Группа CE Tables Maker

MasterGH

Cursor AI — практический опыт и выводы

Cursor AI — это IDE на базе Visual Studio Code, ориентированная на программирование с использованием ИИ. Это не единственное решение на рынке — аналогов сегодня достаточно много.

На практике мне удалось поработать с разными агентами и инструментами:

Cursor AI
Cline
GitHub Copilot
различные LLM-провайдеры
локальный LLM-сервер (по возможностям — довольно слабый)

---

Общие впечатления

В целом Cursor AI — мощный инструмент. Всё, что было запланировано, удавалось реализовывать поэтапно и достаточно аккуратно.

Ключевой момент — почувствовать, как правильно “вести LLM” к нужному результату. Когда это получается, эффективность становится заметно выше.

При этом важно понимать:

code review после работы LLM обязателен
поверхностные правки почти всегда нужны
это касается и inline-команд ИИ

ИИ сильно ускоряет работу, но не отменяет ответственность разработчика.

---

Unity3D + C#

Я очень рекомендую Cursor AI для программирования под Unity3D и C#.

С высокой вероятностью вы не пожалеете. Более того, не использовать Cursor AI или аналогичные инструменты сегодня — потенциальная ошибка. Работая с ними, действительно можно многому научиться.

В отличие от классического общения с ИИ через чат:

агент часто сам быстро вносит правки в код
меньше ручного копирования и вставки
быстрее итерации

Программировать можно практически всё — вплоть до CE Lua-плагинов, которыми я планирую заняться в ближайшее время и выложить новую версию. Пока они находятся на стадии тестирования.

---

Стоимость и порог входа

Да, всё это не бесплатно, но в большинстве случаев оно того стоит.

Если вы ещё не пробовали:

просто попробуйте
даже безлимитного тарифа на первое время достаточно
этого хватит, чтобы понять, подходит ли инструмент под ваш workflow

---

Куда всё движется

В перспективе привычные чаты в стиле ChatGPT, в том виде, в каком мы их знаем сейчас, будут всё менее интересны.

Настоящий прирост эффективности дают:

ИИ-агенты
оркестрация
MCP-серверы

Простой пример:
тысяча правок через чат с постоянным копированием и вставкой
vs
тысяча правок, где агент сам вносит изменения в код

Разница в эффективности — колоссальная.

---

Итог

Каждому разработчику в итоге придётся:

выстраивать собственный workflow
адаптироваться к ценам и инструментам
выбирать оптимальные модели и подходы

Цель одна — максимальная производительность при минимальных затратах времени и ресурсов.

---

Ниже — сравнительная таблица, оформленная в Markdown для NodeBB. Я опирался на практический опыт пользователей и типовые сценарии Unity/C#-разработки, без маркетинговых искажений.

---

Сравнение инструментов: Cursor AI / GitHub Copilot / Cline

Критерий	Cursor AI	GitHub Copilot	Cline
Тип инструмента	IDE (fork VS Code) с ИИ-агентами	Плагин автодополнения	Агент для VS Code
Работа с проектом	🟢 Контекст всего workspace	🟡 Ограниченный контекст	🟢 Глубокий доступ к файлам
Агентное редактирование	🟢 Да (правит файлы сам)	Нет	🟢 Да
Inline-команды	🟢 Развитые (`Ctrl+K`)	🟡 Ограниченные	🟢 Да
Многофайловые правки	🟢 Стабильно	Практически нет	🟢 Да
Code review	🟢 Удобно встроен	🟡 Частично	🟡 Зависит от модели
Unity3D / C#	🟢 Отлично подходит	🟡 Нормально	🟡 Рабоче, но шумно
Контроль правок	🟢 Diff перед применением	🟡 Через git	🟡 Через git
Поддержка LLM	🟢 Много встроенных моделей	🟡 Ограничено Copilot	🟢 Любые (в т.ч. локальные)
Локальные модели	Нет	Нет	🟢 Да
Простота входа	🟢 Высокая	🟢 Очень высокая	🟡 Средняя
Риск «сломать проект»	🟡 Есть, но контролируем	🟢 Минимальный	Высокий без опыта
Подходит для новичков	🟢 Да	🟢 Да	Скорее нет
Скорость итераций	🟢 Высокая	🟡 Средняя	🟢 Высокая
Стоимость	🟡 Подписка	🟡 Подписка	🟢 Оплата токенов

