Книжный куб

+2

Парк Львов "Земля Прайда" (Рубрика #Kids) 2 января мы с детишками и друзьями мы были в парке львов "Земля Прайда" (1 и 2 января мы провели под Клином, поэтому ехать до парка было близко). Я уже как-то рассказывал про ребят, но с тех пор они переехали на территорию побольше + завели tg-канал (или он уже был). В этот раз мы приехали после обеда да еще и в зимний день, поэтому часть животных пряталась в своих домиках и уже спала (ведь зимой дни короткие). Но мы мы, прикупив ведерки с едой для животных, смогли пройтись по територии и потренироваться в метании мяса тиграм и львам, а также покормить с рук кроликов, верблюдов, ламу, оленя ... В общем, парк отличный - Многие животные были выкуплены из неволи и выхожены сотрудниками парка - видно, что они достаточно вольготно живут и хорошо питаются - На территории парка все сделано для животных и людей - вальеры для животных большие, тигры, мишки и львы живут на большой и огороженной территории, где ты поднимаешься по лестнице наверх и дальше смотришь не через прутья клетки, а как бы с высоты на зверей За час-полтора мы быстрым темпом обошли всех животных (медленно ходить было прохладно), потом взяли по капучино для взрослых и по коле для детей в кафешке, сели в машину и поехали обратно в Москву. #ForParents #ForKids #Family #Stories

AI Trends 2026: Quantum, Agentic AI & Smarter Automation (Рубрика #AI) Пока идут новогодние каникулы, можно глянуть предсказания на 2026 год. Так я наткнулся на видео Martin Keen и Aaron Baughman из IBM, что опубликовали такой обзор про AI на 2026 год. Кстати, Martin Keen, IBM Fellow, в прошлом году записывал такое видео в одиночку и я про него рассказывал (можете сравнить с реальностью и оценить что исполнилось). 1️⃣ Мультиагентная оркестрация (Multi-Agent Orchestration) 2025 был годом AI-агентов, но ни один агент не справляется со всем. В 2026 мы увидим команды специализированных агентов, координируемых оркестратором. 2️⃣ Цифровая рабочая сила (Digital Labor Workforce) Автономные AI-агенты становятся "цифровыми работниками", способными парсить мультимодальный ввод, выполнять workflow и интегрироваться с корпоративными системами. Ключевой элемент — human-in-the-loop AI для oversight, коррекции и стратегического управления. Это важно, так как цифровые работники обеспечивают force-multiplying эффект, работают 24/7 и масштабируются без массового найма персонала. 3️⃣ Physical AI и гуманоидные роботы AI покидает цифровое пространство и входит в физический мир. Physical AI — это модели, которые понимают 3D-среду, физику (гравитация, трение) и могут взаимодействовать с реальностью через роботизированные системы. Для этого нужны world foundation models (WFM), генеративные модели, создающие и понимающие 3D-окружения. Про этот подход рассказывала Fei-Fei Li, крестная мать AI, в докладе "Spatial Intelligence is the Next Frontier in AI", который я уже разбирал. 4️⃣ Social Computing — коллективный AI Мир, где множество агентов и людей работают внутри общей AI-ткани (AI fabric). Агенты и люди соединены через единое пространство, обмениваются контекстом, намерениями и действиями, создавая empathetic emergent network — коллективный интеллект или "swarm computing". 5️⃣ Verifiable AI и EU AI Act EU AI Act вступает в полную силу к середине 2026 года. Как GDPR для AI: системы высокого риска должны быть аудируемыми и трассируемыми. Требования: - Документация — технические доки, тестирование, риски - Прозрачность — пользователи должны знать, что взаимодействуют с машиной - Data lineage — откуда данные и соблюдены ли авторские права По мнению ребят EU AI Act установит глобальный шаблон для AI-регулирования, как GDPR для privacy. 6️⃣ Quantum Utility Everywhere По мнению ребят именно в 2026 году квантовые вычисления начнут решать реальные задачи лучше, быстрее или эффективнее классических систем. Quantum utility scale — гибридные квант-классические системы, интегрированные в повседневные бизнес-операции для оптимизации, симуляций и принятия решений. Это обусловлено тем, что мы уже видим прорывы в коррекции ошибок, модульности и гибридных алгоритмах ускоряются, а также появляются Quantum-as-a-Service от IBM, AWS, Microsoft и Google. 7️⃣ Reasoning at the Edge — мышление на устройстве Большие модели научились "думать" через inference-time compute (step-by-step reasoning). Теперь эти способности дистиллируются в малые модели (несколько миллиардов параметров), работающие на ноутбуках и телефонах. Модели с reasoning работают локально, данные не покидают устройство, нет задержки на облако. 8️⃣ Amorphous Hybrid Computing Будущее там, где топологии AI-моделей и облачная инфраструктура сливаются в fluid computing backbone. Модели эволюционируют за пределы чистых трансформеров, интегрируя state space models (SSM) и другие архитектуры. Одновременно облака комбинируют CPU, GPU, TPU, QPU (quantum) и нейроморфные чипы, чтобы исполнять алгоритмсы на оптимальном для инференса устройстве, обеспечивая производительность и эффективность. Итого, 2026 обещает стать переломным годом для AI: от изолированных моделей к оркестрированным системам, от облака к edge, от цифрового к физическому. #AI #ML #Trends #Software #Engineering #Future

