Недавно мы анонсировали сразу два события. Во-первых, наш проект Kodik в новой версии 2.0 стал не только редактором кода: мы запустили также хостинг и маркетплейс, чтобы созданное в редакторе было проще распространять.
А во-вторых, к релизу приурочили хакатон Kodik Launchpad. Зачастую проекты с ИИ-кодингом забрасывают через день, а мы устроили хакатон длиной в месяц, призывающий дойти до более значимых результатов. Для участников это стимул подойти серьёзнее, а для нас — хорошая возможность потестить хостинг, наполнить маркетплейс и заодно помочь молодым авторам довести свои идеи до конца, подсветить их и направить вперёд.
В результате у нас было 535 одобренных заявок, 74 проекта дошли до финала, и 13 из них будет защищаться сегодня вечером 4 августа на лайв-стриме, — это топ-3 из семи номинаций. Можете посмотреть защиту по ссылке.
А пока итоги ещё не подведены, поделимся с Хабром другими подробностями: что именно появилось в версии 2.0 и о каких примерах с хакатона хочется рассказать.
Фичи 2.0
Kodik Hosting. Разворачивает проект на инфраструктуре Kodik прямо из IDE: деплой, статус с детектом сбоев, логи в реальном времени, управление жизненным циклом приложения. Готовое приложение можно сделать публичным и отправить в галерею проектов сообщества — статус модерации виден прямо в карточке. Хорошо подходит для небольших веб-проектов.
Kodik Marketplace и кошелёк. При публикации выбираете Free или Paid и задаёте цену в кредитах. Покупка списывает кредиты у покупателя и сразу платит продавцу, а в разделе «Кошелёк» видны баланс, заработок, траты и полная история операций. Туда же переехали плагины: MCP-серверы, навыки, команды и правила собираются в один пакет с установкой в один клик.
Локальные модели через Ollama. Ollama работает параллельно основному провайдеру — со своими настройками, управлением моделями и контролем во время выполнения. Автодополнение полностью поддерживает маршрутизацию через Ollama, так что часть работы можно увести на локальные модели и не расходовать кредиты.
Worktree-режим. Задачу можно запустить в изолированной git-ветке и worktree: агент правит код, не трогая основной рабочий каталог, активная ветка видна в статус-баре, worktree удаляются по завершении, а при конфликте слияния Kodik подсказывает точную команду восстановления.
Мульти-чат и фоновые субагенты. Чат делится на несколько панелей, каждая ведёт свою задачу и стримит независимо. Сами задачи живут в отдельном agent host, так что несколько длинных задач идут параллельно и переживают закрытие окна. Субагентов можно описывать на уровне проекта в .kodik/agents/, а исследовательские агенты запускаются в фоне, пока вы работаете дальше.
Режим Educator. Агент работает только на чтение и не правит код сам, а ведёт по теме и проверяет, что вы поняли: для этого у него есть отдельный инструмент check_understanding с вопросами на выбор ответа и коротким ответом.
Отдельно стоит сказать про то, чего в списке фич обычно не видно, но что заметно влияет на работу с агентами.
Kodik сохраняет подпись блока размышлений и воспроизводит её в следующем запросе — без этого reasoning-модели теряют нить между вызовами инструментов и начинают ходить по кругу. Если модель всё же зацикливается и повторяет одну и ту же строку, срабатывает детектор: ответ обрывается, повтор сворачивается, модель получает подсказку продолжить. Системный промпт при этом пересобирается перед каждым запросом, чтобы смена режима, модели, языка или правил подхватывалась мгновенно и не ломала кеширование.
И вещь, которую оценят те, кто работает с legacy: правка файла в Windows-1251 и других не-UTF-8 кодировках больше не превращает кириллицу в вопросительные знаки, HTML entities не подменяются, CRLF сохраняется.
За месяц хакатона новые возможности прошли проверку на реальной нагрузке, и многое из того, что мы увидели, уже вошло в версию 2.1.1: статусы деплоя обновляются сами, большие проекты и symlinks обрабатываются аккуратнее, перед деплоем можно задать переменные окружения и управлять секретами приложения. В маркетплейсе починены установка навыков, работа нескольких хуков в одном плагине и удаление отдельных MCP-серверов, плюс перевели на русский сотни строк интерфейса. Скачать 2.1.1 можно на официальном сайте.