---

Краткие выводы

Cursor AI

Лучший баланс мощности, контроля и удобства
Оптимален для Unity3D и C#
Подходит как для одиночной, так и для сложной проектной разработки
Требует дисциплины и code review

GitHub Copilot

Отличный автокомплит
Минимальные риски
Почти не подходит для сложных архитектурных правок

Cline

Максимальная гибкость и контроль
Поддержка локальных моделей
Высокий риск ошибок без опыта
Больше подходит для экспериментальных workflow

---

Итоговая рекомендация

Unity3D / C# / production → Cursor AI
Подсказки и автокомплит → Copilot
Эксперименты, локальные LLM, кастомные пайплайны → Cline

MasterGH

Форум продожает свою работу.

Обновился дизайн.
Перенесены темы по разделами.
Пустые разделы форума были удалены.

MasterGH

Шаблон скрипта для проверки MD5 в Cheat Engine с авто-активацией чита

Сначала дается краткий сжатый код.

function onOpenProcess(processid)
  reinitializeSymbolhandler()
  local md5Process = GetMd5Process(processid)
  PrintMd5Process(process, md5Process)
  local isSupportedVersion = CheckingMd5CurrentProcess(md5Process)
  local lineResult = isSupportedVersion and 'Is supported version. Activating cheat...' or 'Is not supported version.'
  if not isSupportedVersion then
    speakEnglish(lineResult, false)
    messageDialog('Error', lineResult, mtError, mbClose)
  else
    speakEnglish(lineResult, true)
    -- Активация простого чита: поиск и заморозка адреса здоровья
    autoAssemble([[
      alloc(newmem,2048)
      label(code)
      label(return)
      "Base.exe"+123456:
      code:
        mov [eax],(int)999
      return:
      jmp return
      newmem:
        jmp "Base.exe"+123456
        nop
        jmp return
    ]])
    messageDialog('Success', 'Cheat activated for health: 999', mtInformation, mbOK)
  end
end

А потом дается объяснение. Все нужно в формате nodebb

ce_md5_cheat.lua

md5 - это алгоритм хэширования exe-файла, который позволяет точно идентифицировать версию игры или приложения. Это критично для .CT таблиц в Cheat Engine, чтобы избежать ошибок из-за обновлений, меняющих смещения структур памяти.

В случае несоответствия MD5 версии показывается диалог ошибки и звуковое оповещение. Если версия поддерживается, скрипт автоматически активирует простой чит (в примере - заморозка здоровья на 999 по смещению "Base.exe"+123456; замените на реальные значения для вашей игры).

Обязательно проверяйте MD5 перед использованием таблиц, чтобы смещения структур не сдвинулись из-за патчей!

Получить md5 открытого процесса и записать его в MD5_CHEKING вручную

\-- Функция для ручного вывода md5 ранее подключенного процесса. Для установки MD5_CHEKING
PrintMd5CurrentProcess()

Пример проверки md5 с авто-активацией

function onOpenProcess(processid)
  reinitializeSymbolhandler()
  local md5Process = GetMd5Process(processid)
  PrintMd5Process(process, md5Process)
  local isSupportedVersion = CheckingMd5CurrentProcess(md5Process)
  local lineResult = isSupportedVersion and 'Is supported version. Activating cheat...' or 'Is not supported version.'
  if not isSupportedVersion then
    speakEnglish(lineResult, false)
    messageDialog('Error', lineResult, mtError, mbClose)
  else
    speakEnglish(lineResult, true)
    -- Активация простого чита: поиск и заморозка адреса здоровья
    autoAssemble([[
      alloc(newmem,2048)
      label(code)
      label(return)
      "Base.exe"+123456:
      code:
        mov [eax],(int)999
      return:
      jmp return
      newmem:
        jmp "Base.exe"+123456
        nop
        jmp return
    ]])
    messageDialog('Success', 'Cheat activated for health: 999', mtInformation, mbOK)
  end
end

MasterGH

Мультимодальные LLM: когда ИИ видит, слышит и понимает контекст

Что это?
Модели, способные одновременно обрабатывать текст, изображения, аудио и видео. Это не просто "распознавание картинок", а глубокое понимание связей между разными типами данных.