“We Play on the Offensive.”An Interview with Revolut Founder Nikolay Storonsky (Рубрика #Leadership) Посмотрел интересное интервью Николая Сторонского, основателя компании Revolut ($75 млрд оценка), что он дал Елизавете Осетинской, иностранному агенту. В этом интервью Николай рассказал о том, как строить компанию, где работают только топ-таланты. Но сначала стоит поговорить про масштаб компании сегодня (кстати, я про Revolut уже как-то рассказывал) - 12,000 сотрудников (5,000 core team, 7,000 support/sales) - 1,200 разработчиков, примерно ~30-40% всей команды — это engineering + product + data science - 45M пользователей, 15M daily active - $6B выручка, $2B прибыль (2025 план: $9B/$3B) - 40 стран, экспансия в 60+ рынков Компания фокусируется на найме hgih avievers (достигаторов). Сам Николай провел много тысяч интервью и так формулирует свои критерии - Топ-1-5% везде — от школы до предыдущих мест работы - STEM-бэкграунд с доказанным track record - Problem-solving end-to-end — должны приходить с решениями, а не проблемами - Амбициозные цели — цитата Николая из интервью, что мне понравилась "почти всё можно достичь, что подчиняется законам физики" - Готовность увольнять слабых - большинство боятся этого делать Отдельно Николай отметил, что они не берут - Классических банкиров — "низкое качество талантов, они maintainers, а не builders" - Средних исполнителей — "как только начинаешь работать со средними людьми, они приходят: 'У нас проблемы, что делать?' Мы таких не любим" Интерес подход Николая к текучке - regrettable attrition наддо держать небольшим (1.5% в квартал), а forced attrition надо разгонять до 10-20% в год (чтобы прощаться со слабыми). По мнению Николая это работает, так как - Постоянная фильтрация открывает лестницу для новых талантов - Ранние сотрудники уходят мультимиллионерами (топ-менеджеры заработали $50-80M на вторичных продажах акций) - Компенсация выше банков: зарплата + бонусы + акции для всех 5K core team Николай поделился следующими культурными ценностями, что приняты в компании 1. Never Settle — ставь амбициозные цели и достигай их 2. Think Deep — глубокий анализ, логика, zero bullshit 3. Dream Team — маленькие команды из звёзд 4. Get Things Done — ownership без микроменеджмента 5. Deliver Wow — перфекционизм для долгосрочного качества Отдельно много фокуса на AI и автоматизации работы (кстати, я уже разбирал подход к автоматизации процессов разработки в Revolut). Конкретно в этом интервью речь была про риск менеджмент и compliance: - LLM обрабатывают 400,000+ страниц регуляций, автоматически экстрагируют obligations и линкуют к контролям - ML-модели на 200+ параметрах (IP, транзакции, connections) — точность выше аналитиков-людей - 75% customer support автоматизировано через чатботы и голосовых ассистентов Подход Николая к управлению такой командой достигаторов выглядит так 1. Flat-структура - Нет кабинета даже у CEO — работает с open space - 40+ direct reports + 30 "bright young people" (ex-McKinsey/IB/фаундеры) в office of CEO для теневого аудита performance 2. KPI-driven всё - Еженедельные 1:1 по 15 минут: Jira, метрики, проблемы - Понедельник/вторник — department reviews - Net performance 70%+, attrition <1.5% в квартал для сильных 3. Radical Honesty (примерно как в книге Radical Candor (Радикальная прямота), о которой я уже рассказывал) - Нет политики, только данные - Фидбек прямой, без эмоций - Любой может подойти к любому 4. Продуктовый подход - Команды 8-10 человек, bootstrap 9-18 месяцев - Kill <25% продуктов по gross profit - Интервьюеры обучаемы: их precision/recall трекают, худших 25% убирают #Engineering #Leadership #Hiring #Culture #AI #Management #Startup

