MCP для агентной коммерции: что может пойти не так
Представьте диалог c вашим любимым ИИ‑инструментом:— Найди поездку в Казань на выходные, до 20 тысяч рублей и с нормальным отелем.— Секунду, подбираю…«Подбираю» в этом диалоге — это некоторый чёрный ящик. Под ним могут скрываться воспоминания модели из обучения, попытки воспользоваться веб‑браузером, поиском в интернете. Такие обращения могут содержать различного рода погрешности.А вот чтобы это «подбираю» означало поиск по реальным ценам и наличию агент должен уметь обращаться к базе данных с билетами. Именно для этого мы вместе с командой Туту выпустили
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
Скоро хайп пройдёт — и нанимать будут тех, кто умел писать код до ИИ
Статья написана на основе интервью с Дмитрием Галагановым, бэкенд‑разработчиком, тимлидом и архитектором ПО.Пятнадцать лет я писал код руками. Был тимлидом, вёл команды по восемь‑десять человек, успел поработать и в Минцифре, и в структуре «Газпрома». А в начале этого года я уволился из найма и ушёл в исследование возможностей ИИ в разработке.
Архитектурный паттерн «LangGraph, гибридный RAG + Сигнатурный движок»: универсальный граф для потоковых данных
В чем проблема?При обработке больших потоков неструктурированного текста разработчики обычно выбирают один из двух путей:Первый — использовать детерминированные методы. Регулярки, сигнатуры, и подобные инструменты работают быстро. Вот только никак не поймают новые, ранее не описанные паттерны. Путь второй — скармливать сырые данные в ЛЛМ напрямую. В реальности этот подход быстро умирает. Отправлять огромные объемы нефильтрованного текста в языковые модели слишком дорого и медленно.
Армия в терминале
Как coding agents превратили разработчика в диспетчера машин — и запустили гонку оркестраторов, песочниц и ИИ‑фабрик.Ещё недавно программист открывал один терминал и разговаривал с одним агентом. Затем терминалов стало пять, веток — семь, а главным дефицитом оказался уже не код, а человеческое внимание.
Инженерия вокруг агента: 10 идей AI Engineer
10 идей конференции AI Engineer о том, как меняется разработка, когда код пишут агенты.В начале 2026 года небольшая команда OpenAI рассказала о необычном эксперименте.Три инженера за пять месяцев создали внутренний продукт объёмом около миллиона строк кода и провели через репозиторий примерно 1500 pull request’ов. Продуктом пользовались сотни сотрудников. При этом люди не написали вручную ни одной строки: прикладной код, тесты, CI‑конфигурацию, документацию, observability и внутренние инструменты генерировал Codex.
Глубокие агенты (Deep Agents) — всё собрал? Но какой ценой?
Современные AI-агенты строятся достаточно разнообразно. Где-то берут готовые приложения, которые выросли в полноценные фреймворки с преднастроенными агентами. Где-то провайдеры предлагают настройку из готовых блоков через UI на веб-портале. Где-то хочется написать своё: дешевле, в своём контуре или просто иначе. Один из популярных фреймворков для этого - LangChain / LangGraph: удобные обёртки, пайплайны, графы, интеграции под типичные куски агента.В большинстве случаев агенты строятся вокруг базового цикла ReAct
Новые правила контекстной инженерии для Claude 5
Ранее я уже писал о том, как лучше всего составлять промпты для нового поколения моделей Claude 5 и работать с ними итеративно, чтобы постепенно понять, что именно вы хотите создать.Но когда вы отправляете Claude сообщение, сам промпт составляет лишь небольшую часть получаемого моделью контекста. Значительная его часть собирается из системного промпта, навыков, файлов CLAUDE.md, памяти и других источников. Мы называем это контекстной инженерией
