #jevai #llm #ai #ии #typesafe #typesafeai #artificiaiIntelligence #systemonemodel #systemone #aimodel #MachineLearning #Classification
GPT-6 Astra может часто возвращаться за уточнениями, особенно если использовать инструкции, написанные под предыдущие модели, даже под GPT-5.6 Sol. Чтобы Астра могла автономно выполнять большие задачи, ей нужно явно задать правила работы.
Что считается готовым результатом? Какие решения она может принимать сама? Когда действительно нужно спросить пользователя? Что в проекте считается безопасным действием и как проверить результат?
Разбираемся, как задать Astra эти границы и сократить ненужные уточнения.
Полный обзор GPT-6 Astra смотри по ссылке под шортсом!
#gpt #chatgpt #gptastra #gpt6 #aimodels #llm #openai #aiagents
Jev от TypeSafe AI работает не так, как привычные LLM. Вместо генерации текста модель возвращает структурированное решение: например выбор, оценку или вероятность.
В шортсе кратко разбираемся, что такое Jev и для каких задач такой подход будет полезен.
Полный обзор Jev AI — по ссылке под шортсом!
#jev #jevai #llm #ai #ии #typesafe #typesafeai #artificiaiIntelligence #systemonemodel #systemone #aimodel
При работе с длинными сессиями компакт сжимает накопленный контекст в summary. Основная информация сохраняется, но часть деталей при таком сжатии может потеряться.
При работе GPT-6 Astra в Codex появился заметок. Перед компактом Astra сохраняет важные детали в заметках, а предыдущий контекст при этом остаётся доступным для поиска.
Так модель меньше зависит от одного сжатого summary и может сохранить больше полезной информации из предыдущих этапов работы.
Сейчас механизм заметок экспериментальный и включается отдельно в Codex.
Полный обзор GPT-6 Astra смотри по ссылке под шортсом!
#gpt #chatgpt #gptastra #gpt6 #gptsol #aimodels #llm #openai #aiagents #ContextWindow #aicontext #autocompact #Compaction #codex
Большой JSON-ответ может задержать не только один запрос, но и остальные запросы к Node.js.
JSON.stringify выполняется синхронно. Пока большой объект превращается в строку, event loop занят, а async/await не даёт возможности переключиться на другую задачу.
Разбираемся, почему размер JSON влияет на latency и что делать с тяжёлой сериализацией.
#NodeJS #JavaScript #js #JSON #JSONstringify #Backend #EventLoop #Performance #WebDev #Программирование
Как GPT-6 Astra справляется с сотнями тысяч токенов контекста?
В задачах на поиск информации Astra в отличие от Sol почти не теряет качество с ростом контекста: на 256–512 тысячах токенов деградации практически нет, а при увеличении контекста от 512 тысяч до миллиона снижение составляет около 4%. У Sol эта деградация значительно больше.
Но когда GPT Astra нужно не просто найти информацию, а связать несколько фактов и сделать вывод, деградация контекста становится заметнее, при этом независимо от reasoning effort.
Но в любом случае Astra позволяет эффективнее работать с большим контекстом, чем более старые модели.
А полный обзор GPT-6 Astra смотри по ссылке под шортсом!
#gpt #chatgpt #gptastra #gpt6 #gptsol #aimodels #llm #openai #aiagents #ContextWindow #aicontext
useMemo не делает компонент быстрее автоматически. React всё равно проверяет зависимости, а при их изменении пересчитывает значение.
Если само вычисление дешёвое, мемоизация может добавить больше работы, чем сэкономить. Разбираемся, когда useMemo действительно полезен, а когда от него только лишний код.
#React #useMemo #JavaScript #js #Frontend #WebDev #reactjs
GPT-6 Astra заметно лучше справляется с дизайном и визуальными задачами, чем GPT Sol, хотя до Claude Fable ей пока немного не хватает.
В наших тестах Astra иногда отходила от исходного визуального стиля проекта, тогда как Fable точнее его сохраняла. Зато у Astra есть отдельное преимущество — возможность генерировать изображения через GPT Image и сразу использовать их в работе над интерфейсом.
В целом модели постепенно становятся лучше в визуальных задачах, а характерного «нейрослопа» в интерфейсах становится всё меньше.
Полный обзор GPT-6 Astra — по ссылке под шортсом!
#gpt #chatgpt #gptastra #gpt6 #claudefable #claude #aimodels #llm #openai #aiagents #aidesign
Как одна зависшая транзакция может в итоге затормозить весь сервис?
Если транзакция удерживает блокировку, другие запросы к тем же данным начинают ждать. При этом каждый из них продолжает занимать соединение из пула. Когда свободных подключений не остаётся, ждать приходится даже запросам, которые вообще не связаны с исходной блокировкой.
Разбираемся, как блокировки приводят к исчерпанию connection pool и почему важно контролировать длительность транзакций и время ожидания.
#Database #PostgreSQL #postgres #ConnectionPool #SQL #Backend #Performance #SystemDesign #database
Подход к скиллам для продвинутых моделей вроде GPT-6 Astra и Claude Fable меняется: чем сильнее модель, тем меньше деталей ей нужно прописывать заранее.
Необязательно объяснять структуру проекта, правила реэкспорта через index.ts и другие вещи, которые модель может сама определить по существующему коду и стилю проекта.
То же касается жёстких циклов и инструкций вроде обязательного запуска тестов после каждого шага. Astra умеет сама возвращаться к необходимым действиям, а лишние указания могут только ограничивать её работу и приводить к дополнительному расходу токенов.
Полный обзор GPT-6 Astra — по ссылке под шортсом!
#gpt #chatgpt #gptastra #gpt6 #claudefable #claude #aimodels #llm #openai #aiagents #aiskills
Почему после git rebase у коммитов меняются хэши, даже если сами изменения остались прежними?
Разбираемся, как Git заново применяет изменения поверх новой базы, почему при этом создаются новые коммиты и откуда появляются конфликты.
А также — почему rebase удобно использовать в локальной ветке, но опасно без необходимости переписывать уже опубликованную историю.
#Git #GitRebase #Rebase #VersionControl #Programming #Development #gitcommit #commit
В GPT-6 Astra работу можно делегировать субагентам — достаточно прямо попросить модель использовать их для задачи.
Параллельная работа может заметно ускорить выполнение сложных задач, но её важно правильно организовать: разделять зоны ответственности, не отдавать двум агентам один и тот же файл и в конце сводить результаты их работы вместе.
Важно учитывать и стоимость: параллельные задачи будет выполнять та же GPT-6 Astra, только в роли субагентов. Поэтому токены здесь не экономятся — наоборот, использование нескольких субагентов увеличивает расход и может сделать задачу заметно дороже.
Полный обзор GPT-6 Astra — по ссылке под шортсом!
#gpt #chatgpt #gptastra #gpt6 #subagents #aimodels #llm #openai #aiagents