Developer Experience in the Age of AI Coding Agents (Рубрика #Agents) Посмотрел интересное выступление Max Kanat-Alexander, Executive Distinguished Engineer в Capital One, где он рассказывал про DevEx в эпоху AI-агентов или как не утонуть в уже существующем legacy и новосозданном legacy, генерящегося агентами в ускоренном режиме:) Макс ранее работал Tech Lead в Google (над Code Health) и Principal Staff Engineer в LinkedIn (над Developer Productivity). Также он написал книги "Code Simplicity" и "Understanding Software", которые я пока не прочел:) Основные тезисы доклада такие 1️⃣ Не сражайтесь с Training Set Используйте стандартные инструменты. Если вы написали свой пакетный менеджер или используете редкий язык — агент будет тупить. Он обучен на open source стандартах. Чем "скучнее" и стандартнее ваш стек, тем умнее на нём работает AI. 2️⃣ CLI > GUI Агентам нужны API и CLI, а не браузер. Заставлять агента "кликать" через GUI — дорого и ненадежно. Если у инструмента есть текстовый интерфейс, агент справится с ним быстрее и точнее. 3️⃣ Тесты должны быть детерминированными Агенту ничего не говорит ошибка `500 Internal Error`. Ему нужны четкие сообщения валидаторов. Инвестиция в качественные сообщения об ошибках в тестах и линтерах — это инвестиция в автономность агента. Критично что тесты должны бежать быстро (30 секунд, а не 20 минут). Агент запускает их в цикле. Медленный CI убьёт продуктивность агента. 4️⃣ Документируйте "Зачем", а не "Что" Агент видит код и понимает, что он делает. Но он не был на ваших митингах и не умеет читать мысли. В документации теперь нужно писать контекст: бизнес-цели, внешние ограничения, форму данных на входе. То, чего нет в коде. 5️⃣ Проблема Code Review (Порочный цикл) Написание кода превращается в чтение. Количество PR-ов растет экспоненциально. Но, если у вас слабый процесс ревью, вы начнете "штамповать" (LGTM) плохой код от агентов. Кодовая база деградирует, агенту становится сложнее в ней работать, он пишет еще больше чуши → получается порочный круг. Решение в том, чтобы распределять нагрузку по ревью (не слать всё в общий канал "кто-нибудь гляньте") и жестко держать планку качества. 🚀 Что это значит для разработки? - Рефакторинг легаси обязателен. Если человек не может понять структуру проекта без "тайных знаний", агент там просто галлюцинирует. Хорошая структура кода теперь — экономическая необходимость. - Сдвиг парадигмы. Мы переходим от написания кода к верификации. Навык быстро читать и валидировать чужой код становится важнее навыка быстро печатать. - Золотое правило. Всё, что хорошо для AI-агента (быстрые тесты, внятные ошибки, стандартные инструменты), хорошо и для человека. Даже если AI завтра исчезнет, эти инвестиции окупятся для людей. Забавно, что это очень похоже на "золотое правило морали", универсальный этический принцип, который гласит: «Поступай с другими так, как хочешь, чтобы поступали с тобой», #Engineering #AI #Metrics #Software #DevEx #Productivity #DevOps #Architecture #Culture #Engineering #ML #SystemDesign

