Книжный куб
前往频道在 Telegram
Канал Александра Поломодова (@apolomodov), cto & technical fellow. https://polomodov.tech - сайт со всеми материалами youtube.com/@tellmeabouttech - канал со всеми видео
显示更多📈 Telegram 频道 Книжный куб 的分析概览
频道 Книжный куб (@book_cube) 俄语 语言赛道中的 是活跃参与者。目前社区聚集了 16 027 名订阅者，在 书籍 类别中位列第 2 360，并在 俄罗斯 地区排名第 40 888 位。
📊 受众指标与增长动态
自 невідомо 创建以来，项目保持高速增长，吸引了 16 027 名订阅者。
根据 29 十月, 2026 的最新数据，频道保持稳定运转。过去 30 天订阅人数变化为 274，过去 24 小时变化为 214，整体触达仍然可观。
- 认证状态： 未认证
- 互动率 (ER)： 平均受众互动率为 13.61%。内容发布后 24 小时内通常能获得 9.38% 的反应，占订阅者总量。
- 帖子覆盖： 每篇帖子平均可获得 2 180 次浏览，首日通常累积 1 503 次浏览。
- 互动与反馈： 受众积极参与，单帖平均反应数为 13。
- 主题关注点： 内容集中在 engineering, native, devex, devops, leadership 等核心主题上。
📝 描述与内容策略
作者将该频道定位为表达主观观点的平台：
“Канал Александра Поломодова (@apolomodov), cto & technical fellow.
https://polomodov.tech - сайт со всеми материалами
youtube.com/@tellmeabouttech - канал со всеми видео”
凭借高频更新（最新数据采集于 30 十月, 2026），频道始终保持新鲜度与高覆盖。分析显示受众积极互动，使其成为 书籍 类别中的关键影响点。
16 027
订阅者
+21424 小时
+2337 天
+27430 天
正在加载数据
相似频道
标签云
进出提及
---
---
---
---
---
---
吸引订阅者
十月 '2610月 '26
十月 '26
+485
在4个频道中
九月 '26
+338
在6个频道中
Get PRO
八月 '26
+1 165
在6个频道中
Get PRO
七月 '26
+355
在10个频道中
Get PRO
六月 '26
+349
在5个频道中
Get PRO
五月 '26
+212
在4个频道中
Get PRO
四月 '26
+2 210
在8个频道中
Get PRO
三月 '26
+542
在8个频道中
Get PRO
二月 '26
+676
在6个频道中
Get PRO
一月 '26
+284
在7个频道中
Get PRO
十二月 '25
+198
在5个频道中
Get PRO
十一月 '25
+252
在4个频道中
Get PRO
十月 '25
+249
在6个频道中
Get PRO
九月 '25
+201
在8个频道中
Get PRO
八月 '25
+408
在4个频道中
Get PRO
七月 '25
+355
在8个频道中
Get PRO
六月 '25
+314
在6个频道中
Get PRO
五月 '25
+216
在3个频道中
Get PRO
四月 '25
+199
在7个频道中
Get PRO
三月 '25
+419
在5个频道中
Get PRO
二月 '25
+272
在2个频道中
Get PRO
一月 '25
+281
在3个频道中
Get PRO
十二月 '24
+368
在6个频道中
Get PRO
十一月 '24
+515
在6个频道中
Get PRO
十月 '24
+607
在4个频道中
Get PRO
九月 '24
+569
在0个频道中
Get PRO
八月 '24
+359
在2个频道中
Get PRO
七月 '24
+320
在1个频道中
Get PRO
六月 '24
+429
在6个频道中
Get PRO
五月 '24
+383
在0个频道中
Get PRO
四月 '24
+449
在1个频道中
Get PRO
三月 '24
+360
在2个频道中
Get PRO
二月 '24
+353
在1个频道中
Get PRO
一月 '24
+533
在5个频道中
Get PRO
十二月 '23
+561
在3个频道中
Get PRO
十一月 '23
+442
在3个频道中
Get PRO
十月 '23
+406
在3个频道中
Get PRO
九月 '23
+566
在0个频道中
Get PRO
八月 '23
+446
在0个频道中
Get PRO
七月 '23
+333
在0个频道中
Get PRO
六月 '23
+234
在0个频道中
Get PRO
五月 '23
+228
在0个频道中
Get PRO
四月 '23
+214
在0个频道中
Get PRO
三月 '23
+224
在0个频道中
Get PRO
二月 '23
+173
在0个频道中
Get PRO
一月 '23
+227
在0个频道中
Get PRO
十二月 '22
+142
在0个频道中
Get PRO
十一月 '22
+242
在0个频道中
Get PRO
十月 '22
+181
在0个频道中
Get PRO
九月 '22
+126
在0个频道中
Get PRO
八月 '22
+62
在0个频道中
Get PRO
七月 '22
+82
在0个频道中
Get PRO
六月 '22
+176
在0个频道中
Get PRO
五月 '22
+64
在0个频道中
Get PRO
四月 '22
+36
在0个频道中
Get PRO
三月 '22
+275
在0个频道中
| 日期 | 订阅者增长 | 提及 | 频道 | |
| 30 十月 | +77 | |||
| 29 十月 | +214 | |||
| 28 十月 | +3 | |||
| 27 十月 | +8 | |||
| 26 十月 | +9 | |||
| 25 十月 | +7 | |||
| 24 十月 | +11 | |||
| 23 十月 | +5 | |||
| 22 十月 | +6 | |||
| 21 十月 | +10 | |||
| 20 十月 | +2 | |||
| 19 十月 | +7 | |||
| 18 十月 | +11 | |||
| 17 十月 | +9 | |||
| 16 十月 | +7 | |||
| 15 十月 | +7 | |||
| 14 十月 | +3 | |||
| 13 十月 | +13 | |||
| 12 十月 | +8 | |||
| 11 十月 | +7 | |||
| 10 十月 | +7 | |||
| 09 十月 | +9 | |||
| 08 十月 | +7 | |||
| 07 十月 | +6 | |||
| 06 十月 | +9 | |||
| 05 十月 | +7 | |||
| 04 十月 | +4 | |||
| 03 十月 | +6 | |||
| 02 十月 | +2 | |||
| 01 十月 | +4 |
频道帖子
| 2 | Расскажу про то, а как понять ускорил ли AI вам разработку на AI Dev Live 2026 (Рубрика #AI4SDLC)
Исследования влияния AI на разработку дают разные результаты: от роста числа выполненных задач до увеличения времени работы опытных инженеров. Почему эти выводы могут одновременно быть верными — и что из них применимо к вашей команде?
