Архив Отзывчивых Знаний

Иногда простые вещи попадают прямо в сердце.

Вместе с Gemini Storybook от Google за минуту собрал красивую мини-книжку — с картинками и озвучкой. По сути это «сказки на заказ»: задаёшь тему — получаешь 10-страничную историю, которую можно читать и слушать вместе с ребёнком. Хочу поэкспериментировать: как такой формат помогает детям, когда они сталкиваются с непониманием тех или иных тем в школе.

Как думаете, о чем говорится в книжке с видео, что такое - "Архив Отзывчивых Знаний"?

Безопасность с LLM

Собрали базовую подборку фреймворков и моделей угроз по AI Security:

• CIA Triad — классика ИБ (Конфиденциальность, Целостность, Доступность). Ссылка
• GenAI OWASP Top 10 — главные 10 рисков для LLM-приложений и способы их снижения. Ссылка
• AI Security Solution Landscape — карта традиционных и новых средств защиты от GenAI-рисков. Ссылка
• Модели угроз от Сбера — российский взгляд на кибербез AI, включая схемы объектов защиты. Ссылка 1 и Ссылка 2

Конструктор промптов от Anthropic

В console.anthropic.com появился удобный инструмент: описываете задачу — получаете готовый шаблон промпта с переменными, тестами и кнопкой «Get code» (Python/TS). Можно улучшать существующие промпты, делиться с командой и сразу проверять в Workbench.

AI-грамотность

Выступал на внутренней конференции и рассказал, что в AI появилось нового: философия, инструменты, риски.

Если коротко: нынешние интерфейсы ChatGPT и его «родственников» похожи на старый добрый поиск, но под капотом — совсем другой подход. В «цифровой грамотности» мы учились писать короткий запрос и сверять источники; в «AI-грамотности» — формулируем промпт и критично проверяем сгенерированный «здесь и сейчас» материал. Это меняет повседневную работу и нашу ответственность за результат.

О чём говорил:

• Три базовых навыка: промпт-инженерия (как задать роль и формат), контекст-инженерия (как собрать/сжать/защитить данные) и «AI-грамотность 4D» от Anthropic: делегирование, описание, разборчивость, тщательность.
• «Ассистенты» уже закрывают рутину: поиск с цитатами (Perplexity), анализ собственных материалов (NotebookLM), глубокие веб-исследования (platform.parallel.ai). Это не демонстрация — этим удобно пользоваться уже сегодня.
• Безопасность — не «где-то в платформе», а в наших руках: LLM-инъекции, утечки из облачных документов, скрытые инструкции. Держим в голове базовую триаду: конфиденциальность, целостность, доступность.
• Агентные паттерны: для исследовательских задач — ReAct («думай → действуй → наблюдай»); для контролируемых процессов — Plan-then-Execute и граф-подход: больше предсказуемости и проще трассировать ошибки.

Мои рекомендации: познакомьтесь со зрелыми AI-сервисами — они дают новый опыт и экономят время.

Материалы по теме:
Perplexity — поиск с цитатами
Google NotebookLM — анализ ваших материалов
Parallel Deep Research — автономные исследования
Anthropic Prompt Builder
OpenWebUI — локальные ассистенты
LangGraph — граф-агенты

Запись доклада и презентацию прикреплю в первом сообщении.

После освоения AI-инструментов

Послушал лекцию Александра Крайнова (директор по развитию ИИ в «Яндексе») для студентов Иннополиса — зацепила простая мысль: выбор конкретной LLM уходит в прошлое. Как когда-то мы перестали переживать, каким компилятором собирать код, так и здесь — решать будет сервис.

В нашем business-аккаунте Cursor режим Auto уже стал дефолтом. Команда почти не переключается на конкретные модели — ручной выбор остаётся у энтузиастов (см. скрин).

И это не случайность. OpenAI все понимает и то же движется в эту сторону: летом компания уже пробовала с релизом GPT-5 «спрятать» ручной выбор и оставить автоподбор. Комьюнити отстояло переключатель — но, уверен, это временно.

