Аналитика Telegram-канала
Подписчики
499
Охват за 24 ч
72
ER за 24 ч
14,43%
Публикаций
67
Динамика подписчиков
7 дней
30 дней
6 месяцев
Больше
14 ноя17 ноя20 ноя
Показаны последние 7 дней
Больше истории →
Охваты публикаций
23.1030.1013.11
41
Средний охват
58
Лучший результат
Показаны 3 публикации — последние в канале
Больше статистики →
Упоминания
10
Упоминаний
4
Из них репостов
7
Каналов
0
Упоминаний за 90 дней
0
Из них репостов
0
Каналов за 90 дней
Последние посты
3 из 67 2 из 67Предел возможностей агентных систем
Прошлая неделя выдалась достаточно насыщенной, поэтому совсем не было времени написать вторую часть предыдущего поста. Зато я существенно продвинулся в разработке кастомизации OpenSpec.
Обязательно расскажу об этом, как только будет осязаемый результат — почти три месяца работы понемногу приближаются к завершению. А пока продолжим говорить о реальных возможностях AI в разработке.
В прошлый раз я рассказал о двух крайних взглядах на AI и последствиях, к которым они приводят: продуктах сомнительного качества и падении уровня доходов людей и целых компаний.
Вывод напрашивается сам собой: Нужно уметь выжимать из агентов и моделей максимум при минимальном количестве проблем и затрат одновременно. Давайте разбираться.
Как и любой другой инструмент, AI имеет определенную границу возможностей. За ней — проблемы кратно превышают профит либо же результат становится чрезмерно дорогим. Задача любого инженера — пройти по этой грани. А для этого сначала нужно найти ее.
Приведу пример. Представьте себя за рулем автомобиля на подмерзшей дороге. У вас шипованная резина и всевозможные системы курсовой устойчивости. Насколько быстро можно ехать?
Это определяется опытным путем. Едем — резко останавливаемся — смотрим тормозной путь — делаем выводы. Если остановились быстро, можно попробовать на скорости выше. Если нет — снижаемся.
В итоге находим точку, в которой машина едет достаточно быстро, но мы все ещё хорошо контролируем ситуацию на дороге.
В разработке с использованием AI все то же самое. Нужно найти точку, в которой модель:
• Выдает качественные по смыслу результаты.
• Выполняет задачу сравнительно быстро.
• Может переварить необходимый контекст.
• Расходует приемлемые деньги при выполнении.
Самое важное — выбрать задачу, в которой вы обладаете экспертными знаниями.
Начать решать ее с помощью модели. В процессе работы оценивать качество. Смотреть, как быстро агент работает в зависимости от размера контекста.
Это цикличный процесс — ставится задача и анализируется результат. Если модель справляется, нужно добавить сложности. Если нет — скорректировать постановку или упростить задачу. А можно наоборот — поменять модель без изменения постановки.
В итоге эксперимента важно ответить на два вопроса:
• Какие задачи можно поручить AI, чтобы реально ускориться?
• Какие модели лучше использовать для разных типов задач?
Критериев правильности ответов тоже два:
• Результат агента практически не нужно править.
• Результат агента оптимален по соотношению время/деньги.
Я экспериментировал на крупных задачах разных типов.
Первый — проектирование solution-архитектуры системы с нуля.
Эта задача уже завершена. О том, как это было, и к каким выводам я пришел, можно почитать в моем посте "Ищу двух разработчиков и проектирую с AI".
Второй — создание фреймворка для работы по SDD поверх OpenSpec.
Эта работа ещё продолжается. Она оказалась сложнее, чем я думал изначально. Но итоговый результат, который уже вырисовывается, мне определенно нравится.
Подробно об этой работе я рассказывал в постах "Почему дефолтный флоу OpenSpec не работает", "Как меня разочаровал Opus 5" и "Триумф локальных моделей".
Подобные эксперименты занимают достаточно много времени. Да и оплата флагманских моделей по API требует значительных затрат.
Считаю, что, в первую очередь, всё это — инвестиции в собственное развитие.
Поиск предела современных агентных решений и удержание руки на пульсе инноваций, действительно, требуют вложения ресурсов.
Без этого уже достаточно скоро каждому из нас будет сложно выдерживать конкуренцию и расти в доходе.
Поделитесь в комментариях, что вам помогает быть в теме новейших возможностей AI и использовать их по максимуму?
Обо мне | Telegram | MAX
ещё
58
0
13 ноя, 16:02
Говорить об ограничениях AI не модно
Уже почти год большую часть времени я погружён в тему AI. Проектирую мультиагентные системы. Внедряю ИИ в процесс разработки. Общаюсь с коллегами. И всюду вижу одну и ту же тенденцию.
Стало не принято конструктивно говорить о границах применимости искусственного интеллекта как в IT, так и за его пределами.
Преобладает крайняя точка зрения:
Разработчики уже не нужны или скоро будут не нужны. Всех заменит искусственный интеллект.
Сильные модели могут решать любые задачи. Главное — сформулировать, и тогда получаешь на выходе готовое решение.
Люди с минимальными знаниями с помощью AI могут выполнять сложные задачи так же хорошо, как и люди с опытом.
Противники AI тоже есть:
ИИ не способен качественно решать реальные задачи. Всё это не более чем баловство.
Сбалансированный взгляд встречается реже. Всё это напоминает мне эффект Даннинга-Крюгера с картинки. А обе крайности несут существенные риски.
Откуда возникает эйфория.
Основные причины две. Широкие возможности AI и низкий порог входа. Приведу пример.
Человек без опыта начинает работу. Фронтендер проектирует solution-архитектуру, а бэкендер создаёт клиентский интерфейс.
Достаточно запустить агента, поставить задачу, и через какое-то время получаешь готовый результат.
