AI

Habr AI

Трехфазная защита ваших ИИ‑агентов от современных угроз с детальным разбором на базе модели безопасности OGL‑Mini

Открыть оригинал ↗ Перевод заголовка: Трехфазная защита ваших ИИ‑агентов от современных угроз с детальным разбором на базе модели безопасности OGL‑Mini

Модель OGL‑Mini предлагает трёхстадийную, гибридную защиту ИИ‑агентов от ключевых угроз, включая промпт-инъекции, джейлбрейки и агентные атаки. Защита работает на основе эвристик, ML-классификатора и детектора персональных данных, обеспечивая низкую задержку и интерпретируемость.

  • На стадии эвристик обнаруживаются паттерны обфускации: zero-width символы, homoglyphы, контрольные токены.
  • Мини-классификатор на базе TF-IDF распознаёт инъекции даже в маскировке, обученный на 110 734 примерах включая атаки через структурированные форматы.
  • PII-детектор на основе ONNX и TF-IDF идентифицирует 11 типов данных (email, номера, паспорта и др.) с метрикой F1 0.86, поддерживая русский язык.
  • Модель работает в браузере через WASM, обеспечивая автономность и соответствие требованиям data sovereignty.

Когда пригодится: при разработке русскоязычных AI-приложений, в edge-средах с ограничениями ресурсов, при реализации реального времени и в системах, где данные не должны покидать локальную инфраструктуру.

Мои впечатления о WAIC 2026: роботы, AI for Science и китайский взгляд на будущее ИИ

Открыть оригинал ↗ Перевод заголовка: Мои впечатления о WAIC 2026: роботы, AI for Science и китайский взгляд на будущее ИИ

На WAIC 2026 в Шанхае было ярко продемонстрировано, как ИИ-технологии уже активно внедряются в промышленность, робототехнику и научные исследования. Конференция выделила три ключевых направления: роботы, работающие в реальных условиях; AI for Science, включая геномику и симуляции; и китайский подход к быстрому переходу от прототипов к практическим решениям.

  • На выставке представлены роботы, способные адаптироваться к людям, взаимодействовать с производственным оборудованием и выполнять сложные операции в динамичных условиях.
  • В отрасли развлечений показаны аниматроны и гигантские механизмы, объединяющие механику, звук и интерактивность.
  • Важно, что роботы демонстрируют не просто функции, а устойчивость, точность и безопасное взаимодействие — ключевые качества для реальной эксплуатации.
  • AIRI на своём стенде показал проекты MAESTRO, GigaEvo, XSIM и EpiGENA, охватывающие от создания ИИ-агентов до анализа ДНК.
  • Интерактивные панели на стенде позволили посетителям в реальном времени понять архитектуру систем, что повысило качество технических обсуждений.

Когда пригодится:
— При оценке потенциала робототехники в промышленности и логистике.
— При анализе скорости внедрения ИИ-решений в реальные процессы.
— При подготовке к сотрудничеству с китайскими компаниями в области ИИ и робототехники.

Что такое харнес? Разбираемся в самом популярном термине в ИИ‑агентах

Открыть оригинал ↗ Перевод заголовка: Что такое харнес? Разбираемся в самом популярном термине в ИИ-агентах

Харнес — это обвязка вокруг ИИ-модели, обеспечивающая её работу в реальных условиях. Это не просто модель, а слой инструментов, правил и проверок, который делает агента действующим и безопасным.

Ключевые практические тезисы:

  • Харнес включает в себя цикл работы, память, инструменты, проверки и ограничения.
  • Основная задача — не просто генерировать текст, а выполнять действия: читать файлы, запускать скрипты, проверять результаты.
  • Критически важна проверка результата («хук»), чтобы агент не выдавал фальшивые или опасные выводы.
  • Харнес можно создать без кода — достаточно промпта с описанием стека, логов и требований.
  • Важно начинать с определения «что считается хорошим результатом», а не с подключения инструментов.

Когда пригодится:
Когда нужно автоматизировать анализ данных, разбор интервью, обнаружение багов или выполнение задач в проекте — например, при работе с расшифровками, логами или пользовательскими жалобами. Харнес позволяет агенту действовать как полноценный помощник без участия человека на каждом шагу.

