В агентскую эпоху не все архитектуры кода одинаково полезны
Дебаты, касающиеся программирования с применением агентов, в основном касаются подбора инструментария — какую IDE, какую модель, какой CLI использовать и т.д. Гораздо меньше внимания уделяется более интересному вопросу: а сохраняет ли в таких условиях актуальность сам подход к структурированию кода, которому нас учили, если у той штуки, которая теперь пишет код, ограничена долговременная память, а также ограничено контекстное окно? Более того, агент зачастую должен добиваться прогресса по задаче, не имея «перед глазами» всей системы.
Инженерное знание как код: зачем я связываю MCP, агентов и модель изменений
От чата с агентом к графу изменений: как я перестроил проектирование фичВ какой-то момент мой процесс разработки начал упираться не в код, а в проектирование изменений.Код тоже сопротивляется, конечно. Он вообще не подарок: положишь одно поле не туда — и через неделю у тебя уже маленький архитектурный цирк с пони и грустным API. Но главная сложность оказалась раньше — в моменте, когда изменение ещё только формулируется.Фича звучит просто, пока её не начинают реализовывать.
Triage-and-Voice: как опыт колл-центров даёт рабочий паттерн для LLM-продуктов
Почему саппорт-бот на LLM работает против васLLM одновременно решает две вещи: что сказать и как это сказать. Под давлением пользователя (эмоциональным или манипулятивным) вторая задача почти всегда побеждает. Модель начинает звучать максимально полезно и заботливо, и при этом врёт.Простым промптом это не вылечить. Более дорогая модель тоже не спасает. Проблема сидит глубже, в архитектуре.
Почему ваш LLM-бот врёт клиентам — и паттерн, который это чинит
Почему саппорт-бот на LLM работает против васLLM в саппорте одновременно решает две задачи: что сказать и как это сказать. Под давлением пользователя вторая всегда побеждает — модель звучит заботливо и при этом врёт. Промптом это не чинится.Дальше — два громких факапа, их общий корень и архитектурный паттерн Triage → Gate → Voice, который разделяет эти задачи.
Быстро, дешево, качественно. Теперь одновременно, но есть нюанс
Меня зовут Александр Сахаров, я директор по партнерствам в компании Диасофт. И тезис, с которого начну, довольно дерзкий: старый айтишный треугольник «быстро, дешево, качественно, выберите два» в 2026 году можно закрывать. Правда, с одним условием, о котором почему-то практически не говорят.На днях мы собрались с коллегами обсудить мифы вокруг искусственного интеллекта. Поговорили про AGI и массовые увольнения из-за внедрения ИИ, но с определенной долей скепсиса. И вот почему. Дело в том, что по свежим данным 56 процентов CIO в мире за последний год не получили от ИИ ни роста выручки, ни снижения затрат. Удивлены?
Я строю AI-бот для самопознания. Вот спек, архитектура и почему LLM — это периферия, а не ядро
Статья четвертая из серии. Было исследование, личная история, продуктовый инсайт. Здесь будет продукт. Публикую манифест до того, как написана первая строчка кода — чтобы потом было честно сравнить, где я прав, а где разбился о реальность.Большинство AI-ботов — это if-else вокруг GPT
Как переложить нагрузку по code review с разработчиков на LLM
Привет! Меня зовут Марк Каширский, я работаю DS-инженером в команде LLM Авито. Создаю инструменты для разработчиков, чтобы им было легче и удобнее работать. В статье рассказываю, как мы автоматизировали процесс Code review при помощи больших языковых моделей.В этой статьеПричины для автоматизации процесса Code reviewАрхитектура системы Code reviewВыбор LLM-моделиЭтапы ML-пайплайнаМетрики решения
Как я заставил ИИ писать код по книжке: Clean Architecture + TDD на автопилоте
Для привлечения вниманияЭто продолжение первой статьи
Вайб-код для настоящих инженеров: старые практики в новых реалиях
Итак, вопреки утверждениям скептиков (среди которых не так давно был и я) ИИ-разработка с двух ног влетела в настоящую промышленную эксплуатацию, и мем уже совсем не тот: не джун теперь роняет прод, а нейросеть убивает статистику доступности гитхаба, амазона, Cloudflare и даже самой мекки вайб-кодинга — сервисов Anthropic и OpenAI.
Skaro 2.0: не ещё один AI-инструмент для кода, а среда совместной работы над проектом
Ранее я уже рассказывал о Skaro (тут). С тех пор проект заметно изменился: вторая версия получилась не косметическим обновлением, а довольно глубокой переработкой самой модели работы.Поэтому сейчас хочется не просто показать список новых функций, а нормально объяснить, что такое Skaro, для чего он нужен, почему я вообще продолжаю его развивать и куда хочу вести дальше.