Примеры проектов
Поскольку итоги ещё не подведены, сейчас перечисляем не «список победителей». Пока что нам захотелось показать, насколько разными бывают проекты, созданные в таком формате: один месяц, один человек или небольшая команда, сочетание собственных компетенций с ИИ-агентами.
Мы расспросили создателей этих проектов о проекте, участии в хакатоне и использовании Kodik. С полными ответами текст получился бы слишком длинным, поэтому ограничимся краткими описаниями и отдельными цитатами их авторов.
Это Discord-бот для модерации и не только, использующий в том числе дообученную модель ruBERT для классификации сообщений. Казалось бы, ботов и так немало, зачем понадобился ещё один? Создатель проекта Александр уже публиковал о нём отдельный хабрапост, но для этого текста описал отдельно:
Над проектом работают два человека. Идею подсказала жизнь: у нас есть своё сообщество, и управление им расползлось на кучу разрозненных инструментов. Один бот отвечал за роли, другой — за модерацию, третий — за уведомления, часть настроек в веб-панелях, часть — в командах. В итоге администратор управляет не сообществом, а зоопарком интеграций.
В начале проект выглядел проще: Discord-бот, команды администратора, панель для основных функций. Хотелось просто собрать в одном месте то, что делалось через разных ботов.
Но дальше стало ясно, что простого набора команд мало. Взять хотя бы автоматическую модерацию — недостаточно просто подключить модель к событию нового сообщения. Нужно решить, какие каналы вообще анализировать, как справляться с перегрузкой, как объяснить модератору решение, что делать при конфликте правил и модели и, в конце концов, кто имеет право удалить сообщение. Так появился отдельный AI Moderator с preprocessing, системой правил, классификатором и своим механизмом принятия решений.
Поменялся и подход к данным для обучения модели. Была версия датасета почти на миллион примеров — и она оказалась хуже, чем мы ожидали. Больше данных не значит лучше модель: там было много шума, синтетических шаблонов и просто неестественных фраз. В итоге мы вернулись к 700 тысячам примеров и сосредоточились не на количестве, а на качестве разметки.
Следующий крупный этап — дальнейшая ручная разметка и отдельный модуль анализа изображений, который будет ловить потенциально мошеннический визуальный контент.
Описание, которого не очень ожидаешь от хакатона: «Финансовый аудит для бизнеса». Идея в том, что обычно имеющаяся информация показывает предпринимателю «прошлое» (уже совершённые платежи), но не вполне готовит к будущему: например, можно не заметить подкрадывающийся кассовый разрыв. И проект призван исправить это.
Иногда на хакатонах бывает «решение в поисках проблемы» («давайте сделаем такое, а потом уже разберёмся, зачем это вообще»). А здесь наоборот: создатели оттолкнулись от истории своего знакомого предпринимателя. Даём слово команде:
FinAudit отвечает на второй по важности вопрос бизнеса после «сколько я заработал»: «а правильно ли я считаю деньги и всё ли чисто по закону». У большинства МСБ есть 1С или бухгалтер, но чтобы понять, что реально происходит с финансами, нужен отдельный человек, который сможет объяснить, что и как происходит с денежными потоками внутри бизнеса. Найти такого человека и выделить средства на оплату его труда — большая проблема, и своим проектом мы стараемся решить её так:
Предприниматель загружает банковскую выписку или другую финансовую документацию МСБ и за минуту получает понятную картину человеческим языком: где будет кассовый разрыв и почему, какие налоговые и правовые риски, что не так с контрагентами и, что самое главное, что конкретно делать, чтобы всего этого избежать.
Для того, чтобы предотвратить галлюцинации LLM и не ошибиться в подсчётах, мы сознательно не даём нейросети считать деньги. Все цифры и риск-флаги считает детерминированный код — точно и до копеек. ИИ только объясняет готовый результат.
При работе в редакторе Kodik самым удобным для нас оказался доступ ко всем нужным LLM без головных болей с оплатой и доступом к ним, без рисков потерять деньги из-за «гео-бана».
Это расширение для VS Code и Kodik, помогающее понять, что именно затронет изменение в коде до того, как запрос на слияние попадёт в ревью или в основную ветку.
«Разработка для разработчиков» — всегда любопытный сегмент: люди решают свою собственную проблему, так что хорошо её понимают. И зачастую они рады применять ИИ-возможности, но именно там, где это принесёт пользу, а не просто «ради ИИ». В данном случае команда ImpactLens думала о том, чтобы проект пропускал всё через LLM, но в итоге пришла к другому варианту. Изначально происходит анализ с помощью обычного детерминированного кода, и только поверх полученных так данных подключается LLM для дополнительной пользы.
