Data Science. SQL hub

Задача о диване решена: ответ искали почти 60 лет

Какой самый большой диван можно пронести за угол коридора шир

Каждый, кто хоть раз тащил диван по узкому коридору, помнит этот момент. По прямой всё идёт нормально, в дверь он проходит, а на повороте встаёт намертво. Крутишь, наклоняешь, тянешь на себя, и ничего не меняется. В 1966 году математик Лео Мозер превратил эту бытовую боль в строгую геометрическую задачу. Решить её удалось только в конце 2024 года, и ответ оказался куда страннее, чем кто-либо ожидал.

https://uproger.com/zadacha-o-divane-reshena/

Добавить реплику MongoDB, не копируя всю базу: что меняет Atlas Infinite

В привычной архитектуре каждый узел replica set хранит полную копию данных. Добавление реплики или изменение размера узла требует перемещения больших объёмов данных.

Atlas Infinite разделяет вычисления и хранение. Узлы выполняют запросы, а общий слой хранения, написанный на Rust, отвечает за журнал, страницы данных и долговечность. Вычислительные ресурсы и хранилище масштабируются независимо.

Самая интересная деталь: два журнала с разными задачами.

• oplog фиксирует логические операции. Запись подтверждается после устойчивого сохранения большинством реплик журнала.
• phylog передаёт физические изменения страниц при checkpoint, сохраняя пакетную обработку WiredTiger.

То есть подтверждение записи отделено от подготовки страниц для чтения.

Новая read replica подключается к общим страницам и догоняет хвост журнала. Ей не нужно сначала копировать всю базу. А данные шифруются на вычислительном узле: общий storage-слой работает с зашифрованным содержимым.

Для приложения сохраняются протокол, драйверы и семантика операций. Меняется инфраструктура под базой. Atlas Infinite пока в public preview.

Хороший разбор для тех, кому интересны внутренности СУБД:

https://muratbuffalo.blogspot.com/2026/10/atlas-infinite-mongodbs-disaggregated.html

Python и ИИ в 2026 году: как правильно работать с кодом через ChatGPT, Claude, Cursor и AI-агентов

Как использовать ИИ для написания, проверки, рефакторинга и отладки Python-кода. 

Лучшие промпты, примеры, workflow и правила работы с AI-ассистентами в 2026 году.

https://uproger.com/python-i-ii-v-2026-godu-kak-pravilno-rabotat-s-kodom-cherez-chatgpt-claude-cursor-i-ai-agentov/

Теперь RL можно обучать прямо через реальный агентный harness — даже если он для тебя black box
ClawGym II показывает интересный подход: Claude Code или OpenClaw можно оставить без изменений и всё равно встроить их в RL training loop.
Фреймворк запускает агентный harness внутри sandbox, перехватывает model calls на serving-уровне и восстанавливает из них полные trajectories. После этого PPO или GRPO могут оптимизировать поведение модели уже с учётом реальной агентной среды.
Главный плюс: training stack не нужно заново реализовывать tool routing, retries, context management или subagents.
На Qwen3-30A3B это дало:
— +9.98 п.п. Pass@1 через OpenClaw
— +14.81 п.п. через Claude Code
Причём mix-harness training тоже сработал: одна политика, обученная сразу на OpenClaw и Claude Code, не хуже одиночных вариантов под обоими harness.
То есть следующий шаг в RL для агентов — обучать модель не в упрощённой симуляции, а прямо через тот сложный стек, в котором она потом будет реально работать.
Paper: arxiv.org/abs/2608.16798
ClawGym II: Exploring Black-Box RL on Agent Harness

🔥 **Harbor - единый фреймворк для тестирования и улучшения AI-агентов**

Сравнивать Claude Code, OpenHands, Codex CLI и других агентов сложно: у каждого свои команды, окружения и форматы результатов.

**Harbor** превращает это в единый воспроизводимый пайплайн. Он позволяет запускать разные модели и coding-агентов на одинаковых задачах в изолированных контейнерах.

Что умеет Harbor:

- тестировать разные модели и AI-агенты;
- запускать Terminal-Bench, SWE-Bench и Aider Polyglot;
- создавать собственные бенчмарки и окружения;
- параллельно проводить тысячи экспериментов;
- собирать rollouts для RL-оптимизации;
- работать локально через Docker или в облачных sandbox-сервисах.

Установка:

```bash
uv tool install harbor
```

Пример запуска:

```bash
harbor run \
--dataset terminal-bench@2.0 \
--agent claude-code \
--model anthropic/claude-opus-4-1 \
--n-concurrent 4
```

Harbor используется как evaluation harness для Terminal-Bench 2.0 и распространяется по лицензии Apache 2.0.

По сути, это инфраструктурный слой для команд, которым нужно не просто запускать AI-агентов, а системно измерять их качество, сравнивать конфигурации и улучшать модели на реальных задачах.

GitHub:
https://github.com/harbor-framework/harbor