Что меняется на практике? Смещается точка ответственности. Важно уметь чётко описать задачу (промпт), дать релевантный контекст и проверить качество ответа. Экспертиза — в дизайне запроса и оценке результата, а не в переборе моделей. Похоже, индустрия в целом идёт к меньшему ручному выбору — курс на «задача → результат» без микроменеджмента моделей.

Материалы по теме:
Пост-GPT. Что глобально ждёт индустрию после бума генеративных ИИ — лекция Александра Крайнова

Паттерны GenAI для онбординга

Перечитал статью Мартина Фаулера про паттерны в GenAI. Он называет их «новыми», но по сути сообщество обсуждает эти подходы уже больше года — ценность здесь в аккуратной систематизации. Как когда-то «Банда четырёх» разложила ООП по полочкам, так теперь Фаулер с коллегами собирает практики GenAI.

От себя добавлю: Фаулер — автор многих книг, и его работы сильно повлияли на культуру разработки. Поэтому рекомендую этот материал всем, кто только заходит в тему ИИ-продуктов.

Материалы по теме:
Паттерны для GenAI-продуктов у Мартина Фаулера

Осознанный Vibe Code

Случилось любопытное: я смог найти время на целую неделю, стряхнуть пыль с IDE и реализовать небольшой сервис, чтобы проверить свою идею. В голове всё выглядит идеально, а в жизни, как обычно, не так радужно.

Делюсь своим процессом и выводами, вот мой пайплайн работы с LLM

1. Идея и прототип. Начал с проработки образа результата с помощью DeepResearch в ChatGPT. Затем переключился на Gemini 2.5 Pro — он здорово создает в canvas живые HTML-шаблоны приложений с анимацией и работающими кнопками.

2. Архитектура и стек. Когда идея была отработана, перешел к архитектуре. LLM готова работать с любым стеком, но личный опыт помог выбрать то, с чем проще и быстрее: Strapi + PostgreSQL для бэкенда и React + Next.js для фронта.

3. Декомпозиция задач. Ключевой этап — максимальная декомпозиция. Просил LLM разбивать задачи до уровня «1 задача — 1 функция», что вылилось примерно в 200 тасков в TASKS.md. Так гораздо проще контролировать и проверять код. Если ваш проект уже зрелый, рекомендую более строгий подход отлично написаный в канале The AI Architect

4. Разработка и контекст. Чтобы сайт развивался в едином стиле, я сгенерировал system design. Для каждого запроса к агенту я передавал краткую информацию об архитектуре, стеке, дизайне и общих правилах программирования.

🤦‍♂️ Забыл зафиксировать версии библиотек в подсказках агенту, из-за чего он пару раз путался на ровном месте.

Проблема №1 vibe code

Лимиты начали гореть синим пламенем. В Cursor 80% токенов «сгорели» за 4 дня. Пришлось искать альтернативы.

* Codex сильно понравился. С ним приятно работать, он неплохо интегрировался в Cursor и хорошо закрывал задачи.
* gemeni-cli: Здесь два момента. Сама модель 2.5 показалась менее надежной, жду релиза 3-й версии. А вот консольное приложение откровенно расстроило: виснет, глючит, а лимиты сжигаются за 20 минут без возможности их отслеживать. Google, тут есть вопросики.

Что дальше и что не успел

Я не первый, кто сталкивается с дефицитом токенов. Глеб Кудрявцев работает над интересным решением Shotgun Code, которое, по заявлению автора, позволяет выстроить экономную работу с агентами. Подробнее можно посмотреть на GitHub.

На следующей неделе попробую провести эксперименты с Codex, подключенным к локальной модели. Расскажу, что из этого выйдет.

