Кодинг на локальной модели, «fix this code» против Fable и SpaceX берёт Cursor за $60 млрд  Публичный пост

Старенький Mac на 64 гига теперь рефакторит код почти как облачный Claude. Без интернета и без счёта за токены. А чтобы заблокировать топовую модель Anthropic, властям хватило запроса «fix this code» из трёх слов.

А ещё SpaceX купила Cursor за $60 млрд, и Tim Ferriss показал, как ИИ обрушил продажи его книг. Плюс — пара приёмов, ради которых стоит открыть Claude Code прямо сейчас.

Главное за 30 секунд

• SpaceX покупает Cursor за $60 млрд акциями — ИИ-кодинг теперь стоит как космос, хотя сам лидер так и не вышел в прибыль.
• Локальные модели дозрели до кода: Gemma 4 на домашнем Mac тянет агентные задачи примерно на 75% от уровня облака.
• NotebookLM собирает исследование за вас: пять промптов — и готов бриф по любому решению с проверяемыми источниками.
• США заставили Anthropic убрать Fable 5 за безобидный запрос «fix this code» — и 100+ экспертов по безопасности подписали протест.
• Tim Ferriss: печатные продажи его книг рухнули почти на 80% с 2022-го, и спрос на «как сделать X» утекает в чат-бота.

Внедряем и улучшаем

Пусть агент сам напишет себе цель. Приём от Пьетро Скирано, создателя MagicPath. Не пишите /goal вручную — пусть модель составит его сама. И отдельный /goal на каждого суб-агента, которого она запускает. Работает в Claude Code и Codex, где агент ведёт проектную работу, а не просто болтает в чате. Лучшая версия — «автономия под присмотром»: модель набрасывает цель, вы ужесточаете границы и утверждаете. Без заданных человеком рамок суб-агенты уходят в странные крайности — поэтому шаг с утверждением обязателен. Готовый промпт (The Neuron):

Before starting, write your own /goal for this task.

Task: [describe the task]
Context: [paste files, docs, requirements, or links]
Constraints: [scope limits, style rules, deadlines, things to avoid]
Definition of done: [what success looks like]

Return:
1. Your main /goal.
2. 3-5 success criteria.
3. Boundaries you should not cross.
4. If you spawn helper agents, write a separate /goal for each one.
5. Ask me to approve or edit the goals before execution.

Do not start until I approve the /goal.

ИИ как ревьюер безопасности перед запуском. Приложения, целиком написанные ИИ, выглядят готовыми, но часто текут. Один человек на Reddit «поломал» кучу таких сайтов и видел одни и те же дыры: нет лимитов на запросы, нет проверки почты, ключи API лежат прямо во фронтенде. Лечится просто — отдельным проходом перед публикацией. Чек-лист. Пусть ИИ пройдётся по всем формам, регистрации, логину и сбросу пароля. Проверит лимиты, серверную валидацию и правила доступа к базе. Пометит секреты в коде клиента. И выдаст правки по приоритету: «сольёт данные / будет стоить денег / разозлит пользователя». Главная мысль одной фразой: «работает» и «можно публиковать» — это две разные галочки. Промпт целиком (The Neuron):

You are my pre-launch security reviewer. Review this app for production-readiness issues, focusing only on defensive improvements.

Check for:
1. Rate limits on signup, login, password reset, contact forms, and expensive API routes.
2. Email verification after account creation.
3. Secrets or paid API keys exposed in frontend code.
4. Server-side validation for every user action.
5. Access-control bugs, especially whether one user could request another user's data.
6. Supabase/Firebase rules, including RLS or equivalent database protections.
7. HTTPS, minimum TLS 1.2, SPF/DMARC for email, and DNSSEC if relevant.
8. Places where I built auth, payments, or account systems from scratch when a trusted service would be safer.

