AI-агенты: быстрее делать задачи, которые никому не нужны
Последние полгода слежу за внедрением AI-агентов в компаниях, сейчас сталкиваюсь с этим напрямую. И в обещаниях ускориться в десять раз меня смущают две вещи.Первая — мы покупаем инструмент, а процессы оставляем прежними.Задача занимала 16 рабочих часов, теперь занимает час. Ревью тоже ускорили: агенты, CI, evals, нормальный harness. Технически все отлично.Потом результат две недели ждет согласования. Потому что решение принимает один человек, приоритеты противоречат друг другу, а ответственность размазана между отделами.
Java Jam: записи докладов о Java-разработке, AI-агентах и обновлении стека
Как обновлять технологический стек в большом проекте, автоматизировать разработку с помощью AI-агентов и находить решения для задач, с которыми не справляются готовые инструменты?Эти темы разобрали эксперты ЮMoney и Сбера на Java Jam — митапе ЮMoney о Java-разработке и не только. Делимся тремя основными мыслями:Обновление стека — задача скорее организационная, чем техническая. Обновить версию в properties-файле просто, сложнее провести ломающее обновление во множестве компонентов и при этом не останавливать продуктовую разработку.
Автономный SDLC на AI-агентах: очередь задач, границы решений и контроль результата
Несколько AI-агентов, выполняющих задачи параллельно, ещё не образуют автономный процесс разработки. Если человек по-прежнему выбирает каждое следующее поручение, переносит результаты между сессиями и решает, пора ли отправлять работу на проверку, меняется исполнитель, но не способ управления.Для технического руководителя вопрос шире выбора модели и количества агентов: какие операционные решения можно делегировать, как сохранить контроль над качеством и рисками и по каким показателям оценивать результат
О Дух Машины, возьми наши деньги и забери у нас ручное тестирование
У нас было 15 000 ₽ в месяц, команда из пяти человек и катастрофическая нехватка времени на ручное тестирование. И мы призвали Духа Машины.
Локальные нейросети: своей видеокарты хватает на офис — если знать, зачем она
6 ноября 2026 веб-студия «Флаг» провела открытую лекцию про локальные AI-модели. Спикер — Саша Андреев (t.me/andr33vru): технический директор на аутсорсе, руководит студией заказной разработки и сам гоняет модели на RTX 3090. Ведущий — Миша Радионов, «Флаг Софт».Ниже — разбор того, о чём шла речь. Без магии и без «купите карту прямо сейчас».Зачем вообще локальноеОблачные модели умнее. Claude, Codex и компания тянут задачи, на которые бытовая видеокарта пока не претендует. Но умность — не единственная метрика.
Агентная система для тех, кто вкатывается: собираем агента поддержки от одного файла до Temporal, саги и circuit breaker
Клиент пишет в поддержку: «Посылка не пришла, верните деньги». Агента, который на это ответит, можно написать за вечер. Цикл из части 1, три инструмента, и в демо он отвечает правильно. А потом процесс перезапускается посреди возврата, провайдер модели ложится на полчаса, клиент нажимает «отправить» дважды. И оказывается, что агент это малая часть системы.Это третья, последняя часть серии. В первой разобрали агентный цикл, токены и кэш. Во второй
Как меняется работа системного аналитика с развитием ИИ: записи докладов «Кода аналитика»
Как выстраивать требования, находить противоречия ещё до начала разработки и внедрять ИИ-агентов в рабочие процессы? Эти и другие вопросы обсудили на митапе «Код аналитика» от ЮMoney.На встрече выступили спикеры из ЮMoney, Сбера и «Бындюсофт». Они поделились практическим опытом системного анализа: от работы с требованиями и стейкхолдерами до автоматизации задач с помощью ИИ. Мы собрали основные темы докладов, а ниже оставили ссылки на полные записи.О чём говорили на митапе
Как мы тестировали RAG: нашёл документ, но всё равно ошибся
В прошлой статье я рассказывал, как наш трёхнедельный RAG-пилот по технической документации растянулся на три месяца. Мы собирались научить корпоративный AI отвечать на вопросы инженеров и менеджеров, а вместо этого обнаружили, что сначала нужно разобраться в собственных документах.С тех пор мы продвинулись. Собрали базу знаний, настроили поиск, подготовили сотни контрольных вопросов и наконец начали испытывать ассистента на реальных инженерных задачах.Промежуточный результат — 84% правильных ответов на тестовом наборе из 188 вопросов
Как посчитать эффект от внедрения AI?
Привет! Я Ярослав Шмулев, CEO R77 AI.Кто из нас в такой ситуации не бывал? Внедрили AI, закрыли пилот, приходим докладывать об эффектах. Команда говорит, что работать стало быстрее. Руководитель видит результат. А CFO, финансовый директор, смотрит на наши цифры и не верит.И, кстати, правильно делает.Давайте разберём, с чем к нему приходить, как считать эффект и что делать, если экономика проекта сейчас вообще не сходится.Посчитали на коленке? Так не делается