[2/2] Hard Won Lessons from Building Effective AI Coding Agents (Рубрика #Agents) Продолжая рассказ про этот доклад, надо рассказать про Cline-Bench - open source benchmark для реальных задач, который анонсирует Cline. Каждая задача внутри бенча это: - Starting repo snapshot (git commit hash) - Real prompt from user - Ground truth tests на основе кода, который реально зашипился Этот бенч - Полностью open source, no secret sauce, no locked datasets - Любой может использовать для SFT, RL, eval - Любой может поучаствовать Как контрибьютить 1. Работайте над open source проектом с включенным Cline Provider 2. Opt into cline-bench initiative 3. Если frontier model застрял и вы вмешались, чтобы починить — это идеальный кандидат для benchmark В общем, просто используйте Cline, наблюдайте, где модель struggles, и Cline подберет эти задачи в open-source benchmark. P.S. Если подбивать мысли из доклада, то можно вынести следующее 1. Для инженеров, использующих AI coding agents - Перестаньте over-engineering scaffolding. Проще = лучше ​- Фокусируйтесь на capability модели, а не на умных абстракциях ​- Ваши real-world failure cases — самые ценные данные для экосистемы ​- Contribution в open benchmarks помогает всем ​ 2. Для исследователей и разработчиков моделей - Сдвиг от scaffolding tricks к environment design ​- Качество верификатора критично: надо ориентироваться на outcome, а не имплементацию ​- Автоматизация создания RL environments из реальных задач ​- Измеряйте модели на реальных engineering work, а не на паззлах ​ 3. Для компаний, строящих AI products - Доступ к real-world engineering data — ключевое конкурентное преимущество - RL environments > clever prompting ​- Benchmarks drive capability improvements ​- Open source collaboration ускоряет прогресс всей индустрии ​ #AI #ML #Agents #Software #Engineering #Architecture

[1/2] Hard Won Lessons from Building Effective AI Coding Agents (Рубрика #Agents) Интересный доклад от Nik Pash, Head of AI в Cline с основной мыслью в том, что надо перестать усложнять или почему умный scaffolding убивает AI-агентов. До Cline Ник работал инженером в Meta Reality Labs (2019-2021), Yandex (Image Search), Samsung Electronics. Основные тезисы доклада следующие 1️⃣ Горькая правда в том, что scaffolding устарел Годами разработчики компенсировали слабость моделей clever scaffolding'ом: RAG-индексацией, search trees, хитрыми системами tool calling. Проблема в том, что сейчас frontier-модели побеждают без этих абстракций. То есть capability beats scaffolding. Ник приводит пример Gemini 3.0, что вышел недавно и сразу возглавил Terminal-Bench leaderboard с результатом 54.2% без какой-то агентской обвязки (если глянуть сейчас, то в лидер борде впереди все-таки agentic + model комбинации). Кстати, Terminal-Bench — это интересный "unopinionated generic stripped down harness". Там нет никакого graph search, RAG, индексации — только терминал и задача "разберись сам" 2️⃣ Context engineering tricks — played out Ник откровенно говорит, что вместо отдельных трюков для контекста теперь есть стандартный playbook для поддержки каждой новой модели (Sonnet 4 → 4.5, Gemini 2.5 → 3.0, GPT-5 → 5.1). Tweaks тривиальны, выигрыши маргинальны. По мнению Ника эта тема исчерпана. Новизны в ней не осталось. 3️⃣ Настоящий bottleneck — это бенчмарки и среды для RL (reinforcement learning) Собственно тут зарыта основная мысль доклада: можно построить cleanest agent в мире, но это не улучшит capability модели даже на 1%. Ник говорит Models only get better when labs train on something hard. And benchmarks, not agent cleverness... determine what frontier models learn to do next. По его мнению модели не "вдруг стали лучше" в использовании инструментов — они стали лучше, потому что построены RL environments, которые заставили их практиковать конкретные действия: обработку моделей отказов, повторов, обработки ошибок. Каждый скачок в reasoning пришел из benchmark'а. Каждый скачок в agent reliability — из RL environment. Дальше Ник рассказывает как превратить задачи реального мира в данные для тренировок. Cline построил систему под названием "RL Environments Factory" — pipeline для автоматического превращения реальных coding задач в RL environments для обучения моделей. Выглядит это так Phase 1: Qualification — фильтрация задач Sub-агенты работают параллельно, проверяя, подходит ли задача для превращения в RL environment: - Origins: существует ли репозиторий? Доступен ли starting commit? Open source? - Journey: что пользователь на самом деле пытался решить? Какова была суть задачи? - Outcome: можем ли найти commits/PRs, которые решили проблему в реальности? Откидываются задачи вида: вайбкодинговвый slop, тривиальные задачи, задачи без надежных start/end states[4] Phase 2: Building RL Environment - Archaeology: реконструировать оба состояния (до/после) локально - Documentation: задокументировать все obstacles и dependencies - Containerization: упаковать в Docker, убрать Git (чтобы агенты не могли reward hack) - Verifier: определить, как проверять результат Интересно, что примерно этим же подходом пользовались ребята из whitepaper "Is Vibe Coding Safe? Benchmarking Vulnerability of Agent-Generated Code in Real-World Tasks", о котором я рассказывал раньше. 4️⃣ Все делают RL environments но никто ими не делится И тут Ник открыто говорит о том, что каждая крупная agent lab собирает эти данные, то есть все делают какую-то версию RL environment building за кулисами. Но никто не говорит об этом. Эти компании ссылаются на internal benchmarks, но вы никогда не сможете их изучить, потому что они не публикуют их открыто. Эти данные настолько ценны, что их никто не шарит. Agent labs стоят между реальными инженерами, работающими над реальными задачами, и моделями — у них уникальная роль в истории. В продолжении я расскажу, а что предлагают ребята из Cline, чтобы улучшить ситуацию #AI #ML #Agents #Software #Engineering #Architecture

