Hacker News Digest

Главная идея: современные USB‑ и сетевые периферийные устройства часто представляют собой мини‑компьютеры с собственным флеш‑файлом, обновляемым прошивкой, и уязвимыми протоколами обновления, что позволяет агентам‑реверс‑инженерам получать полный контроль над камерой, микрофоном и светодиодом без пользовательского вмешательства.

Я провёл 13 часов работы Claude Code, сделав 98 запросов, и полностью проанализировал пять устройств: веб‑камеру Insta360 Link (RTOS ThreadX, XU‑команда для массового хранилища), микрофон с открытым командным шеллом, светодиодный ключ, коммерческий монитор Dell и UPS Eaton (получены root‑shell и RCE). Особенно интересен механизм «массового обновления» через USB‑FAT, позволяющий анонимно писать в файловую систему и отключать индикатор активности.

Ключевые факты:

• В микрофоне найден полностью открытый командный шелл.
• Веб‑камера передаёт обновления через XU‑команду, после чего перезаписывает собственный firmware.
• Протокол обновления часто использует простые контрольные суммы, без подписи, что делает его уязвимым к подмене.
• Наличие WebUSB/WebHID/WebBluetooth усиливает поверхность атаки: одно неосторожное подтверждение прав может превратить устройство в «зомби‑клавиатуру».

Эти открытия показывают, что любой «умный» агент, получивший доступ к хост‑машине, может автоматически сканировать подключённые аксессуары, эксплуатировать их уязвимые обновления и распространяться в IoT‑ и промышленные устройства, создавая угрозу масштабного самовоспроизводящегося вредоносного ПО. 🫠

LLM доказали практическую применимость в реверс-инжиниринге: успешно патчены драйверы GPU (Silicon Motion sm750 с DRM/DKMS и исправленными HDMI-таймингами), закрытые форматы файлов (Supernote), прошивки умных устройств (реле, электроскейтборды, Samsung Frame TV), устаревшие плагины Homebridge, RTMP-over-HTTP для камер, HDMI-захваты с игнорированием неверного EDID. LLM сократили время анализа с часов до минут, позволили разблокировать устройства через UART, декомпилировать EXE, реверсить протоколы без документации, находить уязвимости в API. Однако отмечены риски: «парадокс Джевонса» — рост спроса на кастомизацию, ведущий к ужесточению защиты вендорами. Участники предупреждают о блокировке устройств, особенно с учётом требований европейской директивы RED (EN18031-1) о защищённом хранении учётных данных и безопасных обновлениях. Споры: о необходимости отключения «очистки пикселей» на OLED — одни считают её необходимой для предотвращения выгорания, другие — навязчивой. Другие спорят: доступность RE — шаг к свободе аппаратуры или угроза, ускоряющая закрытие экосистем. Предупреждения: без рабочих патчей устройство не становится «своим» — попытки модификации могут окирпичить его. LLM не всегда эффективны: даже опытный разработчик не смог исправить драйвер веб-камеры на Linux.

Если бы Поль Грэм был 17, он не стал бы сразу основывать стартап — вместо этого он изучил бы, как создавать и обучать языковые модели с нуля, используя доступное железо. Он считает, что глубокое понимание LLM даёт фундамент для будущих успешных идей, которые невозможно сформировать, опираясь только на знания подростка.

Йан Лекун добавил, что важно не только понимать, почему LLM пишут эссе, но и почему они не могут убрать комнату — и искать новые архитектуры, способные учиться физическим задачам. Это указывает на границу современных моделей: они преуспевают в обработке текста, но не в взаимодействии с реальным миром. Вместо попыток монетизировать текущие технологии, ключ — в исследовании фундаментальных проблем, лежащих за их ограничениями.