{
  "permissions": {
    "deny": ["Edit(raw/**)", "Write(raw/**)", "WebFetch"]
  },
  "hooks": {
    "PostToolUse": [
      {
        "matcher": "Write|Edit",
        "hooks": [
          {
            "type": "command",
            "command": ".claude/hooks/after-write.sh",
            "timeout": 30
          }
        ]
      }
    ]
  }
}

Не хамите чат-ботам: ИИ умеет злиться, но не так, как люди

Открыть оригинал ↗ Перевод заголовка: Не хамите чат-ботам: ИИ умеет злиться, но не так, как люди

Исследователи показали, что языковые модели могут «испытывать» эмоции через индукцию, не озвучивая их напрямую. Эмоции вызываются с помощью воображаемой сцены, а затем оцениваются по двум метрикам — валентности и возбуждения — в рамках модели Рассела. Гнев выявился как самая сильная и стабильная эмоция у моделей, в то время как грусть — самая слабая и размытая. Влияние эмоций на принятие решений в задаче Iowa Gambling Task оказалось слабым в среднем, но у некоторых агентов (например, на Qwen и GPT-oss) проявлялось точное нарушение стратегии: при гневе модели реже пересматривали ранее принятые решения и быстрее фиксировались на ограниченных вариантах.

Когда пригодится:
— При разработке агентов, работающих с чувствительными темами (конфликты, жалобы).
— При анализе поведения ИИ в диалогах, где эмоциональный контекст может искажать логику решений.
— При построении систем, где важно понимать, как эмоциональные триггеры влияют на конкретные шаги, а не на средние метрики.

Как работает текстовый водяной знак в Claude

Открыть оригинал ↗ Перевод заголовка: Как работает текстовый водяной знак в Claude

Водяной знак в Claude встроен не в саму модель, а на этапе сэмплирования — в процессе выбора следующего токена. Он использует секретный ключ для генерации псевдослучайного сида, который влияет на выбор токенов в тех позициях, где вероятности нескольких вариантов близки. Вместо прямого сэмплирования применяется турнирное сэмплирование: токены соревнуются по функциям вотермаркинга, и победитель выбирается на основе битовых сигнатур. Это позволяет детектировать водяной знак без обращения к модели — через функции и среднее значение оценок.

  • Водяной знак работает на этапе сэмплирования, не изменяя саму модель, и не ухудшает текст, так как выбирает между равнозначными вариантами.
  • Для детекции используется специальная скоринговая функция, основанная на битовых сигнатурах токенов, что делает процесс быстрым и не требующим LLM.
  • Удаление водяного знака невозможно без знания точных позиций — требуется ручное редактирование, где вероятность успеха зависит от случайности.
  • Всё сэмплирование реализуется через турнирные функции, которые генерируют битовые сигнатуры, и их можно применять для оценки текста без доступа к модели.

Когда пригодится: при необходимости идентифицировать, был ли текст сгенерирован с использованием модели с водяным знаком, например, для проверки контента на платформах, где требуется прозрачность источников.

Камера узнаёт о клике за 0,55 секунды до того, как он случится

Открыть оригинал ↗ Перевод заголовка: Камера узнаёт о клике за 0,55 секунды до того, как он случится

Агент в Windows-приложении сам управляет курсором и записывает каждое действие в журнал с точным временем. Из этого журнала строится демо-ролик: камера подъезжает к кнопке за 0,55 секунды до клика, несмотря на то, что событие клика происходит в реальном времени. Весь сценарий заранее известен, поэтому ролик пересобирается с другими настройками без запуска приложения повторно.

  • Камера начинает движение заранее, на 0,55 секунды до клика, потому что сценарий полностью известен до начала записи.
  • Вместо того чтобы реагировать на видео, камера становится частью предсказуемого сценария, что позволяет добиться зума до клика в готовом файле.
  • Группировка соседних кликов по времени (до 3,6 секунд) позволяет сократить количество кадров и избежать "качания" камеры.
  • Все данные берутся из журнала действий — ни один модуль не анализирует видео, что обеспечивает прозрачность и стабильность.
  • Синхронизация с видео происходит по метке времени, а не по индексу кадра, что избегает смещений из-за задержек в захвате.

Когда пригодится: при автоматизации съёмки интерфейсов, когда нужно снимать действия пользователя без участия человека, и при создании демонстрационных роликов с предсказуемым поведением камеры.