На материалах Microsoft Research, METR и Google разберём, как условия исследования, выбор задач и способ измерения влияют на результат. Представлю подход к оценке эффекта AI в трёх слоях: кто и как использует инструменты; что меняется в потоке разработки и времени на задачи инженеров; какой выигрыш получается с учётом затрат на модели, инфраструктуру, платформенную команду и проверку результата (примерно к этому подходу я стремился в большом финтехе, где отвечал за внедрение AI4SDLC)
Обсудим, как сопоставлять телеметрию с опытом разработчиков, учитывать переделки и параллельную работу агентов, а также отличать наблюдаемое улучшение от доказанного эффекта внедрения. В результате у слушателей будет основа для оценки AI-практик в своей команде и принятия решений об их развитии.
Где: Онлайн-конференция AI Dev Live 2026
Когда: 11–12 ноября 2026 (ср-чт), с 14:00 до ~20:30 Мск
Формат: онлайн-эфир на русском с докладами, будет возможность задавать вопросы в чате
Как попасть: бесплатно, подписавшись на каналы спикеров через бота, либо платно
🔗Регистрация и подробности
#AI #Engineering #DevEx #DeveloperProductivity #Management #Leadership #Metrics #AI4SDLC | 1 154 |
| 3 | Материалы Code of Leadership #86: AI-агенты и эффективность разработки (Рубрика #AI4SDLC)
Готовы запись и конспект 86-го выпуска Code of Leadership от 22 октября 2026 года — «Агенты пишут код. Как понять, что разработка стала эффективнее?». Поговорили с Владимиром Долговым, создателем DevOptify, который ранее руководил AI-трансформацией разработки в Сбере.
Кода стало больше, PR закрываются чаще, токены расходуются — а что из этого получает бизнес? На этом вопросе и построили разговор.
Обсудили:
🔸 Что считать результатом
Владимир рассказал, как в Сбере переходили от доли AI-кода к числу PR, а затем к выполненным задачам. Но и задачи можно просто нарезать помельче. Поэтому рядом нужны размер работы, ошибки и возвраты на доработку.
🔸 Как хороший график вводит в заблуждение
Я привёл пример команды, которая сначала строила платформу, а потом делала на ней однотипные продуктовые изменения. Число закрытых задач выросло, но состав работы тоже изменился — это важно учитывать до объявления победы.
🔸 Почему с агентами приходится заново учиться планировать
В команде Владимира сначала закладывали на задачи слишком много времени, затем качнулись в другую сторону и начали недооценивать сроки. На демо DevOptify посмотрели, как это видно в данных, вместе с параллельными задачами и переработками.
🔸 Где остаётся работа человека
Агенту нужны контекст, инструменты и границы полномочий, а объём сгенерированного кода упирается в возможности ревью. Владимир рассказал о выборочной проверке человеком в своей команде; переносить эту практику на любой продукт без оговорок нельзя.
🔸 Что объясняют расходы на модели
В одном из примеров большую модель использовали для массовой замены идентификаторов, с которой справилась бы команда IDE. Но высокая стоимость сама по себе ещё не говорит о плохой работе: задачи бывают разными.
🔸 Как сохранить доверие к аналитике
Возвраты задач и ночная работа дают повод для разговора с инженером. Обсудили доступ сотрудника к тем же данным и возможность оспорить выводы руководителя — например, показать внеплановые задачи, из-за которых поехал первоначальный план.
Важная оговорка к демо: на момент разговора результаты крупных пилотов DevOptify ещё ожидались. Владимир описал цикл проверки: собрать исходные данные, изменить работу и посмотреть, что получилось после.
Материалы выпуска:
📌 Страница выпуска с таймкодами
🎬 Видео: YouTube и VK Видео
🎧 Аудио: Podster и Apple Podcasts
📖 Текстовый конспект
А по каким изменениям в своей команде вы понимаете, что агенты действительно помогают? Особенно интересно, если метрики и ощущения расходятся.
#CodeOfLeadership #AI4SDLC #Agents #Management #Metrics #DevTools | 1 389 |
| 4 |  System Design Interview. Архитектурное мышление в Big Tech (Рубрика #SystemDesign)
Я подписал договор с издательством «Питер» на издание своей книги «System Design Interview. Архитектурное мышление в Big Tech». В ней 35 глав о том, как разбирать задачу, задавать вопросы, замечать ограничения и объяснять свои архитектурные решения. Что делать, когда требования неполные, нагрузка растёт, а за надёжность и скорость приходится платить.
В основе — мой семишаговый фреймворк system design interview, который мы внедрили и масштабировали в Т-Банке. Он проводит от условия задачи и уточнения требований до выбора технологий, эксплуатации и развития системы. Рядом — взгляд с другой стороны стола: что оценивает интервьюер, где кандидат теряет нить и как понять, что именно стоит потренировать.
Большая часть практических разборов посвящена AI/ML: как обслуживать модели, строить RAG и корпоративных AI-ассистентов, проектировать агентов для кода, антифрод и рекомендации. С конкретными вопросами: где проверить права доступа, что делать при отказе модели, как оценивать качество и сколько стоит ответ пользователю.
Ещё внутри есть отдельная глава с пробным интервью по RAG-платформе: диалог кандидата и интервьюера, уточнения, ошибки и схема, которая постепенно меняется по ходу разговора. А в конце каждой главы — карта, проверочный список и упражнение, чтобы попробовать рассуждать самому.
Так что книга пригодится и тем, кто готовится к собеседованиям, и тем, кто их проводит, и инженерам, которым нужно обосновывать решения в своей системе. Можно будет пройти весь маршрут или выбрать задачу и проверить на ней свой подход.
У меня будет 100 авторских экземпляров. Правда, готова книга будет уже после моего переезда в Лондон:)
На приложенной картинке карта всех 35 глав: по ней уже можно посмотреть, что будет внутри, и выбрать, с чего хочется начать.