Куда пойти и что почитать

🗣 Обсудить это и многое другое вживую можно будет на нашем митапе red_mad_robot. Приходите, будет интересно! Регистрация здесь
🎓 Что думает про «vibe code» в сообществе и познакомиться с передовыми практиками можно на конференции AIDev. Очень рекомендую. Узнать больше и зарегистрироваться
📝 Почитать, как другие кодят с агентами, советую в блоге ElKornacio. Много практического опыта. Перейти в канал

Готовы к приходу нового поколения разработчиков 😐

Ограничения AI-IDE

Сегодня в разговоре с клиентом услышал сомнение росте производительности разработчиков в x2 и больше от внедрения AI-IDE в процесс разработки, и попытался выделить основные тезисы, которые влияют на эту самую производительность:

1. AI-IDE требует применения новых практик. Сейчас только энтузиасты действительно погружаются в то, как эффективно использовать AI-инструменты. Большинство разработчиков остаются в привычной парадигме, не меняют свой майндсет и не осваивают новые приёмы — например, работу с промптами, проверку гипотез через AI-агентов, или настройку контекста для конкретных задач. Освоение AI-IDE требует не просто изучить интерфейс, а переосмыслить сам процесс программирования: писать не только код, но и «инструкции для модели», сочетать собственное мышление с машинным. Без этого эффект от внедрения ИИ часто остаётся точечным и не приводит к росту эффективности.

Это вызов и для компаний, и для руководителей, и для самих разработчиков — хорошие практики только формируются, а умные книги по этой теме ещё пишутся.

2. Когнитивное ограничение на проверку результатов. Даже при качественных подсказках работу AI-агентов приходится контролировать. Генерируемый код нередко требует ревью и исправлений — от оптимизации решений до устранения ошибок или небезопасных конструкций. Это добавляет дополнительный слой умственной нагрузки: вместо «писать» разработчик начинает «проверять». В результате полностью делегировать задачи не выходит, а параллельная работа нескольких агентов ограничена — эффективно удаётся контролировать не более 1–3 одновременно.

Если вы справляетесь с большим количеством — поделитесь опытом в комментариях 🙂

3. Стоимость токенов и лимиты использования. При активной работе с кодом объём запросов быстро растёт, и вместе с ним — расходы. Это заставляет разработчиков балансировать между глубиной взаимодействия с моделью и экономией ресурсов, ограничивая частоту и сложность запросов.

А вы знали, что стоимость пользователя в Cursor для корпоративных клиентов в два раза выше, чем для частного использования?

4. Ограниченное понимание контекста проекта. Модели работают в рамках контекстного окна и не видят всю кодовую базу целиком. В больших системах AI-ассистент теряет связность: предложения становятся неточными, появляются ошибки в логике и архитектуре. Разработчики вынуждены дробить задачи, вручную подсказывать контекст или обучать модель на фрагментах проекта — что частично нивелирует обещанную “автоматизацию”.

Похоже, скоро у каждого проекта появится своя документация — не для людей, а для AI-агентов.

5. Конфиденциальность и корпоративные ограничения. Внедрения AI-IDE часто возможно только на условии отправки кода на внешние серверы, что неприемлемо для многих компаний. Локальные режимы и приватные модели снижают риски, но пока уступают по качеству и удобству. Это делает массовое внедрение ИИ-редакторов в корпоративной среде более медленным и осторожным.

Я действительно встречаюсь с такими переживаниями: разработчики всерьёз обсуждают маскирование имён функций перед отправкой кода в облако. Но важно помнить — стоимость кода и его ценность падает. Следует следить не столько за самим кодом, сколько за ценностью продукта, ради которого он написан.

Есть что дополнить? Пишите 👇

В начале года я участвовал в валидации первых версий агентов, о которых идёт речь в статье. Проверял их работу на Go-проекте — и был немало удивлён, когда оказалось, что LLM «ленятся» разбирать if с более чем двумя условиями. С тех пор команда несколько раз перестраивала архитектуру и довела решение до боевого использования. Работы впереди ещё много — нюансов в каждом языке программирования хватает, — но уже сейчас результат впечатляет.

Записали со мной выпуск «Разбор полётов» про AI. Как когда-то мы учились гуглить, так и сейчас учимся нормально жить с моделями и агентами — без магии и с калькулятором в руках.

