GEO vs SEO: методология ИИ-мониторинга для работы с генеративной выдачей в 2026 году
Если у вас уже дёргается веко от слова SEO, возрадуйтесь: ИИ спас нас от этой напасти, потому что с приходом ИИ в поисковую выдачу, на смену Search Engine Optimization приходит GEO — Generative Engine Optimization (не путать с геосервисами вроде Яндекс/Гугл-карт и прочих Foursquare — это было гео для миллениалов). Для зумеров и молодящихся миллениалов ГЕО — это оптимизация под ИИ-выдачу, попадание в ИИ-рекомендации, в особенности (для Рунета) — в «Алису». «Попасть в рекомендации Алисы» — это уже реальный востребованный спрос, предложение на который только находится на этапе формирования.
Как я научил LLM читать чужую кодовую базу, вместо того чтобы галлюцинировать API
Разбор архитектуры ИИ-агента для статического анализа кода: локальный индекс на SQLite, 71 инструмент, цикл tool-calling на 30 ходов и валидаторы, которые мы написали и сами же сняли, потому что они ложно срабатывали на валидных файлах.
Помните исследование про «ИИ замедляет на 19%»? Его повторили — и оно сломалось
В июле 2025 г. METR опубликовал результаты эксперимента с участием 16 опытных Open source-разработчиков. Для исследования использовали задачи из их собственных репозиториев, а участников случайным образом разделили на две группы: «с ИИ» и «без ИИ». Результат показал, что работа с использованием ИИ оказалась на 19% медленнее. При этом участники были уверены, что стали быстрее на 20%. С тех пор цифру «минус 19%» приводят в спорах о том, действительно ли ИИ помогает программистам.
AI пишет код быстрее, но ревью становится тяжелее: откуда берётся когнитивный долг
TL;DRВремя на погружение в контекст теперь приходится в основном на этап ревью.Если принимать код только потому, что он работает, можно накопить долг, которого команда даже не замечает.Стоит либо снижать объём ручного ревью, либо автоматизировать повторяющиеся проверки.В разговоре с одним из клиентов об AI-разработке я услышал мнение, что ревью кода, сгенерированного агентами, создаёт огромную когнитивную нагрузку — приходится одновременно держать в голове множество деталей, чтобы понять работу и оценить её качество.
ИИ заберёт тексты и код. Но это никогда не было главной работой человека. Часть 3
Всем привет! Я — философ науки и техники и технический писатель. Последние пару лет мою профессию регулярно «хоронят». Большие языковые модели всё лучше пишут документацию, а если вы работаете с текстами, кодом или другим цифровым контентом, то наверняка и сами уже заметили, как меняется привычный процесс работы. Кажется, что ИИ научился делать всё больше задач, которые раньше выполнял человек. Но производство текста, кода и другого контента лишь верхушка айсберга любой IT-профессии. Во второй части
Строим продвинутый каркас для ИИ-агента
В основе базового agentic harness — простой цикл: LLM получает задачу, выбирает и вызывает инструмент, результат возвращается в контекст, после чего модель решает, какое действие выполнить следующим. Цикл продолжается, пока модель не решит, что задача выполнена.
SRX: восстановить нужный фрагмент и проверить его
Что происходит, когда AI‑системе нужно ответить не только «что я помню?», но и показать, какой именно исторический источник подтверждает ответ?В SRX я экспериментирую с другим подходом к длинной истории: вместо передачи модели всего накопленного контекста система сначала находит нужную версию данных, восстанавливает её и проверяет по исходному источнику. Только после этого результат можно отдавать LLM для интерпретации.Почему обычного поиска недостаточноПредставим, что параметр database.pool_size менялся так:

