Привет, Хабр! Меня зовут Анастасия, я руководитель направления ИТ-комплаенса в РГС. Перед каждым циклом планирования мне нужно разбирать и оценивать сотни задач, чтобы определить, какие из них требуют внимания в первую очередь. На это обычно уходила целая рабочая неделя, и я решила поискать способ упростить этот процесс, чтобы освободить время для более сложной экспертной работы. В итоге мне удалось автоматизировать часть рутины с помощью ИИ, и в этой статье я как раз хочу поделится, как, не имея бюджета на разработку и навыков программирования, я сократила время разбора задач с пяти рабочих дней до двух.

Статья стабильно держится в топ-3 по выдаче, позиции не падают, а трафика почему‑то становится меньше. Начинаете разбираться и обнаруживаете над привычной выдачей ИИ‑ответ. Причем нейросеть ссылается на три чужих сайта, а вашу статью будто не заметила. Дело в том, что ИИ‑поиск работает с запросами иначе. Он разбивает вопрос пользователя на несколько уточняющих подзапросов, ищет информацию по каждому и собирает общий ответ. Это и называют веером запросов. Поэтому статья, заточенная под один ключ, может раскрывать только часть вопросов, которые ищет нейросеть. Остальное она возьмет у конкурентов.

Разберемся, как работает веер запросов, чем отличается от привычных ключей и нужно ли ради него переделывать SEO‑статьи.

Неподвижный SpeedyBot занимал около 70% восьми CPU. Профиль процессов, работа NPU/Hailo и четыре локальные оптимизации: fusion без отладочной картинки, кеш зон, запись позы и разбор логов. Показываем выигрыш операций и почти неизменный общий CPU.

Современная ИТ‑индустрия уперлась в итерационный тупик. Мы сжигаем гигаватты энергии на серверных фермах, забиваем ядра процессоров тяжелыми legacy‑алгоритмами сложности O(N²) и бесконечно плодим прослойки абстрактного софта. Как результат — интерфейсы и игры умудряются тормозить даже на мощном флагманском железе. Но что, если поток данных — это не просто мертвый набор байт, а физическое поле векторов давления среды?

В этой статье представлен полный разбор неделимого 4-элементного вычислительного конвейера, работающего по принципу децентрализованного сжатия хаоса на базе фрактальной формулы 2N+1. Весь контур — от считывания контекста до финального действия — спроектирован, оптимизирован и протестирован в консоли Termux на обычном Android‑смартфоне, доказывая: для реализации автономных сверхбыстрых систем безопасности и обработки медиапотоков больше не нужны датацентры.

Недавно я прочел статью про pyrusmorph — python обёртку над 30-летним с++ ядром libmorph/rus. Бенчмарки удивили: в 30 раз быстрее PyMorphy3 при обработке текста. После я задумался. Как это вообще работает? Почему мы пишем import pyrusmorph и получаем доступ к нативному с++ коду и функциям прямо внутри python.

В статье я предлагаю пройти этот путь с нуля. Разобраться, как устроен Python «под капотом», написать своё расширение на чистом C‑API, а потом посмотреть, как эту боль лечит pybind11. В конце — бенчмарки и практические советы, когда вообще стоит лезть в c++ для оптимизации. Бонус — немного о компиляторе python кода (JIT‑компилятор)

Наша команда маркетинга активно использует «ИИ-оркестр» для генерации текстового и графического контента на сайте. При этом мы стараемся выдержать баланс рукописного и сгенерированного контента, чтобы транслировать для пользователей только качественный материал. Рассказываем, как нам удалось повысить эффективность и сократить расходы в канале органического трафика на 6,5 млн рублей за полгода.

В марте мне позвонил знакомый, у которого сеть клиник в двух городах. Позвонил не по делу, а с вопросом, который в этом году я слышу почти каждую неделю: «Слушай, а я попросил Алису, где у нас лечат зубы — она назвала три клиники в соседнем районе. Про нас ни слова. У нас что, сайт сломался?»

Сайт у него не сломался. Сайт у него в порядке: трафик из поиска идет, заявки есть, карточки в Картах заполнены. И вот это самое неприятное в новой реальности — можно иметь здоровый сайт, нормальную выдачу и при этом быть невидимым там, где люди теперь принимают решения.

Я SEO занимаюсь больше десяти лет, и последние два года у меня уходит заметная часть времени на одну и ту же работу: я сажусь и выясняю, что нейросети говорят о бренде. Не что написано на сайте, не какие позиции в Яндексе, а что именно модель перескажет человеку, который спросит «посоветуй, к кому пойти». Это отдельный слой реальности, он живет своей жизнью, и туда просачивается все: старые отзывы, битые адреса из справочников, цены двухлетней давности и чужие статьи, которые вы никогда не читали.

В прошлых статьях я разбирал техническую часть — как сайт доходит до нейросети и десять мифов о GEO. Здесь хочу поговорить о другом. О том, что происходит с репутацией, когда ее пересказывает машина, и что с этим можно сделать руками, без покупки волшебных пакетов.

Привет, Хабр!

Сегодня мы рады представить вам нашу очередную новинку, которая украсит полку профессионального бэкенд-разработчика: «Высокопроизводительный Go. Руководство по оптимизации». Она продолжает сразу два направления нашей работы и ориентирована как на современных бэкендеров, всё активнее переходящих на Go, так и просто на ответственных разработчиков, желающих систематизировать проверенные практики повышения производительности. Книга сложилась из заметок и кода, над которыми много лет работал Александр Ставонин – выдающийся специалист по Go, C++, IoT и высокопроизводительным вычислениям. В своё время Александр давал на Хабре подробное интервью для компании Getmatch, в котором рассказывал о личном опыте обустройства в Сингапуре. Англоязычные черновики книги, которые легли в основу русского издания, выложены на сайте goperf.dev.

У ESP32-S3 есть 128-битные SIMD-инструкции, но примеров кода под них почти нет: автор нашёл всего три источника. Он написал на них детектор углов FAST и упёрся в два ограничения набора инструкций. Невыровненные блоки пикселей напрямую не читаются, а сравнивать можно только знаковые байты, причём вся арифметика с насыщением, так что вычесть 128 из беззнакового пикселя обычным вычитанием нельзя. Первое обошла инструкция, которая вырезает кусок из двух склеенных регистров, второе — XOR с 0x80. Итог в тестах автора — 11,2 мегапикселя в секунду вместо 5,1: этого хватает на поток VGA при 30 кадрах в секунду.