Обучение LLM с нуля — не о практическом применении, а о формировании интуиции к фундаментальным принципам ИИ, как понимание транзисторов не для сборки процессоров, а для осознания класса решаемых задач. Но доступ к вычислительным ресурсам и данным недоступен подросткам: крупные компании владеют миллиардами документов и тратят миллионы на вычисления, а вакансий для инженеров, обучающих LLM, почти нет — остальные используют API. Для подростка реалистичнее: — начать с 3-слойного персептрона на MNIST; — использовать бесплатные ресурсы вроде languagemodelbuilder.com для быстрого понимания LLM без аккаунтов и данных; — применять существующие LLM к бизнес-задачам, где ключевое — надежность, а не обучение; — изучать LLM не ради карьеры, а ради глубокой интуиции — чтобы понимать, когда «Just LLM it» не сработает; — сосредоточиться на RAG и модификациях открытых моделей, а не на обучении с нуля; — создавать агентов, а не LLM — это требует меньше данных и позволяет кастомизировать поведение; — если нет мощного железа — учиться на теории, чтении статей и воспроизведении простых экспериментов. НаноGPT можно обучить за выходные, но понимание, почему он работает, требует десятилетий — поэтому обучение с нуля ценно для глубины, а не для применения. Важнее развивать баланс между жизнью и работой, чем погружаться в технические детали, которые к 25 годам могут устареть. Подростки воспринимают ИИ как угрозу — поэтому советы вроде «учи LLM» могут быть неактуальны для их мировоззрения. Изучать LLM стоит потому, что это увлекательно — как Lisp или транзисторы — и это само по себе оправдывает усилия.

Главная идея: чтобы стать staff‑engineer, нужно не ждать расписанных задач, а постоянно собирать «шум» вокруг себя — жалобы, запросы, идеи, которые люди озвучивают в чатах, встречах и письмах. Слушая эти потоки, вы замечаете, какие боли действительно мешают команде, и где можно что‑то изменить.

Ключевые приёмы:

• Активное поглощение проблем: задавайте уточняющие вопросы, вычленяйте корневую цель запроса, проверяйте, есть ли уже решение.
• Культивация контактов: беседуйте с людьми, владеющими системными знаниями, и с теми, кто видит широкую картину; их инсайты часто раскрывают скрытые паттерны.
• Накапливание и проверка: не спешите внедрять идею сразу — дайте ей «пожарить», наблюдайте, как она проявляется в реальной работе, а затем действуйте.

Эти практики позволяют находить и решать действительно значимые задачи, которые потом открывают новые возможности и укрепляют доверие к вашему видению.

Поиск проблем — ключевой навык staff-engineer, но его роль ограничена балансом между кодированием и коммуникацией, организационной структурой, политическими барьерами и тем, что проблемы часто находят инженера сами. Ценность измеряется не только реализацией, а способностью предотвращать плохие решения и влиять на стратегию. Глубокие технические знания позволяют быстро решать задачи, но без кода роль теряет смысл. Нельзя застревать в деталях — нужно фокусироваться на структурных и стратегических возможностях. Команды часто не ждут идеальных решений и идут обходными путями: staff-engineer должен действовать быстро, иначе его предложения проигнорируют. Важно копать глубже запросов пользователей, чтобы не строить ПО под поверхностные нужды. Влияние проявляется в предотвращении лишних функций и ошибок, а не в количестве реализованных задач. Участие в звонках с клиентами и продажами помогает слышать реальные боли. Политические и психологические барьеры могут лишать инженера полномочий решать найденные проблемы без согласования. Участие в обсуждениях позволяет отговаривать от ненужных функций, сокращая сроки разработки. Умение находить ценные проблемы повышает продуктивность в десятки раз. Излишняя проактивность может создать впечатление безделья — фокус должен быть на бизнес-результатах. Лучшие инициативы часто рождаются из личных раздражений, когда инженер получает мандат исправить то, что его беспокоит. Титул staff-engineer вызывает разногласия: одни считают его бессмысленным, другие — значимым в определённых организациях. Корпоративный ранг не всегда отражает профессиональный уровень, но в крупных инфраструктурных командах свобода влиять на дорожные карты остаётся.

Anthropic выпустила Claude 3.5 Sonnet — модель, превосходящую GPT‑4 в большинстве тестов, но её использование остаётся дорогим: каждая тысяча запросов стоит в 2–3 раза дороже, чем у конкурентов вроде Gemini 1.5 Pro. Это делает сервис менее привлекательным для стартапов и малых компаний, которые ищут экономичные решения.

Компания позиционирует модель как «лучшую в отрасли», но реальная конкуренция приходит от открытых и полуоткрытых альтернатив, которые предлагают схожий уровень качества за меньшие деньги. В результате пользователи всё чаще выбирают более доступные инструменты, а Anthropic вынуждена пересматривать ценовую политику, чтобы удержать рынок.