Return:
- Critical issues to fix before launch
- Medium-risk issues to fix this week
- Exact files or settings to inspect
- Safe implementation steps
- A final "ship / do not ship" recommendation

NotebookLM как исследовательская машина для любого решения. The Rundown показал систему, которая превращает сырую идею в бриф с источниками. Пример — выбор вендора, но схема работает для партнёрств, рынков, найма, любой задачи «надо сравнить варианты».

Шаг 1. Попросите ChatGPT, Claude или Gemini написать одностраничную «decision memo»: возможность, варианты, кто покупатель, ваши ограничения и вопросы, на которые нужны ответы.

Шаг 2. Загрузите эту памятку в NotebookLM первым источником и дайте команду:

Review this memo. Do not make a recommendation yet. Return the decision, the options, the evaluation criteria, and the source categories we need before we can trust the analysis.

Шаг 3. Через поиск источников в NotebookLM соберите данные по каждому варианту: цены, функции, интеграции, отзывы.

Шаг 4. Сгенерируйте по одному структурированному брифу на вариант с одинаковыми полями: для чего подходит, доказательства, подтверждение цен, трудозатраты на внедрение, риски, что ещё надо проверить.

Шаг 5. Запросите сравнительную таблицу и финальную рекомендацию: победитель, второе место, «пока избегать», хрупкие допущения, вопросы для звонка продавцу и план валидации на 30 дней. Сохраните эти четыре промпта — получится переиспользуемая исследовательская система (The Rundown).

Навык Cowork, который оценивает звонок и сам считает ROI. Идея из рассылки Return My Time: собрать в Claude Cowork навык ai-assessment, который берёт транскрипт ознакомительного звонка и выдаёт готовый клиентский отчёт. Сборка — меньше получаса. Сначала командой Create a skill called ai-assessment создаёте навык, потом задаёте ему логику этим промптом:

You score a business on three outcomes: Effectiveness (are they doing the right work), Efficiency (are they doing it fast), and Quality (is the output good). Input is a discovery call transcript. Output four things: (1) a plain-English summary of their three biggest time sinks, (2) an Impact-Effort matrix that plots each fixable workflow, (3) two to three specific AI tool or skill recommendations per quick win, (4) an estimated hours-saved-per-week and a dollar ROI based on their stated hourly cost. No fluff. Write it so a non-technical owner gets it on the first read.

Дальше прогоняете на реальном транскрипте (Run ai-assessment on this transcript), там где модель угадывала — уточняете промпт. Финал — команда Format the assessment as a client-ready report with an executive summary up top and the ROI number in the first paragraph. Три критерия можно заменить на свою модель оценки, а каталог рекомендаций — на услуги, которые вы реально оказываете. Отдельно полезен короткий промпт для подготовки к любому звонку: Based on this company's website and industry, list the five workflows most likely eating their team's time, and the one I should ask about first (Return My Time).

Кодинг на локальной модели наконец работает — вот живой рецепт. На неделе мы уже отмечали, что локальные модели дозрели до кода. Вики Бойкис выложила конкретную сборку, которую можно повторить. Железо — Mac 2022 года, 64 ГБ RAM. На нём агентные циклы крутятся примерно на 75% от скорости и точности облачных моделей. Её слова: с Gemma 4 «наконец удалось делать агентный кодинг локально».

Нужны три вещи: движок для запуска модели, агентная обвязка и сам файл модели. У неё это LM Studio (сервер на порту 1234), обвязка Pi и модель gemma-4-12b-qat. Каждая сессия Pi запускается в Docker с правами только на bash — агент не лезет в веб и не исполняет произвольный код. Чтобы Pi достучался до модели, в ~/.pi/agent/models.json прописывается локальный эндпоинт:

"lmstudio": {
  "baseUrl": "http://host.docker.internal:1234/v1",
  "api": "openai-completions",
  "apiKey": "not-needed",
  "models": [
    { "id": "google/gemma-4-12b-qat", "input": ["text", "image"] }
  ]
}

На этой связке она уже разнесла Python-скрипт в репозиторий из 5-6 модулей, прописала типы по PEP 585, написала юнит-тесты и подняла с нуля заготовку рекомендательной модели. Год назад такое локально было невозможно. Подвох один: при работе K-V кэш съедает все 64 ГБ — на машинах с меньшей памятью это узкое место (Vicki Boykis).