С новым годом! Рад, что вы подписаны и читаете мой канал. Надеюсь, что он вам бывает полезен, хотя я пишу обычно о том, что интересно именно мне. Для меня 2025 год прошел для меня под знаком AI в разработке софта, developer productivity, чтения научно-популярных книг и возврату к кодингу в паре с AI агентами (open ai codex), vibe code инструментами (lovable) и моими идеями проектов, что я долго откладывал на потом. В следующем году поделюсь с вами результатами этих проектов. Желаю, чтобы у вас в 2026 году все сложилось удачно и все задуманное получилось!

+4

Новогоднее шоу "Дядя Степа" (Рубрика #ForKids) Вчера были на этом новогоднем шоу с детишками и нашими друзьями и нам очень понравилось и тому есть несколько причин 1. Перед самим шоу есть насыщенная программа для детей до него - лучше приезжать за час до представления и поучаствовать в этих активностях 2. Само представление начинается с Дяди Степы, но дальше мы наблюдаем за мистером Звездопадовым, что действует в стиле Джима Керри из фильма "Маска" 3. Само представление является скорее мюзиклом, чем простой театральной постановкой 4. В середине представления есть акробатические номера на батутах, что отдают цирком - очень динамично и красиво 5. Детям представление нравится, так как мистер Звездопадов озвучивает мысли детей насчет того, что родители своими указаниями и запретами мешают веселиться 6. Вся история заканчивается выверено с точки зрения морали и принятия последсьвий своих поступков и только Дядя Степа помогает в том, чтобы эти почледствия не стали фатальными В общем, отличное представление. Рекомендую. #Culture #Theater #ForParents