#Books #SystemDesign #Architecture #AI #Engineering | 1 786 |
| 5 | 3 AImigo S1E12: AI-дайджест октября 2026 / IPO Anthropic, новые модели и безопасность агентов (Рубрика #AI4SDLC)
30 октября, в пятницу, в 12:00 по Москве — новый выпуск 3 AImigo. Подводим итоги октября и обсуждаем, какие новости AI меняют работу инженерных команд.
Anthropic подала заявку на IPO: разбираемся в выручке, убытках и обязательствах по вычислениям. Новые модели обещают более дешёвую работу, а расследования действий агентов заставляют внимательнее смотреть на их полномочия.
3 AImigo S1E12: AI-дайджест октября 2026 / IPO Anthropic, новые модели и безопасность агентов
Обсудим:
- IPO Anthropic: что раскрыла заявка и какие вопросы возникают к экономике AI.
- Mythos 5 и другие инциденты: почему объяснить запрет и соблюдать его для агента могут оказаться разными задачами.
- Terra, Sol, Sonnet 5.5 и Gemini 4 Argon: как меняются цены и что считать, кроме стоимости токенов.
- Oracle, OpenAI, Cursor и GitHub: как AI встраивается в рабочие процессы.
- Математика и биология: кто проверит результаты тысяч агентов.
- Muse Spark Open и DeepSeek: что дают открытые веса и альтернативное оборудование.
- и многое еще
Ведущие: Александр Поломодов, Евгений Сергеев и Алексей Литвинов.
Присоединяйтесь к эфиру и приносите вопросы. Какие новости октября уже повлияли на вашу работу, а какие пока остались только громкими анонсами?
#AI #Agents #Product #Security #Engineering #Podcast | 1 805 |
| 6 | Andy Pavlo: что меняют AI-агенты в базах данных (Рубрика #Data)
Что произойдёт, когда агенты начнут круглосуточно создавать базы, читать данные и что-то в них менять? Этому посвящено интервью Энди Павло у Мэтта Тёрка от 8 октября 2026 года. Павло — исследователь баз данных из Carnegie Mellon, а с августа ещё и руководитель ClickHouse Labs.
В разговоре есть несколько интересных тем:
🔸 Нагрузка от агентов
Павло прогнозирует рост числа запросов в 10–100 раз. Насколько изменится их сложность, он пока не знает. Это сценарий будущего, а не уже измеренный рост всего рынка.
🔸 Права и изоляция
Агентам нужны ограниченные полномочия и отдельные ветки БД для экспериментов. По мысли Павло, привычные механизмы защиты данных здесь вполне применимы; вручную подтверждать каждое действие сотни агентов не получится.
🔸 Память агента
За спором «файлы или база» он предлагает видеть гарантии хранения и обновления состояния. В качестве простого решения напоминает про SQLite.
🔸 Text-to-SQL
Павло связывает качество с семантическим слоем и контекстом: агенту нужно знать, как из вопроса получить правильный запрос.
🔸 Автоматическая настройка
По его приблизительной оценке, LLM может пройти 80–85% пути к хорошей настройке некоторых параметров за 15 минут. Сложные случаи остаются за специализированными методами. Методика этой оценки в интервью не раскрыта.
🔸 Сближение OLTP и OLAP
Павло разбирает, зачем аналитическим платформам PostgreSQL и чем отличаются отдельные сервисы с передачей данных от двух движков над одной копией. Общий интерфейс ещё не определяет внутреннюю архитектуру.
Кстати, одну из работ Павло мы уже разбирали в Research Insights Made Simple — статью "What Goes Around Comes Around… And Around…", написанную вместе с Майклом Стоунбрейкером. В августе 2025 года мы с Лёшей Светличным посвятили ей два выпуска: модели данных и языки запросов и архитектура систем. Это хороший обзор примерно двадцати лет развития БД. У авторов там две связанные мысли: SQL и реляционная модель продолжают вбирать идеи конкурентов, а устройство движков серьёзно меняется вслед за железом и нагрузками. Колонки, облака, разделение хранения и вычислений — за привычным SQL может оказаться совсем другая система.
А 12 октября 2026 года мы с Колей Головым уже обсуждали современные платформы данных и четыре способа собрать данные для AI: через копии и витрины, федеративные запросы, универсальную СУБД или общий слой хранения. Здесь разговор Павло про объединение транзакций и аналитики хорошо дополняет нашу карту: за одной вывеской могут скрываться очень разные компромиссы по свежести, изоляции и стоимости. На эту тему я написал и подробный лонгрид. В нём пошёл дальше выбора движка: кто определяет смысл метрик, с чьими правами агент читает данные и как проверяется действие по результатам анализа. Посчитать клиентов, которым стоит дать скидку, и действительно назначить её — два разных инженерных задания.
Можно начать с интервью, а за устройством платформ и историей этих компромиссов сходить в наши разборы.
#Data #AI #Database #Architecture #ResearchInsights | 1 681 |
| 7 | Материалы 3 AImigo S1E11: AI-native государство (Рубрика #AI)
Собрал материалы одиннадцатого выпуска 3 AImigo «AI-Native государство: что это и где граница», который вышел 23 октября 2026 года. Вместе с Евгением Сергеевым и Алексеем Литвиновым обсуждали, можно ли перенести идеи AI-native компании на государство. Удобно, когда AI помогает заполнить заявление. Гораздо сложнее, когда он сам решает, отказать вам или нет, — особенно если оспаривать отказ приходится у другого бота.
Обсудили:
🔸 Чей результат мы улучшаем
Цифровизация каждого ведомства по отдельности ещё не собирает удобный путь гражданина. Начали с опыта Евгения с электронными рецептами и дошли до вопроса, где вообще заканчивается аналогия государства с компанией.
🔸 Что нужно сверх подписки на помощника
Подготовить документ и самостоятельно исполнить процедуру — разные задачи. Я разбирал, какая среда нужна агенту: данные, инструкции, полномочия, проверка результата и ответственность за последствия.
🔸 Как добраться до человека, который может исправить ошибку
Обратимость решения и работающий путь пересмотра стали одной из центральных тем. Евгений рассказал, как агент помог его знакомому добиться пересмотра банковского отказа; человек следил за переговорами и корректировал помощника. Это частная история, а не доказательство, что агенты уже умеют побеждать бюрократию.
