Разработчик 2.0. Следующий уровень абстракции
Что теперь программирует настоящий программист?Вы открываете задачу и пишете одну строку:Добавь идемпотентность в API создания заказа.Через некоторое время перед вами diff в незнакомом репозитории. Изменены обработчик API, модель данных, тесты и документация. Все проверки проходят. При этом вы не написали ни одной строки кода.
ИИ-агент в тестировании: почему сильный результат рождается не из промпта, а из инженерного контура
Введение: агент — не оракулПредставим обычную задачу «к тестированию». В ней есть краткое описание, несколько комментариев, ссылка на документ, родительская задача, пара коммитов и стенд, который иногда доступен. Часть требований уже изменилась. Часть — живёт в коде соседней команды. Часть — существует только как договорённость между людьми.Можно потребовать от постановщика идеальный документ. Можно не начинать работу, пока не появятся критерии в правильной форме. В реальном проекте это часто означает не повышение качества, а перенос ответственности и задержку обратной связи.
ИИ-Автопилот: замкнутый цикл разработки на C++ — от тикета до проверки в живом GUI
Привет, Хабр. Расскажу, как я собрал ИИ-Автопилот — замкнутый цикл разработки, где задача входит тикетом в YouTrack, а выходит GUI-проверенным исправлением в продукте. Агент разбирается в задаче, правит C+±код, собирает, идёт в живой интерфейс нашего геофизического приложения, проверяет там результат — и закрывает тикет ответом человеку в YouTrack. Дальше расскажу, как оно выросло и где людям всё ещё есть чем заняться.
Как QA я все равно пишу документацию, но с ИИ трачу на нее часы, а не дни
Привет! Меня зовут Никита, с недавнего времени работаю в Cloud.ru на позиции QA-инженера, отвечаю за качество продукта для совместной разработки под названием Repo. В этой сфере я уже четыре года и успел поработать на проектах в GameDev и веб-разработке.
LLM-судье нельзя верить на слово: как построить надёжный гейт и проверить сами тесты
В одном из проектов я строил систему оценки ответов с двумя контурами. Первый был скучным и предсказуемым: нормализовать результат и сравнить его с эталоном. Второй использовал LLM как судью и оценивал смысл ответа целиком.Каппа Коэна
AI-агент для анализа требований в финтехе: собираем контекст и находим проблемы до разработки
В прошлой статье
Тестирование изменилось навсегда — Перспективные MCP для QA
Перспективные MCP для QAСодержаниеВведениеЧто такое MCP и зачем оно мне нужно (+ плагины и как подключать)MCP ConfluenceMCP KaitenMCP TestOpsMCP PostgresMCP Chrome DevToolsMCP PlaywrightMCP GitLabMCP Mattermost
Как работать с ИИ-агентом предсказуемо: SDD, TDD, самопроверка и субагенты
Эта статья подготовлена по третьему вебинару разработчиком агента Михаилом Костицыным о работе с ИИ-инструментами. Первые два вебинара были посвящены уровню компании и уровню проекта. Теперь разберем уровень пользователя: как построить личный процесс, в котором постановка задачи, реализация и проверка связаны в воспроизводимый процесс.По общим тезисам каждый может проверить выводы у себя.Записи вебинаров на RuTube / YouTube: Вебинар 1 — AI-инструменты для разработчиков 2026 Вебинар 2 —
Корейцу грозит уголовное наказание за использование умных очков на экзамене для получения лицензии пожарного
Мужчине в Южной Корее предъявили уголовное обвинение из-за того, что он использовал умные очки, чтобы списывать на государственном экзамене для получения лицензии пожарного, пишет местная газета JoongAng Daily. Злоумышленника разоблачили, когда один из экзаменаторов заметил отражение света на линзах.
QuantCode-Bench: умеют ли LLM генерировать исполняемые алгоритмические торговые стратегии
Большие языковые модели уже показывают высокие результаты в задачах программирования общего назначения. Они умеют генерировать код, исправлять ошибки, работать с существующими репозиториями и решать задачи, для которых ещё несколько лет назад требовалось непосредственное участие разработчика.Однако в прикладных областях одной синтаксической корректности недостаточно. Модель должна не только написать валидный код, но и правильно интерпретировать предметную постановку, использовать специализированный API и обеспечить требуемое поведение программы при исполнении.