Пример работы:
Загружаете фото схемы электронной платы + текстовый запрос: "Найди ошибку в разводке конденсатора C7 и предложи исправление в формате KiCad".
Модель:
1️⃣ Анализирует изображение,
2️⃣ Сопоставляет с текстовым контекстом,
3️⃣ Генерирует инструкцию с исправлением.

---

Ключевые возможности и применение

Тип данных	Что умеет модель	Практическое применение
Текст + Изображение	Описание сцен, анализ графиков, чтение рукописных заметок	Автоматизация документооборота, генерация ALT-текста, поиск дефектов на чертежах
Текст + Аудио	Транскрибация с контекстным анализом, генерация эмоциональной речи	Виртуальные ассистенты с "характером", анализ колл-центров, озвучка презентаций
Видео + Текст	Понимание сюжета, поиск ключевых моментов, аннотирование	Автосуммаризация записей встреч, модерация контента, создание монтажных листов

---

️ Как работать с мультимодальностью?

Выбор инструментов:
- OpenAI GPT-4o (vision + text + voice) — через API или ChatGPT.
- Google Gemini 1.5 — поддерживает до 1 млн токенов контекста (включая видео!).
- Open-source: LLaVA, Fuyu-8B (можно запустить локально с GPU).
Специфика промтов:
- Четко указывайте тип данных:
  "Проанализируй скриншот ошибки (вложение 1) и лог-файл (вложение 2). Предложи 3 решения."
- Управляйте фокусом:
  "Сравни графики продаж за 2023 и 2024 (PDF-страница 5). Сосредоточься на падении в Q3."
- Используйте ролевые модели:
  "Ты инженер-электронщик. По фото прототипа определи, где перегревается компонент."
Технические требования:
- Для локальных моделей: GPU с 8+ GB VRAM (например, LLaVA-1.6 требует NVIDIA RTX 3090).
- В облаке: API с поддержкой multipart/form-data (для загрузки бинарных файлов).

---

Зачем это технарю?

- Автоматизация сложных задач:

Запрос: "По видео сборки робота составь checklist для тестирования (вывод в Markdown)".
Результат: Готовый чеклист с привязкой к временным меткам.
- Работа с документацией:
Анализ сканов ТУ, схем, диаграмм без ручного ввода данных.
- Быстрый прототипинг:
"Сгенерируй UI для приложения по этому наброску на салфетке (фото) + описание функционала (текст)".

---

️ Ограничения (на 2025 год):

- Точность распознавания: Может ошибаться в деталях (например, номера микросхем на фото).
- Контекстное окно: Видео длительностью >10 мин часто требуют препроцессинга.
- Стоимость: Мультимодальные API в 3-5x дороже текстовых (например, GPT-4o vision — $5-15 за 1к запросов).

---

Как начать?

Поэкспериментируйте в Google Gemini (бесплатно) с загрузкой PDF/изображений.
Для кода: Llama 3 с LLaVA (туториал).
Протестируйте API через OpenRouter (поддержка >30 мультимодальных моделей).

Главный принцип: Мультимодальность — не замена текстовым LLM, а мощное расширение для задач, где контекст требует визуала или звука.

MasterGH

Обязательно к изучению для любого технаря: как эффективно работать с LLM через промты

Эта книга – must-read для понимания принципов составления промтов (запросов) к большим языковым моделям (LLM). Без этих знаний взаимодействие с ИИ будет поверхностным и неэффективным.