Fable непригодна для корпоративного использования из-за отсутствия ZDR — юридические риски блокируют внедрение, а агрессивные safety-фильтры Anthropic мешают работе в InfoSec и сложном кодинге, заставляя модель отказывать или деградировать до Opus. Для большинства задач (код, тексты, Excel) SOTA-мощности избыточны: пользователи массово переходят на дешёвые или локальные альтернативы — Kimi K3, Grok, Qwen, GLM, Deepseek — которые обеспечивают достаточную производительность без зависимости от дорогих API. Локальные модели позволяют self-host решения и избегать внешних ограничений. Opus и Sonnet остаются основными инструментами внутри компаний — Fable часто не включается вообще. Стиль ответов Claude (излишняя вербальность, «LinkedIn-тон») требует дополнительного промптинга. Fable плохо работает в Claude Code, часто застревает или отказывается решать выполнимые задачи. Политика Anthropic воспринимается как недоверие к пользователям, что разрушает лояльность, особенно после инцидентов с OpenClaw и ограничений Fable. Споры о качестве Opus: одни называют её «Slowpus», другие — лучшей для важных задач, но жалуются на цену. Некоторые считают Fable узкоспециализированным инструментом, но большинство отмечают её хрупкость и непригодность даже для сложных задач. Исключения — редкие автономные сценарии (например, 18-часовой рефакторинг), требующие корпоративного бюджета. Скептицизм по TAM: рынок завышен — ценность LLM ограничена необходимостью ручной проверки (особенно в юриспруденции), а технологии дефляционны. Подозревают намеренное ухудшение Opus 4.8 для стимулирования перехода на новые тарифы. Риск: промпты с кодовой базой содержат больше данных для обучения, чем публичные источники — утечка возможна даже при включённых галочках конфиденциальности.

LLM-ассистент для кода стал практичным после перехода от хаотичных запросов к системному управлению через файл agent.md в корне проекта. Раньше генерация кода давала компилируемые, но нечитаемые монолиты — например, сложный бинарный кучу в Rust с скрытыми багами в polling-библиотеке. Качество росло только после внедрения «агента»: теперь LLM получает чёткие инструкции по стилю, структуре и архитектуре прямо в prompt, что позволяет фокусироваться на дизайне, а не на правке мусора.

Ключевые правила agent.md: минимум слов в комментариях, константы вместо магических чисел, короткие имена функций (<30 символов), ранние возвраты вместо вложенных блоков и строгое соблюдение слоёв абстракции. Особенно важно — не трогать чужой код, добавлять комментарии только к изменённым участкам и использовать пустые строки для «дыхания» читателя. Без этого даже мощные модели теряют контекст («context dilution»), особенно в длинных сессиях. Решение — короткие сессии и явный вызов «reload agent.md» при падении качества. Теперь я вижу, как LLM пишет код, похожий на человеческий, но только если я сам задаю тон: без похвалы, с жёсткими ограничениями и фокусом на читаемость.

AGENTS.md устаревает: современные модели (Opus, Fable, SOTA) требуют меньше процедурного коучинга, а детальные инструкции игнорируются или загрязняют контекст. Базовые правила форматирования (например, скобки в if) должны enforced линтерами, а архитектурные контексты — в CONTRIBUTING.md или CODING_STANDARDS.md. AGENTS.md должен содержать только специфичные для ИИ инструкции. Эффективнее использовать краткие позитивные директивы («делай Y»), а не запреты («не делай X»), и многопроходный подход: сначала добиться работы, потом ревью по гайдлайнам. Правило «Convergence» (завершение успехом, прогрессом или честной остановкой с доказательством) предотвращает бесконечную генерацию патчей. ASD-STE100 снижает вербозность ответов. Явно запрещать трогать несвязанный код — критично. Вместо статичных файлов — динамическое обновление AGENTS.md ИИ по мере проблем. Эффективнее заставлять агента самому определять применимые правила — это даёт 100% консистентность и экономит контекст. «Перечитай AGENTS.md» — баг harness-а; контекст должен композиться автоматически. Ключевые слова SHALL/MUST помогают локальным LLM. Споры: длина имён функций — ограничения vs. целостность контекста; необходимость AGENTS.md вообще — код как спецификация vs. явные архитектурные указания. AGENTS.md считают «костылём» — новые модели лучше работают без него.

Исследование показало, что биозаправка на основе кокосового масла, смешанная с традиционным керосином, демонстрирует тепловую эффективность, сопоставимую с чистым топливом, при этом снижает выбросы несгоревших углеводородов. Ученые связывают это с отсутствием ароматических соединений в кокосовом топливе, которые присутствуют в обычном керосине. Уровень CO₂ в выхлопе оставался на том же уровне, что и при использовании чистого топлива, что свидетельствует о сохранении цикла углерода.