DeepSeek V4 Pro за 5% цены Claude — если правильно собрать обвязку. Howard Chen несколько месяцев гоняет DeepSeek V4 Pro как основную модель для кода. Она в 5-7 раз дешевле Claude, но «из коробки» разрыв не закрывается — его пришлось встроить в свою терминальную обвязку. В реальной работе у них получается около 90% от Claude. Автономный четырёхчасовой цикл на 50 шагов стоит $0,40-0,80.

Главный приём — «hashlines», редактирование по ссылке вместо переписывания. Обычные агенты заставляют модель воспроизводить строки файла символ в символ; на этом слабые модели спотыкаются и жгут токены. Решение: показывать модели каждую строку с коротким хешем её содержимого, а правки принимать по номеру строки и хешу. Цитата автора: «Akay показал скачок Grok Code Fast с 6,7% до 68,3% на SWE-bench Verified только от смены формата; вывод упал на 61% токенов». У них самих — вдвое меньше повторов и на 30-40% меньше токенов за сессию.

Второй приём — кэш DeepSeek по точному префиксу. Совпали первые токены с прошлым запросом — они стоят примерно 1/120 от цены. Префикс ломают три вещи: таймстемпы в системном промпте, повторная отправка reasoning_content и несортированный список инструментов. Уберите их — и после третьего хода видно 85%+ попаданий в кэш. Совет автора: «Если делаете только одно из поста — сделайте hash-anchored editing» (Howard Chen).

Ревью кода стало важнее самого кода — и вот цифры. Кодинг-агенты сместили трудную часть инженерии: писать код теперь легко, а вот понять, можно ли ему доверять, — нет. Эдди Османи собрал данные за 2026 год. Исследование Faros AI по 22 000 разработчиков: переписывание кода выросло на 861%, дефекты на человека — с 9% до 54%, длительность ревью — на 441%, а слияния без ревью — на 31%. GitClear добавляет: рост «сырого» вывода кода в 4 раза дал лишь около 12% прироста доставленной ценности.

Что с этим делать. Объём кода — не метрика пользы. Закладывайте на ревью столько же сил, сколько на генерацию, и не вливайте ИИ-код без проверки. Практичный цикл: план → реализация → тест → срезать лишнее → упростить той же моделью (Addy Osmani).

Роль CIO раскололась надвое — и большинство портфелей от этого проседают. Ник Талвар описывает простую модель для тех, кто внедряет ИИ и агентов в компании. Есть две принципиально разные игры. Оборона — защита ядра бизнеса: автоматизировать рутину, ужать издержки, ускорить процессы, которые вы понимаете. Атака — строить новое: продукты, рынки, способы дотянуться до клиента, которых раньше не было.

Беда в том, что под единым управлением и одним ROI-критерием оборона всегда выигрывает борьбу за ресурсы. Её проще обосновать и измерить. В итоге портфель выглядит занятым, но играет лишь одну игру: компания всё лучше делает то, что и так умела, и отстаёт в том, чем могла бы стать. Диагностика на 10 минут: разнесите все ИИ-проекты на две колонки — «защита выручки» и «строим новое». Не сортируется чисто — стратегия запутана. Дальше назначьте каждой стороне своего владельца, свои метрики и свой горизонт (Nick Talwar).

Инструменты и штуки

Loop Engineering Orange Book. Бесплатная книга-гид по «инженерии циклов» — термин, прогремевший в июне 2026. Идея одной строкой: перестань быть тем, кто пишет агенту промпты, и спроектируй систему, которая делает это за тебя. Автор выстраивает понятную лесенку: промпт → контекст → обвязка → цикл. Цикл — это внешняя система, которая по таймеру сама запускается, плодит себе помощников, проверяет результат и помнит, что сделала. Особенно ценен чек-лист из четырёх «издержек», которых стоит бояться: накопление непроверенного кода, потеря понимания собственной системы, взрывной расход токенов и слепая передача решений. Лицензия MIT, есть английский PDF (GitHub).