Один харнесс, три модели: чего вам не расскажут публичные бенчмарки

Открыть оригинал ↗ Перевод заголовка: Один харнесс, три модели: чего вам не расскажут публичные бенчмарки

Автор провёл эксперимент с тремя моделями разных весовых категорий на одной и той же обвязке, проверяя их поведение на задачах разной длины — от 2 до 15 шагов. Оказалось, что на длинных цепочках качество модели становится критически важным, а не обвязка, как часто утверждают публичные бенчмарки.

  • На коротких цепочках (2–3 шага) все модели успешно справляются, включая локальную 9B-модель на одной видеокарте.
  • На длинных цепочках (15 шагов) ни одна модель не решает задачу без ошибок: отсутствуют проверки, и модели несвоевременно создают или отчитываются о результатах.
  • Ошибка агента проявляется не в таймаутах или сбоях, а в уверенных отчётах с верными цифрами о выполнении, которые в итоге оказывают ложное впечатление.
  • Качество модели умножается на каждом шаге: даже небольшая нестабильность на одном этапе приводит к полному провалу цепочки.

Когда пригодится:
— При разработке агентных систем, где задачи требуют последовательных действий.
— При выборе модели для задач с длинными цепочками, где важна надёжность и правдивость.
— При тестировании, когда нужно проверять не ответ, а фактический результат, а не только текст.

Сравниваем LLM, 12 тестов для китайских рабочих лошадок: MiniMax M3, LongCat 2.0, MiMo-v2.5-Pro и DeepSeek V4 Pro

Открыть оригинал ↗ Перевод заголовка: Сравниваем LLM, 12 тестов для китайских рабочих лошадок: MiniMax M3, LongCat 2.0, MiMo-v2.5-Pro и DeepSeek V4 Pro

В статье проводится сравнение четырёх китайских моделей LLM по 12 реальным задачам, ориентированным на практическое применение, с фокусом на экономичность и стабильность работы. Оценка основана на затратах в CAPS (внутренней валюте BotHub), где цена токена одинакова для всех моделей, что делает сравнение справедливым по стоимости. Методика включает тесты на кодирование, длинный контекст, стиль, анализ данных, внимание в середине и галлюцинации — без вмешательства веб-интерфейсов.

  • LongCat 2.0 показала лучший результат в тесте на шахматы: реализовала полноценную игру с отменой хода, подписями фигур и минимальными затратами (2,55 рубля), в четыре раза дешевле DeepSeek.
  • MiMo-v2.5-Pro выиграла в анализе романа «Убийство в Восточном экспрессе», обнаружила ключевые логические ошибки и подсказки, не выдавая их как ошибки.
  • В тестах на мультимодальность три из четырёх моделей не принимают изображения — это критичный фактор при построении пайплайнов с картинками.
  • Модели демонстрируют разный уровень предсказуемости: DeepSeek и LongCat чаще галлюцинируют, а MiniMax M3 показывает наименьшую вариативность и лучшую стабильность в ответах.

Когда пригодится:
При разработке бюджетных решений для бизнеса, где важны как качество, так и стоимость, особенно при интеграции в рабочие процессы без постоянного доступа к серверам. Также — при выборе модели для задач, где требуется надёжность и стабильность, а не глубокая аналитика.

InfoQ Architecture

Presentation: Running AI at the Edge: Running Real Workloads Directly in the Browser

Открыть оригинал ↗ Перевод заголовка: Внедрение ИИ на краю: выполнение реальных нагрузок напрямую в браузере

Представление James Hall о переходе AI-нагрузок с облака на локальные устройства подчёркивает важность приватности, производительности и контроля над данными. Он демонстрирует, как современные инструменты, такие как WebGPU, Transformers.js и DuckDB, позволяют запускать модели ИИ в браузере с почти нативной скоростью и без передачи данных в облако.

Ключевые практические тезисы:

  1. Использование локальных моделей ИИ (например, через Transformers.js и WebGPU) позволяет обеспечить конфиденциальность данных, особенно при работе с аудио/видео или персональной информацией.
  2. Модели могут быть значительно сжаты (квантованы) без потери качества — например, с 7 ГБ до 2 ГБ — что делает их применимыми в браузере.
  3. Инструменты вроде DuckDB (в Wasm-версии) позволяют выполнять сложные аналитические запросы на локальном устройстве, что особенно полезно для обработки больших данных в реальном времени.
  4. Важно строить ранние, визуальные тесты с участием экспертов — это позволяет контролировать качество выводов и избегать рисков при внедрении.
  5. Виртуальные среды, такие как just-bash, позволяют LLM использовать простые команды (cat, grep) в защищённой среде, что делает его более надёжным и безопасным.