🔸 Кому выгодна сложная форма
Алексей использовал закон Хайрама как аналогию: вокруг неудобной процедуры вырастают роли и зависимости. Если только один человек умеет правильно заполнить форму, её упрощение меняет и его положение. Тут одного хорошего интерфейса мало.
🔸 Насколько быстро всё это может измениться
Поспорили об инициативе сотрудников, поддержке руководства, государственных данных и зависимости от AI-поставщиков. Я скорее ожидаю постепенного продолжения цифровизации; Алексей предлагает не недооценивать возможность большого скачка. Общего прогноза у нас не получилось.
Материалы выпуска:
📌 Страница выпуска с таймкодами и лонгрид об AI-native государстве
🎬 Видео: YouTube и VK Видео
🎧 Аудио: Podster и Apple Podcasts
📖 Текстовый конспект
Какую государственную процедуру вы бы поручили агенту — и где оставили бы обязательную возможность поговорить с человеком?
#AI #Agents #Management #Architecture #Podcast | 1 668 |
| 8 | Harness на Giga Conf: материалы выступления (Рубрика #AI4SDLC)
Собрал материалы моего доклада на Giga Conf 16 октября — «Harness: прошлое, настоящее и будущее слоя между моделью и миром». Есть запись, слайды и большой лонгрид на эту тему. Про инструменты, память, контекст и проверки я рассказывал много. Здесь собрал их в одну картину вокруг вопроса: что из построенного нами всё ещё нужно после выхода следующей модели?
Моя опора в докладе — метафора words & walls. Есть инструкции, которыми мы компенсируем слабости конкретной модели: как вести план, когда перечитывать файл, как проверять свою работу. Их пользу после обновления модели стоит проверять заново. А есть права доступа, изоляция и запреты на действия — границы, которые должны исполняться кодом при любой модели. Умение хорошо решать задачу само по себе не даёт разрешения на её выполнение.
В докладе разбираю:
🔸 Как менялась обвязка
От цикла в промпте до готовых агентных продуктов и управляемого исполнения. Какие функции переезжают в модель и API, а какие остаются в среде.
🔸 Что мы вообще выбираем
Готовый «комбайн» для работы, отдельного агента или SDK, из которого собираем свою систему. И почему у похожих инструментов могут сильно различаться настройки доступа и исполнения по умолчанию.
🔸 Как доказать пользу компонента
Убрать его в отдельном эксперименте и сравнить результаты на своих задачах. Для этого полезен реестр: какое предположение о модели мы заложили, чем его проверяем и когда пересматриваем.
🔸 Что измерять
Повторяемость успеха и цену принятого результата с учётом проверки и переделок. Один удачный прогон ещё мало говорит о том, как агент будет работать каждый день.
🔸 Куда всё движется
Мои гипотезы про агентов со своей машиной, памятью и идентичностью, а также перенос исполнения и проверки действий к вендору. У каждой ставки есть условие, при котором её придётся пересмотреть.
И важная оговорка: пересматривать стоит именно компенсирующие инструкции. Требования к задаче, критерии готовности и знания о проекте от смены модели никуда не исчезают.
P.S.
Я уже писал про это выступление и обещал сделать расширенный выпуск на эту тему, если там наберется 100 🔥 под постом, пока там их всего 70, но все в ваших руках.
#AI4SDLC #Agents #Engineering #Security #Conference | 1 841 |
| 9 | Evaluating AGENTS.md: что осталось добавить к контексту (Рубрика #AI4SDLC)
У этой научной статьи "Evaluating AGENTS.md" любопытный результат: инструкции агентам добавили работы, а убедительного прироста решённых задач не получилось. Прочитал статью с пометками; сначала про эксперимент, потом про вопросы, которые у меня к нему остались.
Статью написал Thibaud Gloaguen и соавторы из ETH Zurich и LogicStar.ai, а проверяли они пользу файлов вроде AGENTS.md и CLAUDE.md. В этом разборе идет речь про препринт v3 от 29 сентября 2026 года. Авторы взяли SWE-bench Lite с 300 задачами и собрали свой CTXBench: 138 задач из 12 Python-репозиториев с AGENTS.md от разработчиков репозиториев. Дальше они сравнили четыре связки моделей и агентов: Claude Code с Sonnet 4.5, Codex с GPT-5.2 и GPT-5.1 Mini, Qwen Code с Qwen3-30B-Coder. Было 3 режима: без AGENTS.md, с автогенерацией AGENTS.md от Claude/Codex и с AGENTS.md от разработчиков репозиториев; последний доступен только в CTXBench (этот бенч собирали из репозиториев, где он был). Успех определяли прогоняя тесты на патче, что написал агент.
Что получилось
1️⃣ Автогенерация увеличила среднюю стоимость на 20% в SWE-bench и 23% в CTXBench. Изменения успешности относительно режима без инструкций статистически незначимы: небольшое ухудшение с автогенерацией, небольшое улучшение с файлами разработчиков. При этом последние значимо превосходят сгенерированные в CTXBench.
2️⃣ Агенты следовали инструкциям: больше читали, тестировали, использовали указанные инструменты. Обзоры репозитория не помогали быстрее добраться до нужных файлов. Авторы рекомендуют оставлять специфичные требования, которых нет в документации, и проверять пользу инструкций экспериментально.
А теперь мои заметки на полях
Меня зацепило, сколько работы уже сделали агенты при подготовке CTXBench. Один фильтрует PR, другой настраивает окружение, следующий пишет подробную постановку по PR и готовому патчу, ещё один генерирует тесты. Есть и LLM для анализа контекстных файлов и действий агентов, но это уже измерение, оно само по себе не обогащает постановку.
Особенно интересен шаг «написать задачу по готовому решению». Авторы запрещают раскрывать решение и вручную проверяют результат. Но знание ответа позволяет заранее выбрать важные требования, интерфейсы и крайние случаи. Код не подсказали, а часть работы по выяснению задачи уже сделали.
Условно: между «экспорт иногда падает» и «обработай пустой список, сохрани порядок и верни такой-то тип» есть большая исследовательская дистанция. Даже если способ исправления не назван.
Отсюда моя гипотеза: добавочная ценность AGENTS.md может уменьшаться, когда неопределённость уже сняли при подготовке задания. Особенно если файл тоже сгенерирован из доступного репозитория. Что нового по смыслу ему осталось добавить?