RepoSwarm - Giving AI Agents Architecture Context Across All Your Repos (Рубрика #Architecture) Интересный доклад про восстановление архитектурного контекста при помощи AI агентов от Roy Osherove, Chief AI Architect в Verbit AI (компания с ~90 разработчиками, 12 командами и 400+ репозиториями). Интересно, что Roy написал три книги: The Art of Unit Testing, Elastic Leadership, Pipeline Driven (пока в разработке, но про его доклад с таким названием я уже рассказывал). У Роя есть и интересный блог robotpaper.ai, где он документирует AI-паттерны для разработчиков. Из интересного - его книги попали в обучающие датасеты LLM, поэтому промпт "review my tests in Roy Osherove style" работает из коробки в Cursor:) Если же говорить про основные тезисы доклада изложены ниже Документация в enterprise - проигрышная битва В компаниях с 400+ репозиториями реальность такова - 90% README-файлов устаревшие или неполные - Архитектурные диаграммы существуют как кот Шредингера (пока не посмотришь не знаешь они еще живы или уже нет) - Критические вопросы требуют недель ручного анализа: "что за инструменты мониторинга используются", "где хранятся определенные данные", "кто пользуется устаревшими API " Не только люди страдают от такого качества документации - AI-агенты страдают тоже, так как им нужен контекст для правильных решений (какой UI-компонент использовать, как вызывать внутренний сервис). Автор доклада в качестве решения создал RepoSwarm, живой архитектурный репозиторий, который доступен в виде open source. Он работает примерно следующим образом 1. Ежедневно сканирует GitHub-репозитории (приватные/публичные) с коммитами за последние 12 месяцев (это настраивается) 2. Генерирует markdown-документацию (один repo.md на репозиторий) через Claude Code SDK 3. Сохраняет в централизованный Architecture Hub — Git-репозиторий с полной историей изменений 4. Никогда не устаревает: при новом прогоне файлы полностью перезатираются (нет никакой backward compatibility) Ключевое отличие от статической документации в том, что документы сделаны AI-readable (markdown) и у нас есть git-история Если говорить про то, что автор решил добавить в repo.md, то это такой список инфомрации - Базовая информация - High-level overview, Dependencies (package.json/requirements.txt), Security checks (top 10 OWASP), Monitoring tools - Данные и API - Database schemas, API versioning, Events/messaging (pub/sub), Data mapping (GDPR/HIPAA flows) - Инфраструктура - CI/CD deployment, Authentication/Authorization, Feature flags, ML/LLM usage (Gemini/Claude endpoints) - Специализированные - Prompt security (injection checks), Mobile UI patterns (для repo_type: mobile), IaC analysis (для Terraform/K8s) В каких реальных кейсах этот инструмент использовался автором 1. Cross-repo анализ - ответы на вопрос вида "какие monitoring tools используются?" 2. Large-scale migrations - обновление Python, консолидация API gateways (переход на Kong), deprecation внутреннего сервиса (поиск всех зависимостей) 3. Архитектурная история - генерация ретроспективно ADR с ответом на вопросы вида "why we moved to serverless in Q2 2024" 4. AI-агентам как контекст - использование Architecture Hub в Cursor → автоконтекст для features/bugs Что использование значит для разработки 1. Смещение роли архитектора - от ручной работы к построению и использованию таких инструментов 2. Новый workflow для compliance - проще выстроить соответствие внешним требованиям 3. Эволюция AI-агентов - улучшениие AI-assisted разработки за счет интеграции архитектурной информации в контекст агентов 4. Следование философии "живой документации" - генерация ее из кода и гарантированный freshness #DevOps #AI #Architecture #Culture #Engineering #ML #Future #Software #SystemDesign

Atomic Heart: Далёкое светлое будущее (Рубрика #SciFi) Прочитал этот сборник рассказов о мире Atomic Heart с большим интересом. Книга о том, каким был Союз Atomic Heart до старта игры: витрины утопии, роботы в быту, ощущение прогресса “всё под контролем”, где технологии не просто помогают — они становятся фоном жизни, новой нормой. Правда, есть ощущение, что ты читаешь лог системы прямо перед тем, как все пошло по наклонной и мир сошел с ума. Отдельно отмечу, что в книге нет спойлеров к сюжету игры, но все истории вполне могли бы быть правдой и они не противоречат официальному лору. Читая этот сборник чувствуешь переломный момент, когда понимаешь: утопия с роботами легко превращается в антиутопию ... Интересно проводить параллели с текущим увлечением человеко-подобными роботами и стремлением к воплощению AGI. Появляются мысли про - Доверие к автоматизации (когда “умно” ≠ “безопасно”), - Человеческий фактор (главный баг всегда в интерфейсе между людьми и системами), - Мир, где роботы — базовая инфраструктура, но не ясно какой план "Б" В общем, эта книга хорошо подходит для любителей игры и не только. #AI #Future #SciFi #Game

