Почему я перестал использовать редакторы кода на основе ИИ — 2026 (взгляд на апрель 2025)
В начале апреля 2025 года я выложил на Хабре перевод заметки Лучано Ноойена «Почему я перестал использовать редакторы кода на основе ИИ» (оригинал от 1 апреля 2025 года). Перевод я тогда публиковал между ревью: пока агенты писали код для пары проектов, раз в несколько минут проверял диффы и давал уточняющие задания.В том же посте я писал про наши долгие прогулки на Самуи с другом, очень крутым кодером, на которого я равняюсь — 0xhyperdust
Как мы мигрировали с MongoDB на Cassandra за квартал: опыт использования АI-агентов
Что делать, если критически важное хранилище с миллиардами записей требует слишком много дорогого железа, а на миграцию силами инженеров уйдет целый год? Меня зовут Александр Моргунов, я инженер Авито, в этой статье я расскажу как мы провели эту миграцию всего за один квартал силами одного архитектора, не написав руками ни одной строчки продакшн-кода, лишь с помощью ИИ-агентов.
LLM не должен читать логи без ограничений: безопасный MCP-шлюз для разбора сбоев
В понедельник утром пайплайн упал. В чате уже есть три версии причины: «сеть», «база опять задумалась» и «давайте просто перезапустим». Ассистент мог бы за минуту собрать список упавших задач, показать зависимые пайплайны и выдать первую гипотезу. Но для этого ему часто отдают доступ к логам, метаданным и иногда — не будем показывать пальцем — к произвольному SQL.Так делать не стоит. Достаточно, что модель прочитает токен в логе, получит инструкцию из текста ошибки или отправит в базу слишком дорогой запрос. У инженера тут должен сработать простой вопрос: «Можно. А зачем?»
Зачем разработчику погружаться в продуктовый контекст и как в этом помогает ИИ?
Порассуждали на эту тему в гостях у подкаста Moscow Python — ребята предложили вместе записать первый оффлайн‑выпуск после долгого перерыва. Поговорили о том, где граница между ролями продакта и разработчика, как ИИ ускоряет релиз и стоит ли всецело доверять LLM.СпикерыАндрей Меркулов — тимлид одной из команд разработки «Онлайн‑бухгалтерии». Экспериментирует с агентской разработкой.Дмитрий Чуклай — продакт в кругах Horizontal AI и AI в SDLC. Использует LLM для создания прототипов и обдумывания идей.
Свой инференс для 25 разработчиков: 452:1, KV‑пул и почему это не экономит денег
Все цифры сняты с работающего стенда: потребление токенов — за календарную неделю по данным шлюза, метрики движка — кумулятивно за период аптайма (11 426 обработанных запросов). Продолжение — про выбор модели по замерам, а не по бенчмаркам — будет отдельной статьёй.Для кого эта статьяДля тех, кто держит или собирается держать LLM внутри контура: тимлидов, DevOps, архитекторов. Здесь конфиги, цифры и грабли, а не введение в трансформеры.
Летальное трио агентской разработки: как ИИ‑агенты открывают доступ к инфраструктуре и что с этим делать
Привет, Хабр! Я Денис Макрушин, работаю в Яндексе, и вместе с командой SourceCraft Security строю платформу для безопасной агентской разработки, а в свободное время ищу уязвимости в ИИ‑агентах и иногда рассказываю об исследованиях в своем блоге. Чем дольше этим занимаюсь, тем лучше вижу тенденцию: индустрия обсуждает, что агенты умеют делать, но реже говорит о том, какие решения и как проще внедрять, чтобы сделать агентскую инфраструктуру безопаснее. Вместе с моими коллегами Ратмиром Самархановым и
Ваш агент не тупой — ему просто неудобно
Agent Comfort: измеримое свойство среды, от которого зависит, справится кодинг агент сам или нетВ обсуждениях агентской разработки сейчас две повторяющиеся истории. Инженеры тонут в ревью сгенерированного кода: с ИИ мержится почти вдвое больше PR, а время ревью выросло на 91%. Продакты и эффективные менеджеры тем временем хвастаются, что выкатывают фичи без программистов. Продакт из Meta
12 факторов хорошего агента
Почти все мы только учимся работать с агентами. Даже опытные команды иногда управляют агентами так, что те приносят больше вреда, чем пользы. HumanLayer сформулировал 12 принципов того, как делать и настраивать агентов правильно. Каждый пункт отвечает на вопрос, что работает хорошо, а что стабильно приводит к проблемам.1. Структурированный выводДо появления структурированного вывода от языковой модели нельзя было ожидать детерминированного результата: она возвращала произвольный текст. Подключить ее к реальной системе было крайне сложно.
Мы попробовали в реальном проекте Dynamic Workflows от Claude Code. Рассказываю, что сработало, а что нет
Прогнали Dynamic Workflows Claude Code на реальном проекте поверх NaCl: что сработало, а что нетПривет! Меня зовут Максим Никитин, я фаундер небольшой, но гордой студии разработки сложных и нетиповых проектов ITSalt. В начале 2025 года мы начали переходить на агентскую разработку и постепенно собрали вокруг этого собственный фреймворк - NaCl. Сейчас он закрывает бизнес-анализ, системное проектирование, TDD, код-ревью, QA и релиз - по сути, весь цикл от требования до продакшна.NaCl можно посмотреть в публичном репозитории