Производство топлива проводилось методом «ко‑растворителя», где к смеси кокосового масла и спирта добавляли ацетон, позволяя реакцию происходить при низких температурах и без высокого давления. Это сокращает энергозатраты и использует отходы производства — скорлупу и остатки мякоти, которые обычно выбрасываются. В результате получились два вида биозаправки (на метиловом и этиловом спирте), прошедшие испытания в небольшом реактивном двигателе. Высокий уровень чистоты (более 97 %) и возможность использования как авиационного, так и наземного топлива делают этот подход перспективным для снижения углеродного следа авиации без значительных затрат на энергоёмкое переработку.

Кокосовое биотопливо для авиации технически эффективно в лаборатории, но практически неприменимо: оно несовместимо с резиновыми и фторэластомерными уплотнениями топливных систем, требует масштабов выращивания, ведущих к уничтожению тропических лесов (как с пальмовым маслом), конкурирует с продовольствием на сокращающихся землях и не оправдано при наличии электрических альтернатив. Утверждения об использовании «отходов» — дезинформация: все части кокоса уже коммерчески задействованы; масштабное производство топлива потребует огромных площадей и не решит климатическую проблему. Производство требует ацетона и спирта, энергозатраты на которые не учтены, делая цепочку энергетически неэффективной. По цене и доступности оно не конкурирует с керосином — для одного авиамиля нужно огромное количество кокосов. Вместо этого следует инвестировать в водородную экономику и гидрогенизацию целлюлозных отходов при возобновляемом водороде. Разработка новых уплотнителей — необходима, но это долгосрочная задача, не решение ближайших десятилетий.

Harness — набор ремней и карабинов, который держит альпиниста, предотвращает падения и позволяет управлять движением по стене. Как и в скалолазании, где карабины и верёвки регулируют темп и маршрут, в AI‑агентах используется «агент‑гарнир», программный слой, связывающий модель с набором инструментов и правилами поведения.

Главная идея: агент‑гарнир — это программный «костюм», в котором работает искусственный интеллект. Он задаёт системный промпт (правила поведения), предоставляет доступ к внешним инструментам (API, файлы, скрипты) и формирует «агент‑цикл», позволяющий модели планировать, действовать и получать обратную связь. В отличие от готовых моделей, такие гарниры можно настроить под свои нужды: менять инструкции, добавлять новые функции или разворачивать их на собственном устройстве.

Яркие детали:

• В скалолазании один и тот же набор ремней используется как на скале, так и в деревьях арбористов.
• В AI‑мире более 5 000 пользовательских расширений к открытому‑исходному «Pi», демонстрируя гибкость и сообщество.
• Открытые нейтральные гарниры (OpenClaw, Hermes, Pi) дают возможность избежать монополий крупных компаний и сохранить контроль над собственными данными.

Понимание структуры и функций агент‑гарнира раскрывает, как современные ИИ‑агенты работают в реальном времени и почему они становятся инструментом личной агентности, а не лишь продуктом корпораций.

Харнесс — это операционная среда, которая превращает вывод LLM в выполнимые действия: фильтрует вывод, исполняет команды, возвращает результаты в контекст и управляет поведением модели. Его ценность — не в функционале как таковом, а в способности компенсировать слабости модели, обеспечивать гибкость и адаптацию под задачи без переписывания модели. Харнесс настраивают, а не строят: изменение промптов, инструментов и навыков — это его использование. Лучшие харнессы минималистичны — полагаются на сильную модель и дают лишь необходимые рамки и инструменты (как Pi и Smol). Внутренние CLI-инструменты критичны: они позволяют агентам работать с реальными данными без жесткой привязки к предопределённым навыкам. Харнессы станут ключевыми для корпоративных агентов — как внутренние приложения с разными уровнями доступа, MCPs и API, адаптированными под роли. Они должны поддерживать передачу контекста между средами: CLI ↔ веб, устройства, модели, пользователи — это нереализованная потребность. Харнесс — как седло и поводья для лошади: он управляет, направляет и соединяет, но не заменяет силу модели. Он позволяет агентам работать в изолированных средах (VM, локальные GPU, Tailscale), сохраняя контекст и возможность продолжения задачи. Спор: один видит в харнессе будущее ценности (как электронику), другой — что ценность в железе и LLM, а харнесс станет товаром. Большинство существующих решений не компенсируют плохое поведение модели — ошибки вызовов, отсутствие логики. Совет: не пишите длинные навыки — давайте агенту инструменты и рамки, чтобы он сам рассуждал (как бухгалтерские агенты).