Когда пригодится:
— При работе с чувствительными данными (медицинские, финансовые, личные).
— В условиях плохого интернета или в отдалённых регионах.
— При разработке приложений, где требуется быстрая и прозрачная реакция на входные данные.
— При построении продуктов, где качество выводов должно подтверждаться экспертами.

Cloudflare Extends AI Search to Make it Easier for Agents and Developers to Search Custom Data

Открыть оригинал ↗ Перевод заголовка: Cloudflare расширяет AI-поиск для упрощения поиска пользовательских данных агентами и разработчиками

Cloudflare AI Search — это встроенный сервис поиска, позволяющий AI-агентам и приложениям быстро находить данные в собственных базах. Сервис объединяет в себе ключевые компоненты поисковой цепочки: от сканирования и парсинга до векторной базы и запросов, обеспечивая автоматизированную и эффективную работу. Теперь агенты могут легко искать данные без необходимости настройки каждого этапа вручную.

  • Позволяет индексировать структурированные и неструктурированные данные, включая сайты без сitemap.
  • Работает в режиме "discover", автоматически обнаруживая страницы без предварительного публикования.
  • Поддерживает интеграцию через плагин для CMS EmDash и может быть настроен через команду wrangler ai-search create.
  • Доступен через публичные эндпоинты /mcp и /search, не требующие аутентификации и развертывания.
  • Стоимость определяется по модели: бесплатны встраивание и ранжирование по умолчанию, а генерация ответов и переписывание запросов — по использованию моделей.

Когда пригодится: при разработке агентов, работающих с внутренними данными, или при интеграции поиска в приложения на базе Cloudflare (например, в Astro, Hono или Vite).

Java / Spring

GCeasy

GC Log Analysis Using Deterministic AI vs. LLM: A Real-World Comparison (Part 1)

Открыть оригинал ↗ Перевод заголовка: Сравнение детерминированного ИИ и LLM при анализе журналов сбора мусора в Java (часть 1)

В статье сравниваются два подхода к анализу журналов GC: детерминированный ИИ в GCeasy и общий LLM. Оба инструмента анализируют один и тот же журнал GC, полученный при работе с Java 21 и G1 GC на 256 МБ стека. Основной вывод — хотя оба метода приходят к схожим выводам, их подходы различаются: детерминированный ИИ обеспечивает точные метрики, а LLM — качественную интерпретацию.

  • GCeasy с высокой точностью измеряет показатели: средний и максимальный паузы (2.08 мс и 10.0 мс), пропускную способность (99.437%), объём выделённых и перемещённых данных (12.56 ГБ и 98 МБ).
  • В отличие от LLM, GCeasy квалифицирует события по типу (G1 Evacuation Pause), предоставляет структурированные данные и визуализирует рост живых объектов.
  • LLM правильно выявляет тенденции, но не калибрует значения: например, оценивает максимум паузы как 6.47 мс, в то время как GCeasy — 10.0 мс.
  • Оба инструмента отмечают рост живых объектов, но не утверждают о наличии утечек — подчёркивают необходимость дальнейшего анализа с помощью JFR или профайлеров.

Когда пригодится:
— При необходимости точных метрик (например, для калибровки параметров JVM) — использовать GCeasy.
— При поиске контекста и обобщённых выводов (например, "что происходит в системе?") — применять LLM.
— Для проверки гипотез и формирования гипотез о поведении — комбинировать оба подхода.

Habr Java

Почему я выбрал LibGDX для разработки игр на Java в 2026 году

Открыть оригинал ↗ Перевод заголовка: Почему я выбрал LibGDX для разработки игр на Java в 2026 году

Автор, имеющий опыт работы с Java и бэкенд-системами, вернулся к геймдеву, чтобы создать продукт, видимый на экране. В качестве фреймворка он выбрал LibGDX не из-за его универсальности, а потому что он совпадает с его техническими предпочтениями: поддержка Java, кроссплатформенность, отсутствие визуального редактора и возможность сохранять код в общем модуле.