Как описывает сама команда:
Мы давно сталкивались с болью в рабочих проектах: небольшое изменение в модели, сервисе или общем модуле может иметь последствия в неожиданных местах. Особенно это заметно в больших кодовых базах. Ты меняешь вроде бы один класс или одну схему, а потом руками проверяешь импорты, API-эндпоинты, тесты, зависимые модули. Иногда пропускаешь что-то важное, иногда наоборот тратишь время на слишком широкий ручной поиск.
Когда появился хакатон, мы подумали: почему бы не взять проблему, которая реально мучила нас и команду уже несколько лет, и не сделать для неё инструмент, которым самим хотелось бы пользоваться каждый день?
Лучше всего для нас в Kodik сработало то, что он оказался не просто местом, где можно попросить ИИ написать кусок кода, а средой для полного цикла разработки. Для нашего проекта это было особенно важно, потому что мы делали расширение для редактора, и многое становилось понятно только после реального запуска: как выглядит боковая панель, удобно ли открывать отчёт, понятен ли прогресс анализа, не ломается ли установка VSIX. В Kodik мы могли пройти этот цикл быстро: обсудить решение, внести правку, собрать расширение, установить его, проверить поведение, увидеть ошибку, вернуться к коду и сразу исправить. Именно эта связка «идея — проверка в интерфейсе — исправление» оказалась самой полезной.
Мы пробовали и Cursor, и Copilot, и Claude Code, и Codex. Copilot удобен как быстрый помощник во время набора, Cursor — для отдельных правок и навигации. Но основная разработка шла в Kodik: для нас это была не вспомогательная штука сбоку, а основная рабочая среда. Другие инструменты иногда помогали на совсем простых задачах — например, Codex мы использовали там, где не хотелось тратить кредиты Kodik: собрать расширение, установить файл VSIX, поправить однотипный текст или проверить простую техническую гипотезу.
Модели тоже выбирали под задачу. Быстрые вроде Gemini Flash хорошо справляются с механической работой, а на архитектурные решения и поиск причин багов ставили модель посильнее. Нет смысла использовать самую сильную модель для всего подряд.
Это B2B-решение: сервис ИИ-ассистентов для бизнеса. Для кого-то такое может прозвучать скучновато: «на хакатоне можно для самого себя увлекательную игру сделать, а не с B2B возиться». Но мы сами изначально ввели на хакатоне обе категории: и с играми, и с SaaS-проектами. Считаем, что прекрасно, если кто-то воплотил игру своей мечты — но в то же время отлично, если люди заняты и насущными потребностями рынка.
Дмитрий Кирюшкин поясняет:
Мой проект называется MITIA — от уменьшительной формы моего имени. Это SaaS-платформа, на которой можно собрать AI-ассистента без единой строчки кода и подключить его сразу ко всем каналам связи, где бизнес общается с клиентами: сайт, Telegram, VK, MAX, Avito, Email, HeadHunter, Одноклассники. По сути — единый центр коммуникаций, куда стекается весь входящий трафик, а ассистент (или оператор, если хочет взять диалог на себя) отвечает из одного окна.
Ассистент умеет расшифровывать голосовые (Whisper), отвечать голосом, читать документы и картинки, анализировать видео, искать в интернете, сам индексировать сайт компании за пару минут. При первом обращении он считывает метаданные канала — кто пишет, откуда, вплоть до геолокации, — а в диалоге сам вытаскивает контакты в карточку клиента.
Дальше — вопрос фантазии, куда его посадить: от ИИ-консультанта интернет-магазина, который проиндексировал каталог и отвечает на вопросы покупателей, до десятка ассистентов с разными личностями в одном паблике (ведущий, зрители, гости), где получается своё ток-шоу.
С Kodik я столкнулся только в этом году, и разница с «просто попросить ИИ написать кусок кода в браузере» ощутимая: процесс стал не разовой генерацией сниппетов, а написанием кода прямо в контуре разработки. Я перестал набирать код руками — смысла в этом больше нет, скорость ИИ на порядки выше. Освободившееся время ушло не на «меньше работать», а на другое: логику взаимодействия пользователя с продуктом, сценарии, архитектуру ролей ассистентов — то, что как раз ИИ за меня не придумает.