В статье есть интересные проверки: переписывание задач SWE-bench по этой процедуре повышает успешность примерно на 14–17 процентных пунктов у двух проверенных моделей в сравнении без контекстных файлов. А при удалении остальной документации сгенерированные инструкции дают средний прирост 2,7 п.п. То есть исходная обеспеченность информацией имеет значение.
Но объяснить всё подготовкой задач нельзя: на исходном SWE-bench автогенерация тоже не дала значимого улучшения. Моя гипотеза о механизме остаётся гипотезой.
Ещё две пометки:
1) Всё проверяли на Python, а этот язык кажется самый популярный в претрейне
2) Прохождение тестов не покрывает все нефункциональные требования. Польза правил про безопасность, архитектуру или поддерживаемость требует отдельной оценки.
Если продолжать идею эксперимента, то интересно сравнить исходные и уточнённые задачи с одним и тем же AGENTS.md разработчиков. И отдельно проверить, помогает ли он выяснять требования, которые пока никто не превратил в готовую спецификацию.
#AI4SDLC #Research #Agents #Evals #Engineering | 1 847 |
| 10 | Макс Канат-Александер: нужно ли качество кода, который можно заменить? (Рубрика #AI4SDLC)
У Max Kanat-Alexander из Capital One вышел доклад «Does Code Quality Still Matter?», который хорошо продолжает тему моего keynote на DotNext: что происходит с инженерией, когда реализацию становится проще сгенерировать заново, чем поддерживать годами?
Макс начинает с того, зачем вообще нужно качество кода: чтобы понимать фактическое поведение системы и безопасно его менять. Каждое изменение может и сломать что-то сейчас, и усложнить следующие изменения. Во втором случае проблемы с пониманием начинают накапливаться.
Дальше он предлагает шкалу от disposable до durable software. На одном конце — программа для организации одной вечеринки. На другом — система, от которой годами зависят люди и бизнес. Положение на шкале определяют четыре вещи: последствия отказа, стоимость замены, зависимости и стоимость сопровождения. Для первого случая, считает Макс, качество кода может не иметь значения. Для второго инженерная дисциплина остаётся необходимой.
Причём заменяемость можно повышать намеренно: изолировать окружение, ограничивать зависимости и область применения, оставлять надёжный запасной путь. А саму дисциплину — удешевлять общими стандартами, автоматическими проверками и удобной тестовой инфраструктурой.
И вот здесь я бы отдельно развёл срок жизни системы и срок жизни её реализации.
На DotNext я развивал идеи Чада Фаулера из книги "Regenerative Software". Система может жить десятилетиями, а код отдельных компонентов — регулярно заменяться. Для этого накопленное знание должно переживать очередную генерацию:
— намерение и инварианты: что система обещает и чего нельзя нарушать;
— архитектурные границы и контракты: что именно можно заменить независимо;
— проверки поведения: как понять, что новая версия выполняет обещания;
— причины решений: почему здесь ограничены ретраи, оставлена странная проверка или выбран именно такой порядок действий.
Это для меня и есть важная часть regenerative software development. Мы заранее создаём условия, при которых реализацию можно выбросить, сохранив поведение и понимание системы. Одна папка с Markdown сама по себе такой способности не даёт :)
Дешевизна генерации ещё не означает дешевизну безопасной замены. Платёжный компонент можно переписать за вечер, но от этого не исчезнут требования к округлению, повторным запросам и совместимости. Возможность быстро получить другой код закрывает только часть задачи.
В зрелой системе сначала придётся извлечь то, что знает только старая реализация: неявные бизнес-правила, следы инцидентов, зависимости соседей. Затем защитить это проверками, менять компоненты по частям и сохранять возможность отката. Пока знание живёт только в коде, удаление кода уничтожает и часть знания.
Поэтому в тезисе Макса про удешевление инженерной дисциплины я вижу прямую связь со своим докладом. Общие проверки и инфраструктура снижают стоимость каждой следующей замены. А качество архитектуры можно проверять очень предметно: какой компонент мы способны пересоздать сегодня и чем докажем, что система сохранила нужное поведение?
#AI4SDLC #Engineering #Architecture #Software #AI #Conference | 1 901 |
| 11 | Материалы Research Insights #42: Оценки агентов: как понять, что агент справился (Рубрика #AI4SDLC)
Собрал материалы сольного Research Insights Made Simple #42 от 21 октября 2026 года. В основе — руководство "Anthropic Demystifying evals for AI agents". Агент написал «готово», но появилась ли бронь, изменился ли нужный файл и выполнены ли условия задачи?
В выпуске разобрал:
🔸Итог и путь к нему
Результат проверяем в среде, а траекторию читаем, чтобы понять причины успеха или сбоя. Оценивать нужно модель вместе с обвязкой, инструментами и настройками.
🔸Кто проверяет проверяющего
Код удобен для точных условий, модельный судья — для открытых ответов, человек — для экспертной оценки и калибровки. У каждого способа есть ограничения; низкий балл может означать ошибку в самой проверке.
🔸Разницу между pass@k и pass^k
Найти хотя бы одно решение за несколько попыток и успешно пройти все попытки — разные требования к продукту. Одной хорошей демонстрации для стабильной работы мало.
🔸С чего начать
В руководстве предлагается небольшой набор из 20–50 реальных задач: ясные критерии, эталонные решения, отрицательные примеры и чистая среда. История предыдущего прогона не должна подсказывать ответ следующему.
🔸Что делать после релиза
Регрессионные проверки дополняются мониторингом, экспериментами и обратной связью пользователей. Ни один набор оценок не ловит все проблемы; траектории нужны и для поиска дефектов задач и проверяющих.
Рекомендую тем, кто уже умеет запускать агента и теперь хочет обоснованно решить, можно ли отдавать ему работу.
Материалы выпуска:
📌 Страница выпуска с таймкодами и слайды выпуска
📖 Лонгрид об эволюции агентных обвязок
🎬 Видео: YouTube и VK Видео
🎧 Аудио: Podster и Apple Podcasts
📖 Текстовый конспект и аннотированная мной PDF'ка (где я свои мысли на полях фиксировал при чтении)
Был ли у вас случай, когда ошибался тест, а решение агента оказывалось правильным? Приносите примеры.