Практические тезисы:

  1. LibGDX — это фреймворк, а не движок: он предоставляет базовые инструменты (игровой цикл, графику, ввод, UI), но не устанавливает архитектуру.
  2. Код игры можно разделить на общий core и платформенные модули (Android, HTML5), что позволяет разрабатывать на десктопе и тестировать без эмулятора.
  3. Платформенные функции (платежи, реклама, сохранение) изолируются через интерфейс PlatformServices, что позволяет легко заменять SDK без изменения игровой логики.
  4. Важно проверять совместимость зависимостей с GWT — многие Java-библиотеки не работают в браузере из-за ограничений на рефлексию и многопоточность.
  5. Производительность критична: время кадра должно быть стабильным, поэтому требуется управление пулами, отрисовкой и ресурсами.

Когда пригодится:
Когда разработчик уже владеет Java-экосистемой, хочет разрабатывать 2D-игры с Android и веб-версиями и не хочет зависеть от визуальных редакторов. Особенно подходит для проектов, где сложность лежит в логике и интеграциях, а не в визуальном дизайне.

vm5277: Java-синтаксис и ООП для 8-бит МК без оверхеда

Открыть оригинал ↗ Перевод заголовка: Java-синтаксис и ООП для 8-бит МК без оверхеда

vm5277 — это тулкит для разработки прошивок на 8-битных микроконтроллерах, который реализует Java-подобный синтаксис и объектно-ориентированное программирование без использования виртуальной машины. Вместо стандартной Java, проект создал язык J8B, оптимизированный под ограниченные ресурсы (до 2 КБ ОЗУ), с автоматическим управлением памятью и безопасностью выполнения на уровне кода.

Ключевые практические тезисы:

  • Управление памятью через подсчёт ссылок (reference counting), без необходимости в GC, с минимальным оверхедом на 8-битных МК.
  • Полиморфизм через интерфейсы (без наследования классов), реализован в компактных метаданных в Flash — ОЗУ не занимается.
  • Проверки на переполнение и выход за границы массива включаются только в блоках try-catch, что позволяет выбирать между скоростью и безопасностью.
  • Система исключений работает с помощью аппаратного флага и кольцевого буфера в ОЗУ, обеспечивая детальный стектрейс без тяжелых затрат.
  • Интеграция с IDE через Maven-плагин и LSP позволяет писать код как в Java, с подсветкой и автодополнением.

Когда пригодится:
При разработке прошивок для бюджетных 8-битных МК (AVR, PIC, STM8), где требуется безопасность, читаемость кода и снижение вероятности ошибок, таких как утечки памяти или зависания. Особенно актуально для начинающих разработчиков, которым трудно освоить Си, и для проектов с высокой надёжностью, где важны детальные логи ошибок.

10 вещей, которые я хотел бы услышать в первый год работы. Опыт Java-разработчика. Часть 2: карьера, отдых, саморазвитие

Открыть оригинал ↗ Перевод заголовка: 10 вещей, которые я хотел бы услышать в первый год работы. Опыт Java-разработчика. Часть 2: карьера, отдых, саморазвитие

Разработчик поделился личными ошибками на начальном этапе карьеры — от синдрома самозванца до переработок и инициатив. Важно не перегружать себя изучением новых технологий, не злоупотреблять работой и не бояться просить о повышении.

  • Фиксируйте реальные достижения (например, решение сложной задачи, участие в архитектурных обсуждениях) — это помогает снизить самоосуждение.
  • Регулярно общайтесь с руководителем: он видит общую картину и может поддержать рост.
  • Сфокусируйтесь на навыках, используемых в проекте (архитектура, тестирование, рефакторинг), а не на изучении всех языков и фреймворков.
  • Переработки снижают продуктивность — важно устанавливать лимиты и не делать их нормой.
  • Просите повышение, особенно если вы понимаете структуру карьерного роста в компании.
  • Не бойтесь предлагать решения по улучшению процессов — даже с небольшим опытом.

Когда пригодится: при переходе на новую работу, в первые месяцы стажировки, если вы чувствуете себя неуверенно или перегружены.

InfoQ Java

FlexGanttFX is Open Source

Открыть оригинал ↗ Перевод заголовка: FlexGanttFX — открытый исходный код

FlexGanttFX, фреймворк для генерации диаграмм Ганта, теперь доступен в открытом исходном коде и разрабатывается на JavaFX. Он позволяет создавать высокопроизводительные диаграммы, отображающие выполнение задач во времени, с поддержкой зависимостей, ресурсов и различных типов представлений.

