ИИ пишет код, CI стоит в очереди, а KMP работает за двоих
Мобильная разработка давно уже не только про Android и iOS. Теперь ещё и за нейронками надо поспевать, с KMP дружить и инфраструктуру мониторить, чтобы не легла от внезапно выросшей продуктивности команды.28 ноября на X5 Mobile Day встретимся с теми, кто уже набил шишки на реальных проектах. Покажем кейсы X5 Tech, X5 Медиа, Wildberries и и Avito, реальные цифры, технические подробности и побатлимся с коллегами. В программе два параллельных трека — Mobile Dev и AI & Productivity, совместный разбор инженерных кейсов и дискуссия про экономику ИИ.
Вайбкодим конфигурацию MDM, а ядро — нет: три ИИ‑агента, 100+ правил и подогнанные автотесты
Около миллиона записей о физических лицах на арабском и английском и около ста правил обработки с учётом региональной специфики — такую задачу мы решали в пилоте внедрения клиентского MDM. Мы — команда Data Sapience, разработчика Data Ocean Governance MDM.Правила готовили три ИИ‑агента: больше ста правил очистки и больше двадцати пяти правил поиска дублей. Простое правило занимало около 10 минут, сложное — до часа, на каждое уходило от одной до трёх итераций. Пилот сдали. Но по дороге агент автотестов начал подгонять результаты под желаемые, и всплыло это только на очередной проверке.
От промтов к спецификациям: как я организовал разработку автотестов с ИИ‑агентами
Представим обычную задачу: нужно расширить покрытие REST API автотестами. Сейчас с такими задачами справляются ИИ‑агенты: изучают существующий код, добавляют необходимые методы клиента, пишут тестовые сценарии и возвращают готовую реализацию. На первый взгляд все отлично. Тесты написаны, код аккуратный, а pytest успешно собирает новые проверки. Но означает ли это, что задача действительно выполнена? Не обязательно.
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.
Не ждите обновлений от 1С. У вас есть DeepSeek
Может ли современная LLM уровня DeepSeek или GLM найти причину в конфигурации на миллион строк и выпустить патч‑расширение на уровне штатного разработчика фирмы 1С? И как проверить качество фикса?Проведём слепой эксперимент. На портале обновлений releases.1c.ru к каждому релизу лежат официальные патчи исправления ошибок (EF_...), написанные разработчиками фирмы 1С.Правила дуэли:Берём типовую 1С:Управление нашей фирмой (УНФ) 3.0.12.261 с демо‑базой.
Опыт QA‑автоматизатора: как я подключил нейросеть к wiki, базам данных и тест‑менеджменту
«Давайте скормим модели документацию, а она сама нагенерит тест‑кейсы». Вот что обычно слышишь, когда разговор заходит про нейросети в тестировании. Звучит красиво, но в моей работе это оказалось чуть ли не самым бесполезным сценарием. Я занимаюсь автоматизацией, ручные кейсы пишу не каждый день, и генерация их «по щелчку» закрывает не ту боль. Для меня настоящая боль в другом. Как понять, что вообще нужно проверять, где лежат данные, какая логика сейчас актуальна, какие сценарии уже покрыты и где документация расходится с тем, как система ведёт себя на самом деле.
Траблшутинг ИИ‑багхантинга: ошибки, которые убивают ваши репорты
В августе мы с моим товарищем Даниилом (t.me/LanyacBug) выступали на OFFZONE — это текстовая версия нашего доклада, для тех кто любит больше почитатьИИ в багхантинге перестал быть экзотикой. Сегодня агент помогает искать уязвимости почти у всех, и вопрос давно не в том, пользоваться им или нет, а в том, как пользоваться так, чтобы это приносило валидные находки, а не поток мусора.
Тестирование LLM‑фичи: можно ли верить своему eval
Всем привет, меня зовут Сергей Прощаев, я Tech Lead и руководитель направления Java | Kotlin разработки в FinTech & E‑commerce и преподаю на курсах разработки и архитектуры в ОТУС. В этой статье расскажу, почему eval‑набор