The Truth About The AI Bubble (Рубрика #AI) Очередной эпизод подкаста Lightcone от ребят из Y Combinator был посвящен теме пузыря AI, поэтому я посмотрел его с большим интересом. Ребята успели обсудить следующие темы 1️⃣ Anthropic стал №1 среди YC-стартапов Стартапы из Winter 26 batch YC стали использовать чаще Anthropic модели, а не OpenAI: ​- Anthropic Claude: 52% (был ~20-25% в 2024) - OpenAI: упал с 90%+ до <50% - Google Gemini: 23% (был в single-digit) Гипотезы авторов о том, почему Claude впереди - Лучшая модель для coding ​- Enterprise market share: 32% vs OpenAI 25% - ​Фокус на safety и надежности для корпораций - Целенаправленная оптимизация под coding (northstar eval от Tom Brown, co-founder Anthropic) 2️⃣ Vibe Coding стал мейнстримом Выглядит это как - ​Разработка через описание задачи на естественном языке LLM - Генерация кода без детального review - Фокус на итерациях и результате, а не на структуре кода Популярные инструменты: ​- Cursor (VS Code + GPT-4o/Claude) - Claude Code от Anthropic ​- GitHub Copilot, Lovable, Replit, Bolt 3️⃣ AI-экономика стабилизировалась По мнению одного из партнеров нс Jared Friedman: "Самое удивительное для меня — насколько стабилизировалась AI-экономика. У нас есть компании модельного слоя, прикладного слоя и инфраструктурного слоя. Кажется, что все будут зарабатывать много денег, и есть относительно понятный playbook для построения AI-native компании поверх моделей." Что изменилось: - Раньше каждые несколько месяцев новые релизы моделей делали возможными совершенно новые идеи → легко было pivot - Теперь поиск стартап-идей вернулся к "нормальному уровню сложности" 4️⃣ Модели превращают друг друга в commodity ​Стартапы строят orchestration layer и переключаются между моделями: - Используют Gemini 2.0 для context engineering - Затем передают в OpenAI для execution Выбор модели основан на proprietary evals для specific задач Аналогия: как эпоха Intel/AMD — конкуренция архитектур, но пользователи могут их взаимно заменять Что это значит: - Ценность смещается с моделей на application layer - Модельные компании коммодитизируют друг друга - Application-layer стартапы получают преимущество 5️⃣ AI Bubble — это хорошая новость для стартапов Ребята вспоминают пузырь доткомов, что привел к инвестициям в инфру, а дальше поверх этого пришел условный YouTube и смог существовать — дешевый bandwidth был результатом пузыря Сейчас: - Большие компании (Meta, Google, OpenAI) должны инвестировать capex в GPU и дата-центры - Если спрос упадет — это их capex, не стартапов - Инфраструктура останется и будет дешевой Ребята вспоминают про фреймворк Carlota Perez, в котором есть две фазы: installation phase (сейчас), deployment phase (следующие x лет). В первой фазе CAPEX расходы, а во второй создание экономической ценности и появление новых bigtech компаний аля Google. 6️⃣ Космос как решение energy bottleneck Как оказалось для AI bubble недостаточно электроэнергии на Земле - нечем запитать AI дата-центры. А дальше история - Лето 2024: StarCloud предложила дата-центры в космосе → люди смеялись - 18 месяцев спустя: Google и Elon Musk делают это 7️⃣ Больше стартапов делают специализированные модели Harj отмечает рост интереса к созданию smaller, specialized models в последних YC batches: - Edge device models - Voice models для specific языков - Domain-specific models Аналогия: как в ранние дни YC знания о стартапах стали распространенными → explosion SaaS-компаний. Сейчас знания о training models становятся common knowledge. #AI #Engineering #ML #Architecture #Software #Economics #Future

Super Blocks (Рубрика #ForKids) Недавно приехала очередная прикольная игрушка от компании Giiker, раньше я уже рассказывал про тх игру "4 в ряд в трехмерном пространстве". В супер блоках концепт чуть попроще - надо собирать звгаданные формы из блоков, что есть в комплекте. Чем-то это напоминает тетрис, но блоки не летят сверху вниз, а находятся в коробке, а собрать надо не полные ряды, а фигуру загаданной формы. В общем, игра мне понравилась, а также зашла жене и сыну 5 лет, который любит логические игры. #Games #Brain