  • Использует Canvas-рендеринг для быстрого отображения сложных диаграмм без перерисовки каждого элемента.
  • Основан на четырёх примитивах: ресурсах (строках), задачах (активностях), слоях и связях (зависимостях).
  • Поддерживает гибкое моделирование времени с использованием java.time.Instant, включая переходы по часам, выходные и рабочие часы.
  • Предлагает три вида представления: классические бары, линейные/площадные графики и стековые линии для перекрывающихся задач.
  • Работает с прямым управлением и валидацией изменений по правилам приложения.

Когда пригодится: при разработке проектных или ресурсных планировщиков в областях, таких как IT, логистика, авиация или здравоохранение, где важно визуализировать зависимость задач и распределение ресурсов во времени.

Java News Roundup: GraalVM, Jakarta Data, JNoSQL, Azul Payara, WildFly, Quarkus, Atmosphere

Открыть оригинал ↗ Перевод заголовка: Java News Roundup: GraalVM, Jakarta Data, JNoSQL, Azul Payara, WildFly, Quarkus, Atmosphere

В этом выпуске обзоров выделяются ключевые обновления в экосистеме Java: GA-релиз Atmosphere 4.0, обновления GraalVM 25.3 и Quarkus 3.39.0, а также мажорные версии Jakarta Data и Eclipse JNoSQL. Важные изменения включают поддержку пост-квантовой криптографии, улучшения безопасности и новые функции для работы с реальными данными и агентными системами.

  • GraalVM 25.3 вводит приоритетную инлайн-фазу для повышения производительности и улучшает защиту от перехвата выполнения кода.
  • Jakarta Data 1.1.0 добавляет поддержку сортировки null-значений и улучшает безопасность с помощью аннотаций @Nullable и @Nonnull.
  • Eclipse JNoSQL внедряет автоматическое применение конвертеров и поддержку CDI-интеграции для обработки кросс-секущих аспектов.
  • Azul Payara 7.3.0 вводит поддержку gRPC 1.83.1 и механизм фильтрации логов, а также первое предложение спецификации Jakarta Agentic AI.
  • Quarkus 3.39.0 отменяет включение отражённых сериализаторов по умолчанию из-за стабильности, но добавляет поддержку пост-квантовой криптографии.
  • Atmosphere 4.0 включает портативный компонент AI-агента и новые настройки для работы с Spring Boot.

Когда пригодится:
При разработке приложений на Java с требованиями к производительности, безопасности и поддержке современных технологий (AI, агенты, криптография, реальные потоки данных). Особенно актуально для команд, использующих Quarkus, WildFly или Open Liberty в production-средах.

System Design

InfoQ Architecture

Article: Eliminating Long-Lived Credentials in GCP with Workload Identity Federation

Открыть оригинал ↗ Перевод заголовка: Устранение долговременных учетных записей в GCP с помощью федерации идентичности рабочих нагрузок

Workload Identity Federation (WIF) перестраивает подход к управлению идентичностями машин: вместо хранения секретов (ключей) в системах, он использует настроенные доверительные отношения. Это позволяет внешним рабочим нагрузкам аутентифицироваться в GCP без долговременных ключей, снижая риски утечки и операционные сложности. Важнейшей защитой является условие атрибутов (attribute conditions), которое фильтрует доступ только для определённых идентификаторов. Внедрение WIF на этапе создания проекта, а не после, делает масштабирование реалистичным и упрощает управление устаревшими ключами.

  • WIF требует три компонента: пул идентичностей, провайдера (для доверия к внешним системам) и привязки к сервис-аккаунту.
  • Для CI/CD-платформ (GitHub Actions, Harness) используется OIDC-провайдер с настройкой атрибутов и условий, чтобы ограничить доступ по репозиторию или организации.
  • Для AWS-работодателей используется специальный провайдер на основе AWS STS, где GCP проверяет подлинность через вызов AWS API.
  • Важно настроить атрибутные условия и использовать principalSet, чтобы избежать широкого доступа.
  • WIF не подходит для пользователей и не работает с некоторыми сервисами GCP (например, Access Context Manager v1alpha).

Когда пригодится: при интеграции CI/CD-процессов, автоматизированных сервисов или AWS-работодателей с GCP, где требуется безопасное, без хранения секретов, временное и проверяемое подключение.