Рассказывал, что внедрение AI по сложности уже сравнимо с обычной диджитал-автоматизацией: нужны данные, люди, новые подходы. Prompt-engineering — это не «магия для избранных», а базовый навык, как когда-то умение гуглить. Что вокруг RAG уже выросли альтернативы вроде deep research, а кодовые агенты всё меньше опираются на «голый» векторный поиск и всё больше — на осмысленный контекст.

Мы много говорили про зрелость. Скептичные разработчики, которые только сейчас «просыпаются». Продукты, которые уже сами собирают агентов, чтобы быстро проверить гипотезу на тестовой среде. И про то, что серьёзные AI-системы без наблюдаемости, логов и постоянной проверки качества просто нельзя считать взрослыми — это новый слой поверх привычного SDLC.

Новый выпуск https://razborpoletov.com/2025/11/episode-298.html

Проводил скоринг python разработчика на один из наших проектов, и задал обычный для себя вопрос «какую книгу посоветуешь для зрелого разработчика?»

Такой вопрос позволяет оценить насмотрелось и увлеченность кандидатов своему делу, но ответ поставил меня в тупик: «Книгу? Сейчас никто не читает книги. Они быстро теряют актуальность.»

Рука автоматически потянулась к подбородку, ожидая почувствовать густую бороду, а в голове стал вспоминать, сколько мне лет…

Что скажете, ИИ убьет книги или нет? Ведь он может объяснить все, что только мы пожелаем, пусть и с некоторыми искажениями. Появление интернета пошатнула позицию книг, но они не исчезли и продолжают нас радовать)))

А по поводу книг, по python есть одна замечательная книга: “Python. К вершине мастерства» она показывает, насколько этот ЯП сложен и многогранен. Рекомендую тем, кто серьезно с ним работает, что бы как можно меньше эту сложность применять на проекте) А нужна ли она в мире vibe кодинга, решайте сами.

Сильная и творческая работа, но самое любопытное:

Суммарно 1,5 месяца заняла работа.

AI не волшебная палочка, технология сильно помогает, но не дает кнопку "сделать хорошо", благо рынок взрослеет, если в начале года все хотели волшебство, сейчас приходят с более твердым пониманием результатов и сроков.

Нейропрожарка

Этот ролик мне не стыдно поставить после предыдущего поста. Редко пишу свои оценки, чтобы не создавать bias, но мне настолько понравилось, что я не удержался. Очень круто.

«Internal War» - это признание в том, как трудно остаться цельным, когда внутри тебя живут конфликтующие ребёнок и взрослый. Один хочет управлять, другой — выжить. Их война делает человека потерянным. Но, может быть, примирение возможно - если они снова начнут чувствовать любовь?

Автор - Лев

💡 Видео создавалось, как творческий проект на свободную тему в рамках обучения в школе AI-LAB. Автор видео взял за основу идеи свой недавний приём у психотерапевта.

🛠 Инструменты:

- Миджорни с кастомными мудбордами для создарния уникального стиля. PRO план на 1 месяц - 60$. Генерации видео в Миджорни не понравились, так что использовали его только для статичных сцен.
60 часов сгорело из-за фаст-мода.

- MixBoard для генерации ракурсов без потери стилистики. Free.
- Фотошоп для ретуши сцен.
- Kling для анимации сцен. Было потрачено 4000 кредитов. Преимущество клинга в отличии от миджорни в более качественной анимации 2д стиля. Где-то даже встречались элементы стоп-моушена. Понимание физики тяжелых объектов и поведения «игрушек-монстров)
- Озвучка (человек) - 800 рублей.
- Липсинг делался костыльно. (Анимировалась сцена с промтом "разговаривает сам с собой" и выбиралась наиболее подходящая)
- Сборка и пост. Проводились в AE

⌛️Сроки:

- Поиск идеи, подготовка концептов и кастомного мудборда (неделя)
- Создание всех статичных сцен 2 недели (вместе с отбором, ретушью и фильтрацией)
- Анимация всех статичных сцен 2 недели. (вместе с отбором, ретушью и фильтрацией)
- Финальная сборка - монтаж, звук, пост (неделя)

*некоторые процессы проводились параллельно. Суммарно 1,5 месяца заняла работа.

@cgevent