Я купил Amazon Fire HD 10 (2021) для постоянного показа Home Assistant‑даша в режиме киоска. Через полгода он стал выключаться без причины, хотя в логах появлялось сообщение LifeCycleReason:LCR...key=Software_Shutdown. Я отключил пять сервисов Amazon, но три из них оставались защищёнными от отключения — их нельзя было трогать без root‑доступа, а официальных способов рутиться у этой модели не было.

Всё изменилось, когда я попросил китайскую модель Kimi K3 (opencode.ai) найти уязвимость, заявив, что «это моё устройство». После небольшого размышления она поняла, что в США jailbreak‑ы подпадают под DMCA‑исключения, и приступила к анализу OTA‑образа, нашёл уязвимость CVE‑2022‑38181 в драйвере Mali GPU и создала эксплойт. После серии попыток (более 500 перезагрузок) GLM‑5.2 в конце концов открыл SELinux в режиме permissive, и я получил полный контроль. Стоимость всех запросов — $266,15, что почти вдвое превышает цену планшета, но дало возможность понять, как работает система и почему её нельзя просто «выключить».

LLM-модели способны находить непатченные уязвимости и генерировать эксплойты для роутеров и устройств, сокращая анализ с недель до часов. AI-агенты (GLM-5.3, Kimi) обнаружили CVE-2022 в Mali GPU и создали рабочий эксплойт. Стоимость таких эксплойтов (~$250 в токенах) ниже оплаты человеческих экспертов, делая хардверный джейлбрейк доступным широкому кругу. Споры возникают вокруг воспроизводимости: различия в прошивках, отсутствие исходного кода и сложность верификации ставят под сомнение результаты. Рекомендуется явно требовать от модели перечисления и проверки предположений, а также использовать «безопасные» подсказки, обходящие ограничения. При отказе из-за американских ограничений можно переформулировать запрос как выполненный за пределами США — хотя это этически спорно. AI ускоряет обратную инженерию периферийных устройств (Avermedia, Kindle, роутеры), подтверждая универсальность подхода. Комментаторы призывают к праву на ремонт и переходу на открытое железо (PineTab, PineNote) для обхода закрытых экосистем. Для юридической защиты можно ссылаться на DMCA-исключения 2024 года, разрешающие рутирование собственных устройств. Некоторые считают статью «тяжёлой» из-за AI-тона, другие — что AI следует применять для нишевых или экстремальных задач. Массовое использование LLM для реверс-инжиниринга и поддержки открытого Linux может стать будущим индустрии. Общее мнение: AI станет стандартным инструментом в аппаратной безопасности, меняя баланс между защитой производителей и автономией пользователей.

В июне 2026 г. исследователи обнаружили Android‑модуль‑скачатель, который устанавливается как обычный пользовательский пакет, но не скрывается под легитимным названием и не имеет пользовательского интерфейса. Его цель — сбор рекламного дохода и создание прокси‑ботнета. Установка происходила через встроенные обновляющие механизмы Android‑флеш‑апдейтов автомобильных головоломок (head‑unit), что впервые зафиксировано как цепочка заражения именно для такой категории устройств. По высокой уверенности в вине, за этой активностью стоит группировка MoYu, известная по ботнету BADBOX.

Ключевой вектор атаки — уязвимый компонент TWCore, системное приложение, отвечающее за сбор аналитики и обновление прошивки. Злоумышленники отправляли в MQTT‑сообщения ссылки на вредоносные APK‑файлы, размещённые на домене cardoor.cn. Один из таких файлов — bd80bd3c3d0e4bf6b5b4a825650d01f5.apk — представлял сервис JarService, который в дальнейшем использовался для загрузки дополнительных модулей и организации прокси‑трафика. Хеши легитимного TWCore, подменяемого в цепочке, составили 2a64c3efc11bf224aa54f24e876446c9, 7a4d3ba2dacccfdda55859a5dfee2671 и ea24487996eb70c1780922fb3063bcc5. Kaspersky классифицирует угрозу под названиями HEUR:Trojan-Dropper.AndroidOS.Agent.vu, HEUR:Trojan-Downloader.AndroidOS.Agent.ov, HEUR:Trojan-Proxy.AndroidOS.Zhima.* и HEUR:Trojan.AndroidOS.Vo1d.*. Таким образом, обычные обновления авто‑головоломок превратились в канал распространения мобильного вредоносного кода, способного превратить автомобильные устройства в часть ботнета.