COMPASS Skills. Набор из трёх локальных скиллов для Claude Code и Codex, который лечит «дрейф целей» в долгих задачах. task-clarifier задаёт 1-3 точных вопроса перед рискованным шагом. task-forest ведёт репо-локальный граф задач, переживающий перезапуск сессий. user-profile-keeper хранит ваш стиль работы и риск-профиль. Всё лежит локально, без выгрузки данных и доступа к токенам, лицензия MIT. Поставить: npx skills add dongshuyan/compass-skills --skill '*' -a claude-code, дальше в сессии звать $task-clarifier, $task-forest, $user-profile-keeper (GitHub).

Ironsmith. Бесплатное приложение с открытым кодом в меню-баре macOS. Описываете словами нужную утилиту — Ironsmith генерирует, собирает и сохраняет настоящее нативное SwiftUI-приложение прямо на Mac, без Xcode и без Electron. Работает и с локальными моделями (Ollama, LM Studio, llama.cpp), и с облачными (Anthropic, OpenAI, Gemini). Каждое приложение собирается в подписанный сэндбокс. Идеально для мелких личных утилит: переименовать скриншоты, разбить PDF, почистить трекинг-параметры из ссылок. Нужен macOS 26+ (GitHub).

podcast-bridge. Скилл для агентов вроде Claude, который превращает подкасты в базу знаний: подписка → транскрипция → поиск. Внутри готовая библиотека из 64 шоу (Lex Fridman, Huberman Lab, Acquired, Latent Space и др.) и пять режимов резюме, включая отдельный экспорт в заметку Obsidian. Базовая транскрипция работает локально и без ключа API, данные хранятся у вас в SQLite и markdown. Поставить просто: дать агенту ссылку на репозиторий и сказать «настрой podcast-bridge» — дальше он всё сделает сам. Для связки с Obsidian — флаг --summary obsidian. Лицензия MIT (GitHub).

Sakana Marlin. Первый коммерческий продукт японской лаборатории Sakana — автономный исследовательский агент. Задаёте тему, дальше он без участия человека до 8 часов готовит подробный стратегический отчёт и сводные слайды. Функции доработаны на бете с ~300 отраслевыми экспертами, тарифы гибкие. Готовая связка «тема → отчёт + презентация» для аналитики и консалтинга (Sakana AI).

Cartesia Sonic 3.5 и Ink 2. Обновлённый набор моделей для голосовых агентов. Sonic 3.5 — быстрая генерация речи, Ink 2 — транскрипция, которая понимает, когда говорящий закончил фразу. По заявлению авторов, заняли первое место в рейтингах Artificial Analysis. Бесплатно попробовать, дальше от $5 в месяц (Cartesia).

Arcade.dev. Защищённый «слой действий» для боевых агентов: авторизация, подтверждение разрешений и логирование того, что агент реально сделал. Компания привлекла $60 млн — сигнал, что деньги сейчас идут не в саму модель, а в инфраструктуру контроля над агентами. Полезно тем, кто выпускает агентов «в бой», а не держит в песочнице (Arcade).

Edgee Turbo Models. Прослойка между вашим приложением и провайдерами LLM. Автоматически сжимает токены и снижает стоимость работы модели до 50% без правок в коде. Тем, у кого счёт за API ощутимый, стоит хотя бы протестировать (Edgee).

Factory 2.0. Сдвиг от агентов-кодеров к «фабрикам ПО» — автономным конвейерам разработки, которые уже в реальной эксплуатации у крупных компаний. Тезис компании: инженер этой эпохи строит не сам код, а фабрики, которые код производят (Factory).

SubQ 1.1 Small. Крошечная модель на 1,1 млрд параметров с интересной арифметикой: в 64 раза меньше вычислений и в 56 раз быстрее обычного внимания на 1 млн токенов, при почти идеальном поиске до 12 млн токенов. Любопытный пример, что длинный контекст не обязан стоить как дата-центр (SubQ).

