Дневная сводка: JetBrains — 2026-05-04
Пять постов. Большая часть — программные блоги о роли IDE как «среды для агентов»: финал хакатона JetBrains × Codex, eval‑данные о выгоде IDE‑native поиска для агентов, разбор PyTorch vs TensorFlow на 2026 год, кейс «детерминированной диагностики flaky‑тестов» через AI Skill, и регулярный апрельский Kotlin‑дайджест с анонсом KotlinConf 2026.
Ключевые события и темы
IDE как реасонинг‑слой агента: хакатон, eval‑данные, кейс flaky tests
Финалисты JetBrains × Codex Hackathon показывают, что IDE с встроенной мощной кодовой моделью становится местом, где направляют агента, наблюдают за его рассуждением и контролируют, что попадает в контекст. Шесть проектов: hyperreasoning (search‑процесс с обученным controller), Scopecreep (hardware bring‑up в одном tool window с human‑in‑the‑loop при физических манипуляциях), mesh‑code (общая память агентов между сессиями), Periscope (визуализация рабочей памяти агента и рекомендации по compaction/forking), SecureLoop (security policies in repo как security-policy.md), Pinpoint (drag‑and‑pin фронтенд‑правки).
Eval‑driven эксперимент с IDE‑native поиском подтверждает выгоду структурированного контекста: −8.33% медианной latency, −16.44% P95, −5.60% общей стоимости, −33.28% задач с превышением бюджета, без статзначимого снижения качества. Кейс с flaky‑тестами и race condition в Spring Boot‑демо показывает, как hit‑counts из coverage‑агента IntelliJ + diff между прогонами + AI Skill (SKILL.md с метаданными) превращают «мистический баг» в детерминированную процедуру для агента.
Ссылки:
- Эпизод: JetBrains × Codex Hackathon — финалисты
- Эпизод: IDE‑native search — agents got faster and cheaper
- Эпизод: Teaching an AI Agent to Debug Flaky Tests
Выбор фреймворка: PyTorch vs TensorFlow в 2026 году
Развёрнутый материал PyCharm с актуальными цифрами адопции: TensorFlow 37% корпоративного использования, PyTorch 25%; в исследовательской сцене — 85% статей в PyTorch; на Hugging Face 220 000+ PyTorch‑совместимых моделей против ~15 000 для TensorFlow. По задачам: NLP — PyTorch, computer vision — паритет (PyTorch для R&D, TF Lite для mobile/edge), reinforcement learning — PyTorch для исследований, TF‑Agents для production scale. Часто работающая связка — «PyTorch для R&D + ONNX/TensorFlow для продакшена».
Ссылки:
Kotlin: KotlinConf 2026, релизы, образование, Koog в Java/Spring
Регулярный Kodee Roundup. Главное: KotlinConf 2026 — 20–22 мая в Мюнхене, 2 000+ участников, онлайн‑трансляция; финалисты Golden Kodee. Релизы: Kotlin 2.4.0‑Beta2 (early preview, новые элементы языка/stdlib/Native/JVM), 2.3.21 (perf/bugs), IntelliJ IDEA 2026.1. Kotlin Professional Certificate на LinkedIn Learning. Koog (агентный фреймворк JVM): идиоматичный Java API + интеграция со Spring AI. Также — Kotlin + WebAssembly wasi:http, Amper 0.10.0 (auto JDK provisioning, Maven→Amper converter, custom compiler‑plugins), Spring Data JPA + Kotlin, Coroutines Races Guesser Game.
Ссылки:
Сравнения и противоречия
Сквозная мысль через четыре из пяти постов: «качество AI‑инструментов в команде определяется структурным контекстом, который IDE даёт агенту, а не только моделью» (Hackathon, IDE‑native search, flaky‑tests Skill, и косвенно KotlinConf — через Koog/Java API). Пятый пост (PyTorch vs TF) формально стоит отдельно, но согласован: «выбор фреймворка — про fit под задачу и контекст команды, а не про абстрактное «лучшее».
Итог
JetBrains в этот день закрепляет программную линию апреля «IDE Is Already an AI Quality Variable»: серия публикаций показывает не маркетинг «SOTA», а количественные eval‑результаты, прикладные кейсы и сообщество. На фоне общего тренда индустрии (Sber AI о новой парадигме архитектуры данных под агентов, см. сводку по Sber AI за тот же день) — это наиболее доказательно оформленный технический контент по «agent‑native» инструментам за день.