Уязвимость связана не с Android Auto, а с дешёвыми китайскими aftermarket-головными устройствами, получающими вредоносные OTA-обновления — аналогично заражённым Android TV-приставкам. Вредоносное ПО распространяется через инфраструктуру поставщиков этих устройств, а не через протокол зеркалирования. Пользователи могут переносить заражённые USB-накопители между автомобилями, что создаёт вектор распространения. Автомобильная промышленность игнорирует базовые практики кибербезопасности: CAN-шина уязвима, OBD-порт позволяет клонировать ключи, ключевые системы работают без шифрования. Безопаснее использовать устройства, не являющиеся полноценными интернет-подключёнными компьютерами — например, простые держатели для телефона или «холсты» для CarPlay/Android Auto, исключающие собственную ОС и подключение к интернету. Вредоносное ПО в таких устройствах чаще направлено на рекламный фрод — монетизацию за счёт ресурсов устройства, а не на прямые атаки. Оптимально не подключать автомобили напрямую к интернету: лучше использовать прокси через обновляемый телефон с ограниченной поверхностью атаки.

Писатель не рождается — он становится через чтение. Главное правило прост: читать много и разнообразно. Это не просто совет, а фундамент мастерства. Книги — школа: даже плохие тексты учат структуре, стилю, ритму, а знакомство с классикой (как у Кинга — «Blood Meridian», «Huckleberry Finn») формирует инстинкт повествования. Многие начинающие писатели не понимают, что игнорировать чтение — значит игнорировать саму суть профессии.

Цифровая зависимость разрушает навыки, необходимые писателю: концентрацию, воображение, выносливость. Но есть решение — заменить час соцсетей на книгу. Даже короткие сессии восстанавливают «читающий мозг», который превращается в творческий. Как отмечает автор, Fourth Wing может стать «вратами» для тех, кто давно не открывал книги. Забудьте про оправдания: если вы тратите 2–3 часа в день в телефоне, вы всегда найдёте время для чтения. Писать можно только после того, как вы научились слушать мир через страницы. Это не магия — это работа. И она начинается с первого открытого книги.

Чтение важно, но не заменяет практику письма — прогресс приходит через создание текста, а не только через поглощение чужих произведений, что подтверждают опыт участников, включая @simonebrunozzi, вернувшегося к письму после 10-летнего перерыва. Чтение развивает вкус и стиль, но не учит преодолевать собственные ограничения — только письмо раскрывает ошибки, как отмечает @WhompingWindows, сравнивая это с практикой музыканта или плотника. Читайте избирательно и перечитывайте хорошие книги, чтобы анализировать, почему они работают — поверхностное потребление бесполезно (@antirez). Чтение после начала письма даёт глубокую обратную связь: вы замечаете структуру, ритм и приёмы, которые раньше ускользали (@leecommamichael). Современная проза часто слаба по стилю и внутреннему миру, что снижает её ценность для развития мастерства (@Kon5ole). Чтение должно быть осознанным: анализируйте построение текста, голос, предложения — просто прочитать недостаточно (@richardatlarge, @shamohit711). Аудиокниги при рутинных задачах — это чтение; 10–15 книг в год — реалистичный и полезный объём (@wwind123). Чтение может мешать, если вы неосознанно копируете стиль — проблема, исчезающая только с опытом письма (@d--b). Писатель, который не читает, как музыкант, не слушающий музыку — это нелогично (@ciconia, @vintagedave, @randomImmigrant). Читайте разное: плохие книги учат, как не писать, хорошие — как писать, классика формирует инстинкт повествования (@antirez, @jihadjihad, цит. Фолкнер). Читайте книги, а не новости, блоги или посты — только они дают нужную когнитивную нагрузку (@InsiderCrush). Чтение кода улучшает программиста — аналогично, чтение текста делает писателя лучше (@js2, @sugarkjube). Чтение без критического осмысления бесполезно — нужно развивать собственную точку зрения через активное взаимодействие с текстом (@shamohit711). Чтение формирует внутренний слух языка: учит ритму, пунктуации, структуре предложений (@vintagedave, @wcfrobert). Чтобы писать хорошо, нужно не только читать, но и жить интересной жизнью — иметь, что сказать (@ChrisGreenHeur).