#ResearchInsights #AI4SDLC #Agents #Evals #Engineering | 1 780 |
| 12 | Как Meta строила Forum с AI-агентами: статья и заметки на полях (Рубрика #AI4SDLC)
У запрещенной в России компании Meta вышла статья про разработку Forum— отдельного приложения для Facebook Groups. Интересный случай: небольшая команда строила новый продукт и заодно перестраивала работу вокруг AI-агентов. В тексте много знакомых вопросов про внедрение AI в SDLC, которые я отметил на полях.
Что рассказывают авторы
Команда движется к human-on-the-loop: агент сам проходит цикл «план → код → сборка → тесты → исправление», инженер задаёт цель, вмешивается при отклонениях и принимает результат. Пока это целевая модель: часть этапов всё ещё требует человека внутри каждой итерации. Каждое выпускаемое изменение утверждает инженер.
Для этого собрали четыре опоры: точную постановку задачи, автоматические проверки внутри цикла, агентов для тестирования пользовательских сценариев и расследования проблем после запуска. К ревью должны приходить изменения с результатами тестов и записями проверок. Рабочие договорённости разложили на rules, skills, agents, commands и hooks — от постоянных инструкций до автоматических запусков проверок.
По словам команды, больше всего помогли изменения кода и инструментов. Архитектуру упрощали, агентам дали доступ к состоянию интерфейса в симуляторе, для экспериментов сделали отдельную сборку. Стресс-тесты воспроизводили активную прокрутку, переходы и загрузку медиа; найденную проблему агент мог воспроизвести, исследовать и предложить исправление.
Meta заявляет, что за восемь недель команда достигла паритета с Facebook Groups по основным функциям, а исправление одной проблемы примерно вдвое снизило использование памяти и число page faults. Это результаты одного проекта: контрольного сравнения и полной стоимости подготовки среды в статье нет.
Мои заметки и фокусные места
🔸 Весь SDLC и критерий успеха
В самом начале авторы задают меру результата: проверенное изменение, готовое к production. Это рифмуется с тем, о чём я говорю при внедрении AI в SDLC: важно, что делаем до кодинга и как проверяем после. Параллельная работа агентов полезна, пока инженер способен доверять тому, что приходит на ревью.
🔸 Спецификации и верификация
На полях написал: «Своя версия spec-driven development?» Есть декомпозиция и машиночитаемый контекст, хотя целостную SDD-методологию авторы не описывают. Больше надёжных проверок внутри цикла — больше работы можно отдать агенту. Но в конце есть важная оговорка: агенты умудрялись срезать углы даже в PR, проходивших проверки. Значит, сам критерий «готово» тоже надо проверять.
🔸 Архитектура под агентов
Где старые компоненты мешали, команда иногда писала их заново, сознательно жертвуя повторным использованием ради скорости агентной разработки. Вот это уже архитектурный компромисс, который хочется обсуждать отдельно: сколько выигрываем сейчас и сколько будет стоить сопровождение потом?
🔸 Инструменты наблюдения
Агент путал экраны и угадывал координаты. Ему дали возможность читать иерархию интерфейса и находить нужный экран. Здесь важен сам интерфейс взаимодействия агента со средой: перед действием можно проверить, где находишься. Контекст становится доступен через инструмент (это напоминает часть про ACI, что мы разбирали в выпуске про SWE-Agent)
🔸 Прототипы рядом с production
Общая кодовая база и дизайн-система, но экспериментальный код физически исключён из production-сборки. В пометках связал это с discovery и delivery: дизайнеры могут пробовать идеи, а результат использует те же компоненты, что и продукт. Такое устройство уменьшает разрыв между прототипом и реализацией; решение о готовности к выпуску всё ещё остаётся за инженером.
В общем, в статье мало нового, но зато то, что есть отлично укладывается в мейнстрим, что мы обсуждали в статьях до этого.
#AI4SDLC #Agents #Engineering #Architecture #DevTools | 1 813 |
| 13 | Материалы Research Insights #41: Анатомия агента: семь обязанностей обвязки (Рубрика #AI4SDLC)
Доступны материалы сольного Research Insights Made Simple #41 от 20 октября 2026 года. Разобрал исследование исходников одиннадцати систем "Harness Engineering: Anatomy, Architecture, and Evolution of Coding Agents - A Source-Code Study of Eleven Systems": короткий цикл вызова модели уже умеет делать полезную работу, но вокруг него быстро вырастает целый продукт.
В выпуске разобрал:
🔸 Семь обязанностей обвязки
Цикл работы, интеграция с моделью, инструменты, контекст, безопасность, координация и расширения. Такая карта помогает сравнивать архитектуру и находить, где именно спрятана сложность.
🔸 Почему общего API мало
Форматы правок, кеширование и инструкции различаются между моделями. Поддерживать совместимость приходится постоянно; большой каталог инструментов заодно создаёт задачу их поиска и загрузки в контекст.
🔸 Что именно мы откатываем
Возврат к прошлому сообщению не обязательно возвращает файлы в прежнее состояние. История сессии, рабочая копия и долговременная память решают разные задачи — и требуют разных правил восстановления.
🔸 Как разделить разрешение и изоляцию
Согласие пользователя на действие ещё не определяет, к каким файлам и сетевым ресурсам получит доступ процесс. При подключении субагентов добавляются вопросы передачи истории, инструментов и результатов.
🔸 Как проверять красивые архитектурные идеи
MCP, навыки и хуки дают разные способы расширения. Небольшая выборка систем не устанавливает победителя, а чтение исходников не измеряет качество решения задач. Предлагаю брать из атласа гипотезы и проверять их на своей работе.
Полезный выпуск, если за словом «агент» хочется видеть конкретные механизмы. Возможности отдельных продуктов меняются быстро; в разборе речь идёт о срезе версий, выбранном авторами исследования.
ъМатериалы выпуска:
📌 Страница выпуска с таймкодами и слайды выпуска
📖 Лонгрид об эволюции агентных обвязок
🎬 Видео: YouTube и VK Видео
🎧 Аудио: Podster и Apple Podcasts
📖 Текстовый конспект и аннотированная мной PDF'ка (где я свои мысли на полях фиксировал при чтении)
Какая часть обвязки сейчас приносит вам больше всего проблем: контекст, инструменты, восстановление или права?
