Мы внедряли ИИ-агентов, а переучиваться пришлось самим: почему одних интеграций недостаточно
Еще вчера мы замирали от восторга, когда ИИ писал за нас письма. Сегодня негодуем: почему он сам не догадался кому их отправить? Не перенес саммари встречи в документы и не обновил задачу в трекере. Пока ты сам в этом разбираешься, приходят итоги следующей встречи, письма и новые таски.Вот и получается, ИИ обрабатывает контент, а связующим звеном между почтой, чатами и задачами по-прежнему работает человек. Так что же делать, чтобы извлечь больше пользы из такой автоматизации?
AI-агент в проде для тех, кто вкатывается: инструменты, RAG, надёжность и проверки
Агент решает задачу за 30 шагов: вызывает модель, ищет, пишет в базу, снова вызывает модель. Пусть каждый шаг падает раз из ста: моргнула сеть, API ответило «перегружено». Тогда задача целиком дойдёт до конца в 74% случаев. Каждая четвёртая упадёт. При 3% сбоев на шаг до конца дойдут только 40%.
Вайбкодинг закончился, когда пришёл второй пользователь
Бот уже отвечает. А продукт где? История разработки сервиса с ИИ.Друг принёс мне работающего Telegram-бота. Он сам много публикует короткие видео и хотел дать уже снятому ролику больше попыток залететь в просмотрах, не готовя каждую версию вручную.
Бот уже отвечает. А продукт где? История разработки сервиса с ИИ
Друг принёс мне работающего Telegram-бота. Он сам много публикует короткие видео и заметил интересную вещь: один и тот же ролик может набрать совершенно разное количество просмотров.
От предложений LLM к управляемому исполнению: опыт разработки AI‑агента
Подключить AI‑агента к инструментам — лишь часть задачи. Гораздо сложнее организовать его работу там, где недостаточно уверенного ответа модели и необходимо соблюдать ограничения, контролировать действия и проверять последствия.Например, если агент предлагает восстановить деградировавший сервис, кто проверит: выдержит ли инфраструктура переключение трафика? выполнены ли все необходимые условия? действительно ли сервис восстановился?
Опубликована книга «Поиск: от слова к доказательству»
Как история поиска, доказательность источников и технология MIRA дополняют «Глаз стрекозы»Задача, которая оказалась значительно сложнее поиска
За пределами вайбкодинга: фундаментальная база программной инженерии
За пределами вайбкодинга: фундаментальная база программной инженерииВ последние пару лет порог входа в разработку изменился навсегда. С появлением Cursor, Claude Code, GitHub Copilot и больших языковых моделей родился феномен «вайбкодинга» (vibe coding): ты набрасываешь мысли в чат на естественном языке, ловишь ощущение потока, нейросеть за секунды генерирует компоненты, скрипты, роуты API — и все это действительно запускается в браузере.
Как мы строили и улучшали LLM‑слой для общения с покупателями
Мы начали с бота, который должен был снять с поддержки рутинные напоминания. Затем добавили языковую модель, научились учитывать смысл ответов покупателей и собрали каскад из двух судей и арбитра. По обновлённой сводке экспериментов совпадение действий с разметкой выросло с 74% до 84%, а общее число ошибок сократилось на 38% при примерно прежней средней стоимости решения.
Как я строил ИИ-обвязку рабочего места аналитика в IT-компании
Карпов НиколайАрхитектор ИИ-системСодержаниеОт личной практики к корпоративному внедрениюБоевая проверка: комплект бизнес-требований под дедлайнС чем я пришёл к этой задаче
MWS приглашает поговорить про архитектуру ИИ-систем
Архитектура ИТ-систем меняется. ИИ вносит свои коррективы — и архитекторам приходится учитывать их уже сейчас.