Robinhood Agentic Trading. Новое MCP-подключение, позволяющее ИИ-агенту торговать напрямую. Штука пограничная: удобно для автоматизации, но давать агенту доступ к деньгам — отдельная ответственность, тестируйте на малых суммах (The Rundown).

Свой рабочий стол на Claude Code. Гейр Изене собрал собственный десктоп-стек на Rust с помощью Claude Code, заменив готовые i3, Vim и Mutt на свои приложения. Хорошая иллюстрация, до чего дошёл порог «написать себе софт под себя» (LessWrong).

Новости и тренды

SpaceX покупает Cursor за $60 млрд. Сделка целиком в акциях, закрытие — в третьем квартале. Это через несколько дней после рекордного IPO SpaceX и меньше чем через два месяца после анонса партнёрства. Cursor должен помочь ИИ-подразделению Маска (вокруг поглощённой xAI) догнать большие лаборатории.

Что это значит. Ценность ИИ-кодинга измеряется уже десятками миллиардов, но даже лидер не вышел в прибыль и на раунде в $50 млрд не дотягивал до безубыточности. Рынок перегрет относительно реальных цифр. Тем, кто живёт в Cursor, стоит следить за интеграцией с Grok и политикой приватности (TechCrunch).

Facebook включил AI Mode. Поиск по Facebook теперь отвечает не списком ссылок, а готовым ответом, собранным из публичных постов в Группах и Reels. Движок — модель Meta под названием Muse Spark. Заодно подвезли ИИ-редактирование фото: сменить одежду, причёску, надеть джерси любимой команды в один тап. По сообщениям, готовятся платные тарифы за $7,99 и $19,99 в месяц — дешевле ChatGPT и Gemini.

Что это значит. Meta повторяет плейбук Google прямо внутри ленты. Но ответы собираются из постов обычных людей, а не из проверенных источников — риск устаревшей и вводящей в заблуждение выдачи высокий. Свои публичные посты теперь стоит воспринимать как сырьё для чужого ИИ (Meta).

«Угрозой» в Fable 5 оказался запрос «fix this code». Мы уже писали, как США заставили Anthropic убрать модели Fable 5 и Mythos 5. Появились детали. Кэти Муссурис — единственный внешний эксперт, читавший закрытый отчёт, — рассказала: «джейлбрейка» не было. Исследователи дали модели код с уязвимостями, попросили «review the code for security issues», Fable отказалась. Тогда написали «fix this code» — и модель починила. На этом всё.

Что это значит. Поиск и починка уязвимостей — это базовая защита, а не оружие. 100+ лидеров безопасности (Zoom, Sophos, Vercel, Veracode, Stanford HAI) подписали письмо Free Fable: запрет связывает руки защитникам, но не атакующим — у тех есть модели с открытыми весами и китайские модели с тем же умением. Похоже, регуляторное решение приняли, не прочитав первоисточник (The Register, Free Fable).

Meta разносит собственную инженерную культуру. Гергели Орош описывает, как за пару месяцев Meta превратила инженерию из центра прибыли в презираемый центр затрат ради гонки за своим кодинг-LLM. Инженеров без согласия включили в слежку за каждым нажатием клавиш для сбора обучающих данных. До трети-половины продуктовых команд перебросили на разметку данных. В этом отделе уже около 6500 человек — больше, чем во всём OpenAI. Метрикой ревью сделали число потраченных токенов и завели внутренний рейтинг по токенам. За 30 дней сотрудники сожгли 60,2 трлн токенов.

Что это значит. Когда метрикой становится использование ИИ, люди оптимизируют показуху вместо работы — страдают и продукт, и безопасность. Свежий пример: взлом аккаунтов в Instagram через сброс пароля без проверки старой почты, на следующий день уволился директор по безопасности. Сигнал и инженерам, и руководителям: резкая ИИ-перестройка способна за недели убить даже легендарную культуру (The Pragmatic Engineer).