#ResearchInsights #AI4SDLC #Agents #Architecture #PlatformEngineering | 1 968 |
| 14 |  +3Приятно, когда утро начинается с таких видов:) | 2 592 |
| 15 | Agentic Engineering — Addy Osmani (Рубрика #Books)
В самолёте по пути на Мальдивы прочитал "Agentic Engineering" Addy Osmani. Книга ещё в раннем доступе: в моей версии пять глав из восемнадцати запланированных. И уже много узнаваемого. Османи удачно собирает в одну картину вещи, которые постепенно обнаруживаешь в работе с агентами: код появляется всё быстрее, а вопросов к собственной работе становится больше.
Особенно зацепила глава про спецификации. Когда писать код становится дёшево, всё важнее понять, что именно нужно сделать. У меня с Spec Kit это регулярно происходило буквально по ходу уточнений: начинаешь с вроде бы понятной просьбы, агент задаёт вопросы, и выясняется, что задача сложнее, а результат нужен немного другой. Пока формулируешь требования, успеваешь пересмотреть собственный замысел. Вот в этом смысле спецификация для меня стала инструментом мышления.
Например, «добавить PDF-вложения на сайт» с аннотированными разборами whitepaper. Звучит как кнопка скачивания. А дальше: храним копию или ссылку? Как убедиться, что документ тот самый? Что произойдёт при повторном импорте? Можно ли считать перенос завершённым, если страница открывается, а файл недоступен? Постепенно за кнопкой обнаруживается целый процесс переноса публикации, в котором ничего не должно потеряться. Кнопка там тоже будет :)
Конечно, агент может сам написать красивую спецификацию, план, код и отчёт о том, что всё выполнено. Поэтому ценность всей этой работы я вижу в моментах, когда приходится сказать: «Я этого не учитывал» или «Такую сложность я не готов принимать». Если после уточнений решили половину не делать — тоже полезный результат.
Хочется только, чтобы с каждым новым запуском не приходилось заново объяснять всё, до чего уже додумались. И здесь мне близок разговор Османи про harness — среду работы агента с её инструментами, контекстом и проверками. Я смотрю на неё как на место, где может накапливаться опыт команды. Почему приняли архитектурное решение, как выполнять повторяющуюся задачу, какую ошибку теперь ловит тест — всё это остаётся доступно следующему исполнителю.
Правда, с формулой «каждая ошибка становится правилом» хочется поспорить. Так можно собрать внушительную коллекцию запретов, в которой уже никто не разберётся. Иногда полезнее исправить инструмент или удалить устаревшую подсказку. Мне нравится сама идея превращать опыт в условия работы, но за этой средой тоже придётся ухаживать.
С несколькими агентами цена таких договорённостей становится ещё заметнее (особенно, если агенты из разных лагерей, навроде, Claude, Codex, Cursor и Open Code с китайскими модельками). Пока исполнитель один, многое можно удерживать в голове и поправлять по ходу. А если один делает импортёр, другой — отображение документов, им придётся заранее договориться, что они передают друг другу. Иначе оба закончат работу, а соединять два разных понимания задачи придётся тебе.
Здесь согласен с Османи: самостоятельность агента и умение координировать нескольких — разные вещи. Можно далеко отпускать одного исполнителя или внимательно следить за несколькими. Само количество запущенных окон ещё ничего не говорит: легко получить очередь изменений, которую уже не успеваешь осмыслить. Код пишется, а ты разбираешь вопросы, переключаешься между задачами и проверяешь чужие решения. Работы руками меньше, решений в единицу времени — больше.
Особенно интересно дождаться глав про цену оркестрации и три вида долга: технический, когнитивный и долг намерения. По первым главам книга точно передаёт знакомое ощущение: возможностей стало больше, а простоты почему-то не прибавилось. Любопытно, как Османи разовьёт этот разговор дальше.
#Books #AI4SDLC #Agents #Engineering #Management | 2 557 |
| 16 | Материалы Research Insights #40: Anthropic: что остаётся человеку в компании агентов (Рубрика #Management)
Готовы материалы сольного выпуска Research Insights Made Simple #40 от 19 октября 2026 года. Разобрал исследование "How employment is changing at Anthropic" о работе внутри Anthropic: агенты производят всё больше, а человеку ещё нужно понять, что из этого принимать, чему учиться и куда двигаться дальше.
В выпуске разобрал:
🔸 Что показывают измерения
Авторы сопоставляют использование AI, найм и результаты работы. Это наблюдение внутри быстро растущей компании: оно не доказывает, что именно агенты вызвали все изменения, а объём кода сам по себе не измеряет пользу.
🔸 Куда уходит человеческое внимание
По расчёту авторов, чтение всего агентского вывода не поместилось бы в рабочую неделю инженера. Люди отвечают на это инструкциями, проверками и инструментами наблюдения. Руководить работой агентов приходится и тому, кто раньше был индивидуальным специалистом.
🔸 Где новичку набирать опыт
Если простые задачи уже забрали агенты, откуда возьмётся понимание, необходимое для проверки сложных решений? Готового ответа в выпуске нет; обучение нужно проектировать вместе с автоматизацией.
🔸 Что получает сотрудник
Обсуждаю переходы в новые роли, время на обучение и участие в выгодах. Возможности растущей Anthropic нельзя автоматически переносить на компанию, где следующей роли для человека просто нет.
Особенно рекомендую тем, у кого разговор об AI пока заканчивается количеством сгенерированного кода. Здесь он только начинается.
Материалы выпуска:
📌 Страница выпуска с таймкодами и слайды выпуска
🎬 Видео: YouTube и VK Видео
🎧 Аудио: Podster и Apple Podcasts
📖 Текстовый конспект и аннотированная мной PDF'ка (где я свои мысли на полях фиксировал при чтении)
Как у вас меняются обучение и ответственность людей, когда часть работы переходит агентам?
#ResearchInsights #AI #Agents #Management #Engineering | 2 406 |
| 17 |  Сегодня пришло письмо от Medium о том, что они наконец-то сделали dark mode, который у них запрашивали в 2015 году. Кажется, что ребята просто подождали пока появятся достаточно мощные AI модели, которые из коробки делают dark mode любому сайту.