Что такое LLM? (Spoiler)
Большая языковая модель (LLM) – это нейросеть, обученная на огромных массивах текстовых данных (книги, статьи, код, диалоги). Её ключевые особенности:

Миллиарды параметров – чем их больше, тем "умнее" модель.

Понимание контекста – LLM улавливают связи между словами, идеями и даже абстрактными концепциями.

Генерация текста – от простых ответов до сложных аналитических выводов.

Мультизадачность – перевод, суммаризация, программирование, креативное письмо и многое другое.

Где прочитать?
- Kaggle (требуется аккаунт)
- PDF (Google Drive, прямое скачивание)

---

Полный план погружения в мир LLM и промт-инжиниринга

1️⃣ VPN – без него никуда

Современные технологии развиваются там, где нет блокировок. Без VPN вы:
- Не получите доступ к лучшим LLM (Claude, Gemini, некоторые версии GPT).
- Не сможете тестировать API (например, через OpenRouter).
- Пропустите ключевые обучающие материалы (курсы, документация, обсуждения).
Да, VPN – это дополнительный шаг, но без него вы останетесь в "информационном вакууме".

2️⃣ Промт-инжиниринг – искусство формулировки запросов

- Это не просто "задать вопрос", а контролировать вывод модели.
- Нужно учиться:

Чётко ставить задачи ("напиши код" vs. "напиши оптимизированную функцию на Python, которая...").
Управлять форматом ответа (JSON, Markdown, таблицы).
Использовать примеры (few-shot prompting).
Книга выше – отличный старт, но дальше нужно экспериментировать.

3️⃣ Архитектура Transformer – основа всех современных LLM

- Сложная? Да. Можно разобраться в базе? Абсолютно.
- Ключевые компоненты:

Self-Attention – как модель "понимает" связи между словами.
Токенизация – как текст превращается в числа.
Контекстное окно – почему модели "забывают" начало длинного текста.
Рекомендую видео с VPN (например, MIT или Stanford лекции).

4️⃣ Запустите локальную модель (хотя бы 7B параметров)

- Почему? Чтобы понять ограничения LLM.
- Примеры: Llama 3, Mistral, Phi-3.
- Сравните ответы с GPT-4o или Claude 3 – разница будет очевидна.
Это даст понимание, когда использовать облачные модели, а когда хватит локальных.

5️⃣ Google Android Studio AI – скрытый gem

- Два окна: ваш запрос vs. результат.
- Идеально для:

Сравнения разных формулировок.
Тестирования контекстного понимания.
Экспериментов с кодогенерацией.

6️⃣ Работа с API (DeepSeek, OpenRouter и др.)

- Что важно изучить:

Роли (system, user, assistant) – как управлять поведением модели.
Параметры (temperature, top_p, max_tokens) – тонкая настройка ответов.
Streaming – как получать ответ по частям.
Попробуйте отправить запрос с разными параметрами и сравните вывод.

7️⃣ AI-агенты – следующий уровень автоматизации

- Как работают? Модель генерирует JSON-инструкции, которые выполняет агент.
- Примеры использования:

Автоматические сводки новостей (агент парсит сайты и присылает вам на почту).
Локальные скрипты (например, агент переименовывает файлы по заданному шаблону).
- Сервисы для быстрого создания агентов:
AutoGPT
LangChain
Microsoft Autogen

---

Зачем всё это нужно?

Преимущество	Пример
Избавление от рутины	Автоматизация документооборота, генерация отчётов.
Ускорение разработки	Поиск багов, написание тестов, объяснение кода.
Доступ к знаниям	Вместо чтения документации – сразу рабочий пример.
Кастомизация	Агенты под ваши конкретные задачи (например, мониторинг соцсетей).

Промт-инжиниринг – это "программирование 2.0", где вы управляете не кодом, а интеллектом.

---

Что дальше?

- Экспериментируйте с разными моделями.
- Тестируйте агентов на реальных задачах.
- Делитесь промтами – это новая форма коллективного знания.

P.S. Да, тема огромная, но начать можно с малого – книги и пары экспериментов. Главное – не останавливаться!

CE Tables Maker

Сообщения