Возможно, самый неожиданный проект: «платформа для социального чтения». Причём неожиданным это стало даже для самого создателя проекта. Изначально Сергей Верещагин хотел просто сделать удобный для него онлайн-ридер. Потом захотел добавить социальную составляющую в виде обычного обсуждения книг. Но затем мысль развилась ещё дальше: а что, если люди смогут читать книги друг другу в реальном времени?
Всем давно знакомы аудиокниги, но там чтец и слушатель разделены во времени. А вот, например, видеостримеры и их аудитория ощущают сопричастность. Насколько подобный формат применим к чтению? Здесь только время полностью покажет, насколько востребован окажется проект. Но в любом случае интересно видеть необычный эксперимент вместо тысячного клона.
Сергей Верещагин рассказывает:
Года два-три назад, без программистского бэкграунда, мне даже в голову не приходило создавать что-то сложнее HTML-вёрстки или настройки готовой CMS вроде WordPress или InstantCMS. Максимум — сайт на ModX по инструкциям из интернета. Когда появился доступ к LLM, стал экспериментировать. Сначала — калькуляторы. Расчёт материалов для аквариума, навеса для авто, расчёт электрического импеданса, частоты кавитации, расчёт объёма жидкости в ёмкостях. Мелочи, но каждый раз ИИ справлялся, и это работало.
Потом были попытки с более серьёзными идеями. Поначалу проваливались, но в итоге оказалось: когда ты не знаешь точного решения, но готов изучать вопрос вместе с ИИ, то результат превосходит ожидания. И в VoxLibris сам не написал ни строчки кода — его писали LLM. Моя роль — постановка задачи и контроль исполнения.
Для каждой подсистемы (аутентификация, клубы, живое чтение, платежи, потоковое вещание) было затрачено значительное время на составление требований и ограничений в виде подробного технического задания. Чем детальнее был промпт, тем качественнее получалась реализация.
В итоге получилась работающая социальная платформа. Но это произошло не потому, что ИИ написал «всё за меня», а потому что был чёткий взгляд на проблему, модели работали как «расширенный» мозг, помогая продумать архитектуру и выявлять ошибки, и контроль качества был встроен с самого начала.
При работе в Kodik порадовали поддержка русского языка, возможность подключения собственных моделей, встроенный маркетплейс. Он остался моей основной средой для написания кода, рефакторинга и повседневной работы, так как интерфейс и локализация здесь действительно на высоте.
В завершение
Какие выводы можно сделать из такой подборки проектов?
Во-первых, оценить разнообразие идей. Зачастую подход «кодить в одиночку с помощью ИИ» критикуют в духе «все так просто делают ещё один таск-трекер, ничего нового». Но хакатон показал, что малыми силами можно делать самое разное: от «поможем бизнесу предвидеть кассовые разрывы» до «давайте сделаем чтение социальным».
Во-вторых — и это самое любопытное — при всей разнице проектов сразу несколько команд независимо друг от друга провели одну и ту же границу. FinAudit принципиально не подпускает нейросеть к арифметике: цифры и риск-флаги считает детерминированный код, ИИ только объясняет результат. ImpactLens отказались пропускать всё через LLM и оставили в ядре обычный анализатор, а модель подключается уже поверх собранных фактов. MITIA выстроил отдельный слой проверки ответа перед тем, как он уйдёт клиенту. Никто из них не сговаривался: разные предметные области, разный опыт — от нескольких лет в наукоёмких системах до пары лет работы с LLM. И все пришли к одному: модель не принимает решения с высокой ценой ошибки, а объясняет то, что посчитано и проверено без неё.
В-третьих, месяц вместо выходных меняет не столько масштаб проекта, сколько поведение авторов. За такой срок успевает провалиться первая гипотеза и смениться на рабочую: у OmniBot датасет почти на миллион примеров оказался хуже версии на 700 тысяч, и команда развернулась в сторону качества разметки вместо количества. Успевает найтись живой пользователь — FinAudit проверяли на выписках знакомого предпринимателя. На хакатоне выходного дня ничего из этого просто не помещается, и ради этого мы месячный формат и затевали.
Остальные проекты хакатона собраны в голосовании. Оно закрывается сегодня, так что если хотите повлиять на исход — момент подходящий.
А если после этих историй захотелось проверить формат на себе, Kodik можно скачать на сайте: при регистрации даётся стартовый набор кредитов на ИИ-модели. Месяц, как показал хакатон, срок вполне достаточный.