Чем-то это напоминает коммунальные службы, которые в мае отчитываются о том, что сосулек на крышах уже нет ... надо было просто подождать горячего весеннего солнышка:) В общем, хороша ложка к обеду:) | 2 522 |
| 18 | [2/2] Stanford CME295: GLM-5 и роль агентной обвязки (Рубрика #AI)
В практической части третьей лекции Stanford CME295 Шервин Амиди собирает методы обучения в историю одной модели — GLM-5. И здесь возникает вопрос, который легко потерять за названиями алгоритмов: как научить модель новому и сохранить то, что она уже умела?
Сначала — как устроен путь обучения в его разборе.
🔸 Pretraining: фильтруют веб-данные, подбирают код и научные материалы, меняют их пропорции по ходу обучения. Модель приобретает общую основу через предсказание следующего токена.
🔸 Midtraining: расширяют контекст на длинных материалах — книгах, обсуждениях задач, PR и изменениях кода. Здесь важна и упаковка документов: нужно сохранять связи внутри материала, по которым модель учится использовать длинный контекст.
🔸 SFT: показывают желаемые ответы, решения и работу с инструментами. В примерах рассуждения могут чередоваться с вызовами инструментов: модель учится продолжать работу после получения результата.
🔸 RL: развивают несколько групп способностей. Reasoning RL связан с решением задач; agentic RL — с действиями в среде, например исправлением кода и проверкой тестами; general RL — с качеством ответов и взаимодействия с пользователем.
Но улучшения не обязаны складываться без потерь. Каждый следующий этап меняет ту же модель. Успешное обучение новым задачам может ухудшить результаты на прежних. Это не обязательно буквальное «стирание знаний»: может измениться и способ отвечать или выбирать действия.
В финале используют on-policy cross-stage distillation. Сохраненные версии модели с предыдущих этапов — checkpoints — становятся учителями: текущая модель генерирует ответы, а учителя дают обучающий сигнал на ее продолжениях. Цель — восстановить полезные способности предыдущих этапов, сохраняя новые. Это попытка совместить навыки, успех которой нужно проверять на разных задачах.
Мне здесь нравится сама идея: предыдущая версия может уступать новой в целом и при этом оставаться полезным учителем. Сохраненный checkpoint оказывается еще и материалом для дальнейшего обучения.
Отсюда Шервин переходит к гипотезе про агентную обвязку — код, который организует работу модели с инструментами и контекстом. Если модель уже обучена выбирать действия, проверять результаты и исправлять ошибки, часть подробных внешних сценариев может стать лишней. В лекции он приводит Pi; его создатель Марио Цехнер тоже связывает работоспособность минимального агента с подготовкой самих моделей.
Возьмем исправление бага. Выбор файла, реакцию на упавший тест и решение повторить проверку модель может освоить в обучении. А запуск тестов, доступ к репозиторию, хранение состояния и контроль прав по-прежнему обеспечивает среда. У этих частей разные обязанности.
Кстати, в самом отчете GLM-5 есть хорошая граница для гипотезы об упрощении: удаление старых результатов инструментов с сохранением свежих повышает результат на BrowseComp с 55,3% до 62,0% в эксперименте авторов. Управление контекстом продолжает помогать уже сильной модели.
#AI #LLM #Agents #Engineering #AI4SDLC | 2 573 |
| 19 | Сегодня пришла отбивка о том, что "Your application for a Unitied Kingdom (UK) visa has been successful", что продолжает историю про полученный раньше endorsement. Жене и младшему сыну тоже подтвердили визу, а для среднего попросили подгрузить еще документов - так что история с визами пока закончена не до конца (но есть ощущение, что после подгрузки доп. документов все будет ок). Ну и пока план оказаться в Лондоне во второй половине ноября:) | 2 609 |
| 20 |  Агенты пишут код. Как понять, что разработка стала эффективнее? | Code of Leadership (Рубрика #AI4SDLC)
Через 20 минут в 17:00 по Москве в прямом эфире Code of Leadership встречаемся с Владимиром Долговым. Поговорим про developer productivity и то, как меняется разработка, когда в команде появляются AI-агенты. Допустим, агент быстро написал код. Дальше кто-то проверил его, попросил переделать, встроил в систему и довёз до пользователя. Хочется посчитать весь этот путь: сколько времени и сил потратили, что получили на выходе и где на самом деле случилось ускорение. Счётчик токенов сам на эти вопросы не ответит :)
Владимир Долгов — технологический и продуктовый лидер с более чем 20-летним опытом управления командами и крупными проектами на уровне CxO в финансах и телекоммуникациях. В Сбере он руководил AI-трансформацией процесса разработки, внедрял AI-ассистентов и развивал продукты Developer Experience: GigaCode, GigaIDE, GigaView и API/Function Studio. Ранее построил с нуля CRM/MDM-направление, управлял распределёнными командами до 430 человек и внедрял крупнейшие Oracle Siebel CRM. Математик по образованию, выпускник СПбГУ.
С Владимиром разберём несколько больших тем:
🔸 Как развиваются инструменты разработки
IDE, CLI, фоновые агенты — как меняются рабочие привычки, что стоит строить самим и по каким признакам новый инструмент заслуживает места в команде.
🔸 Что мы называем developer productivity
Скорость отдельного инженера, движение задач через команду, качество, польза для бизнеса — как связать всё это и понять, что именно удалось улучшить.
🔸 Как устроена агентная разработка
От постановки задачи и подготовки контекста до тестов, ревью и выпуска. Что можно поручить агенту, где нужен человек и сколько стоит проверка результата.
🔸 Как оценивать эффект AI
Что сравнивать до и после внедрения, как учитывать переделки и отличать пользу инструмента от изменений в составе команды или сложности задач. И что делать, если PR стали появляться быстрее, а релизы выходят с прежней частотой.
И будет демо DevOptify (https://devoptify.ru/) — платформы для оценки developer productivity, которую строит Владимир. Посмотрим, как устроен переход от инженерных данных к выводам и решениям руководителя. Заодно обсудим границы метрик: что они способны показать, где им не хватает контекста и как разработчик может оспорить оценку своей работы.
Приходите, если внедряете агентов, развиваете инструменты или отвечаете за результат команды. Приносите вопросы и свои истории: что происходило с командой и продуктом после того, как вы научились быстрее писать код.
#AI #Agents #Engineering #AI4SDLC #Software #Knowledge #Data #DevEx #DeveloperProductivity #Management #Leadership | 2 560 |
