В прошлых статьях я раскладывал различные знания и сущности по листам и показывал, как сравнить две редакции регламента с помощью карты. Теперь расскажу, что происходит, когда карту дорабатывает LLM. В предыдущих версиях PlyLoom я как-то упустил момент с тем как реализовать взаимодействие без перезагрузки новой версии всего проекта целиком, равно как и отсутствие возможности сравнить различия 2-х файлов.
Помните раньше была такая штука как собеседование по теории? Когда просто задают вопросы а-ля “как работает хеш таблица” или “а что там происходит при коллизиях”? Так вот, оказывается, такое и сейчас есть.
В первой части мы рассмотрели теорию, лежащую в основе концепции луковой архитектуры. Теперь предлагаю рассмотреть практическое применение. Будет МНОГО кода.
Сооснователь GPTunneL Илья Трикоз навайбкодил аналог Discord за 24 часа. Сам не написал ни строчки кода. Просто отправил ИИ-агентам промт и пошел спать. За ночь 12 агентов собрали сервер, инфраструктуру и само приложение. К вечеру уже работали чаты, звонки, видеосвязь, демонстрация экрана, десктопная и веб-версия приложения. На ИИ-токены ушло около $12 тысяч (миллион рублей). В GPTunneL считают, что сделать продукт вручную было бы в 20-50 раз дороже.
Пять человек, шесть спринтов и AI-ассистент для продавцов маркетплейса. В бэклоге — архитектура, тестовый стенд, интеграция в чат, автономные ответы и оплата. Всё хочется получить за квартал.
Разбирая этот учебный кейс, я подготовил доску: выбрал первый пользовательский сценарий, разложил запуск на альфу и бету, посчитал доступную мощность команды, распределил ответственность и предложил метрики. Затем решил усилить тестирование, заменив одного backend-разработчика на QA-инженера.
Всех приветствую. Это моя первая статья на всеми нами любимом Хабре, поэтому буду благодарен вам, если вы поддержите меня. Эту статью я решил написать потому, что сам в какой‑то момент своего становления как ИИ‑инженера задавался вопросами по поводу того, как правильно делать автоматизации, как строить архитектуру для своих проектов и так далее. И вот я решил поделиться с вами теми знаниями и опытом, как сделать ваши автоматизации и внедрение ИИ качественным и надёжным.
Когда люди говорят про адаптацию резюме, совет обычно один: возьмите вакансию, найдите ключевые слова и добавьте их к себе. Я бы делала наоборот, сначала вообще не трогала резюме. Одна вакансия показывает язык одной компании. Если открыть 20–30 вакансий одной роли, уже видно, как рынок в целом называет нужный вам опыт.
Привет! Меня зовут Диана Анфёрова, я лид аналитиков и системный аналитик в Контур.Толке.
На рынке есть мнение, что системному аналитику приносят готовую задачу, а его роль — перевести её на язык разработки и передать команде. Если смотреть на работу аналитика так, то и на ревью оценивать его логично по постановке функциональности — подробная, непротиворечивая, у разработчиков нет вопросов, значит, всё хорошо.
Мне такой подход кажется неполным. Можно подготовить безупречную постановку на решение, которое никому не нужно: команда потратит месяцы, а пользовательские и бизнес-метрики не сдвинутся.
Многие полагают, что с внедрением ИИ агентов, бизнес получает в свое распоряжение «волшубную палочку», способную дешево выполнять любые поставленные задачи «под ключ». К сожалению, наша реальность все еще далека от этой прекрасной мечты. Архитектура, отладка, интеграция, безопасность, эксплуатация, понимание предметной области и способность определить, что вообще надо сделать, никуда не делись.