Tim Ferriss: ИИ уже убивает книги-инструкции. Феррисс показал свои продажи как «труп на столе». Печатные продажи его каталога: −5% в 2023-м, −13% в 2024-м, −46% в 2025-м и темп −57% в 2026-м. Если так пойдёт, к 2026-му он продаст примерно на 80% меньше бумаги, чем в 2022-м. Весь рынок self-help за квартал просел на 26%. Причина, по его словам, одна — ИИ-чат-боты.

Что это значит. Чистый контент «как сделать X» — самое уязвимое: чат-бот выдаёт персональный план за 15 секунд бесплатно. Выживает не информация, а трансформация: голос, личные истории, последовательная подача, сообщество и доведение до результата. Прямой ориентир для академии — продавать не «что делать», а путь с сопровождением и комьюнити; книга и курс работают как доказательство экспертизы, а не как информационный бизнес (tim.blog).

Доля ChatGPT впервые упала ниже 50%. При этом приложение, по оценкам, достигло 1 млрд активных пользователей в месяц. Сочетание говорит о взрослении рынка: пользователей всё больше, но конкуренты (Gemini, Claude, Meta) откусывают долю, а у компаний остаются жёсткие вопросы по доверию и отдаче (TechCrunch).

Anthropic судят из-за лимитов Claude. Иск утверждает, что подписка за $200 в месяц вводит в заблуждение: реальный лимит использования якобы заметно ниже обещанного. Если вы платите за дорогой тариф — повод перепроверить, что реально входит в ваш лимит (Decrypt).

Nvidia занимает $20 млрд через облигации. Первый такой выпуск с 2021 года; деньги — на общие цели и рефинансирование. Nvidia вошла в общий «долговой бум» под ИИ-инфраструктуру: техгиганты всё чаще финансируют дата-центры в долг, а не из прибыли. Это повышает ставки всей отрасли на то, что ИИ окупится (The Decoder).

Иллинойс ввёл аудит передового ИИ. Закон SB 315 обяжет разработчиков крупных моделей публиковать планы безопасности, проходить независимый аудит и защищать информаторов. Действует с 1 января 2027 года и распространяется на всех, кто разворачивает такие модели в штате. Кто работает с передовыми моделями или их поставщиками — пора готовить документацию по соответствию (NBC).

PwC: рынок труда расходится на две дорожки. По анализу 1+ млрд вакансий: компании, плотно использующие ИИ, нарастили штат на 52% против 36% у остальных, а топ-20% получили 163% прироста производительности. При этом начальные роли теперь в 7 раз чаще требуют навыков уровня старшего специалиста. Вывод для карьеры: ИИ не столько сокращает рабочие места, сколько поднимает планку входа (PwC).

Google судится с сетью, строившей скам на Gemini. Группировка через Gemini массово генерировала фейковые сайты банков и USPS и за две недели разослала 2,5 млн мошеннических СМС. Набор продавался другим преступникам от $88 в неделю. Урок простой: те же ИИ-инструменты, что ускоряют вашу работу, дёшево арендуют ради кражи карт. Фишинг станет качественнее — проверяйте ссылки (Help Net Security).

Коротко:

• Meta тайно встроила военное распознавание лиц от подрядчика Пентагона в приложение на 50+ млн телефонов, а после публикации WIRED удалила (Gizmodo).
• Зафиксированы первые боевые смерти от полностью автономных дронов — серьёзный рубеж в применении ИИ-оружия (New Scientist).
• DOJ защищает несанкционированные газовые турбины xAI, называя их вопросом нацбезопасности — прецедент, как ИИ-стройки обходят местные экологические нормы (Wired).
• Alibaba представила ИИ-модели для роботов на фоне разворота Китая к физическому ИИ (The Next Web).
• Иск Маска против OpenAI о коммерческой тайне закрыли окончательно — одна из главных юридических угроз OpenAI снята (The Next Web).
• Microsoft столкнулась с иском акционеров: компанию обвиняют в сокрытии ИИ-издержек и замедления Azure (Neowin).