На первый взгляд — всё классно. Теперь можно без обучения делать то, для чего раньше нужно было что-то дополнительно изучать. Отсюда — эйфория.
Человек высоко оценивает результат работы агента, но не учитывает качество выполнения. Для этого нужны экспертные знания, которые у него в этой области отсутствуют.
В итоге — замкнутый круг. Каждая следующая закрытая с AI задача без корректной оценки результата лишь усиливает привычку доверять AI без достаточных оснований.
Хорошо, если подобный подход ограничивается личными задачами или pet-проектами. Гораздо хуже, когда он применяется на реальных продуктах, потому что повышает риски проблем на ПРОД у клиентов.
В то же время отрицание возможностей современных агентных систем и моделей также постепенно заводит ситуацию в тупик.
Если одна компания ведёт агентную разработку, а вторая не внедрила AI в свои процессы, то скорость выпуска фичей при одинаково правильно настроенных процессах будет несопоставима. Что обязательно отразится и на доходах компаний.
То же самое — с инженерами. Два специалиста со схожим опытом будут сильно различаться по перформансу, если один будет использовать AI в работе, а второй нет. При прочих равных зарплата их также будет различаться пропорционально.
Каждый из этих подходов несёт существенные риски, цена которых в перспективе будет только нарастать. Что напрямую повлияет на уровень дохода и конкурентоспособность каждого в IT. Остаться в стороне, вероятнее всего, не получится.
В следующий раз я поделюсь своим подходом, а сегодня интересно узнать ваше мнение.
Делитесь в комментариях, какой точки зрения вы придерживаетесь в этом вопросе?
Обо мне | Telegram | MAX
ещё
29
1
1 6 30 окт, 16:03
Кто владеет системой, когда код пишет AI
Во вторник на этой неделе я ходил на AI Native Conf 2026. Это ещё одна конференция о внедрении искусственного интеллекта. Летом мне очень понравилось на Agentic Dev Conf 2026, поэтому и эту конференцию я ждал с нетерпением.
Сейчас я активно занимаюсь как внедрением агентов в разработку, так и разработкой агентных систем. Поэтому мне было важно услышать, как по схожим трекам движутся коллеги из ведущих ИТ-компаний в России — Сбера, Авито, Райффайзена и других.
Доклады были поделены на 3 направления — управленческий, инженерный и продуктовый. Но по факту они сильно пересекались. Не все выступления были одинаково интересными. Расскажу о том, что понравилось мне больше всего.
Сергей Паращенко. Product Vision.
Агентная архитектура продуктовой работы.
Реально крутой доклад про ускорение этапа Discovery. До этого я привык думать о применении AI только на этапе Delivery, когда происходит проектирование и разработка функционала по уже проверенным гипотезам.
Спикер же предложил интересную концепцию, в которой вся работа владельца продукта с гипотезами, проведение и анализ интервью, исследования рынка — всё это проходит в рамках агентного конвейера.
Больше всего мне откликнулось в докладе, что любой процесс при хорошей декомпозиции на этапы и артефакты можно агентизировать и тем самым повысить его эффективность. Полностью согласен с этим.
Андрей Усенко. Райффайзен.
Опыт AI-native трансформации бизнес-юнита.
Достаточно интересный доклад. Коллегам удалось построить собственный агентный пайплан в рамках одного бизнес-юнита, что сократило время разработки задач до 1 дня.
Владелец продукта ставит задачу. Агент на конвейере выполняет разработку. Человек проверяет итоговый результат в виде МР. По метрикам — результат шикарный.
При этом осталось за кадром, как именно решена проблема узкого горлышка на ревью. Без этого до конца неясно, за счет чего разработка может без потери качества валидировать такой объём изменений.
Олег Бартунов. Postgres Professional.
Архитектура данных будущего: что такое данные в эпоху ИИ.
Для меня — это самый интересный доклад на конференции. Выступление затянулся по времени на целых 30 минут, но практически никто не вышел из зала раньше его окончания.
Спикер — один из основных контрибьюторов Postgres. Я первый раз смотрел его доклад вживую. Чувствовался колоссальный опыт выступлений и глубокое понимание специфики разработки.
Доклад был в большей степени визионерским. Про сами данные было не так много, из основного — Postgres хорош для OLTP, но пока ещё не готов к работе с тасками агентов, которые они плодят в ходе каждого запроса извне.
Но главная мысль доклада была в другом.
Спикер поставил вопрос владения системой при использовании AI. Он справедливо отметил, что в новых процессах разработки эта ответственность должна быть строго определена. И честно сказал, что именно этого ему не хватило в остальных докладах.
Он рассказал о своём опыте использования агентов для работы над новыми фичами Postgres и обозначил владение как глубокое понимание устройства системы, а также возможность продолжить разработку самостоятельно без агентов.
Я полностью с этим согласен.
Крайне важно соблюдать баланс. С одной стороны — получать максимальный профит от использования AI-инструментов. С другой — сохранять авторство и владение системой за человеком. Минимизировать потенциальные риски.
Кстати, в конце мероприятия была анонсирована следующая конференция — Agentic Dev Conf 2027, которая пройдёт в феврале. Круто, что ребята из Онтико уделяют этой теме такое внимание.
ИИ настолько быстро меняет нашу с вами профессию, что крайне важно периодически обмениваться опытом с коллегами из сообщества, чтобы не выпадать из контекста.
Поделитесь, что помогает вам быть в курсе последних трендов в агентной разработке?
Обо мне | Telegram | MAX
ещё
35
0
2 6 23 окт, 18:35
Продолжить анализ этого канала
- История роста подписчиков
- Просмотры и охваты публикаций
- Кто упоминает канал и кого упоминает он
- Похожие каналы и подбор для рекламы
Открыть аналитику
Демо до 14 дней