[2/2] Autonomy Is All You Need (Рубрика #Agents) Продолжая рассказ про доклад Michele Catasta, president & head of AI в Replit, хочется поделиться выводами о том, что может быть полезно инженерам из этого доклада 1️⃣ “Автономность” надо проектировать как фичу, а не надеяться на модель Если вы делаете собственный агент/код‑ассистент, важно принять позицию Michele: автономия — это не свойство модели, это свойство системы. Нужно осознанно строить: - Слой автоматического тестирования и валидации - Модели работы с репозиторием и долгим контекстом - Архитектуру планирования/параллелизации - Политику откатов и ошибок (recovery) Иначе вы получаете “очень умный autocomplete”, а не агента. 2️⃣ Автотесты и CI/CD превращаются из “инженерной гигиены” в API для агента Для команд разработки это переворачивает отношение к тестам и инфраструктуре: - Хорошее покрытие тестами и быстрый CI — это не только про людей, а про то, чтобы агенты могли безопасно модифицировать систему. - “Red → Green → Refactor” становится циклом не только для человека, но и для агента. - Инфраструктура (test env, staging, feature flags) — это уже операционная среда для автономного агента, а не просто удобство для разработчика. Если вы хотите в будущем доверять агенту делать миграции, фичи и рефакторинги, ему нужно: - Где запускать код изолированно - Как проверять, что ничего не сломано - Куда откатываться, если сломано 3️⃣ Контекст‑менеджмент как новый слой архитектуры продукта Архитектурно, “context management” для агента — это почти отдельный сервис: - Индекс кода и артефактов (vector + структурные индексы); - Долговременная память решений (design docs для агента); - История траекторий (что агент делал, что сработало, что нет); - Слой планирования, который может: -- Резать задачи на подзадачи -- Отслеживать прогресс -- Решать, что можно делать параллельно Это очень похоже на добавление “оркестратора” в микросервисную архитектуру, только теперь мы оркестрируем не сервисы, а действия модели. 4️⃣ Параллелизм в агентах = новые паттерны UX и DevEx Для технических руководителей и платформенных команд: - Нужно думать не только о том, как агент “правильно пишет код”, но и о том, как пользователь переживает его работу: -- Показывает ли агент понятный прогресс; -- Может ли пользователь вмешаться/скорректировать план; -- Как отображаются параллельные ветки (логи, диаграммы, “job view”). - План‑ориентированный UI (как в Replit Agent, LangGraph‑подобных системах) становится новым стандартом: разработчики хотят видеть траекторию агента, а не чёрный ящик. 5️⃣ Стратегический вывод: “AI‑инфраструктура” станет нормой для дев‑команд Если принять аргументацию Michele всерьёз, ближайшие 2–3 года для инженеров и техлидов означают: - Надо вкладываться в: -- Тестируемость/наблюдаемость кода; -- Явное моделирование домена (чтобы агенту было чем оперировать); -- Инфраструктуру для экспериментов с агентами (sandbox, telemetry, safety‑rails). - Нужно перестать мыслить агентом как “персональным Copilot’ом”; агент — это участник команды, который: -- Идёт по задачам бэклога, -- Делает изменения, -- Проходит те же quality‑гейты, что и человек (тесты, ревью, линтеры). #AI #ML #Agents #Software #Engineering #Architecture

[1/2] Autonomy Is All You Need (Рубрика #Agents) Посмотрел интересный доклад Michele Catasta, president & head of AI в Replit, который он рассказывал месяц назад на конференции AI Engineer. До этого Michele работал head of applied research в Google, а сейчас отвечает за всю AI‑стратегию Replit, который собирает прототипы приложений “с нуля до демки” за минуты. Вот основные тезисы его выступления 1️⃣ Автономия — главный измеримый прогресс в агентах Кодовые ассистенты можно оценивать не только по качеству подсказок, а по тому, насколько далеко агент доходит сам, без человека “на ручнике”. Для нетехнических пользователей это вообще единственный смысл: либо агент способен сам довести задачу до результата, либо продукт для них бесполезен. Отсюда “north star”: степень автономии — ключевая метрика развития AI‑агентов в разработке, а не просто качество одного запроса. 2️⃣ Две фундаментальные способности для настоящей автономии Michele выделяет два базовых кирпича автономного агента в разработке: 1. Автоматическое тестирование Агент должен уметь сам проверять себя — через юнит‑тесты, интеграционные проверки, e2e‑сценарии, health‑чеки и т.д. Без автоматической валидации он либо: - Нуждается в постоянном человеке‑ревьювере - Либо будет “галлюцинировать” успешность и ломать прод В Replit вокруг этого построен целый цикл: генерация кода → запуск тестов → анализ фейлов → автопочинка. Без этого никакой реальной автономии нет. 2. Продвинутый контекст‑менеджмент Агент, который делает что‑то сложнее одного файла, обязан: - Понимать структуру репозитория и артефактов - Удерживать состояние долгих задач (дни/недели работы над проектом) - Помнить решения, компромиссы и ограничения (memory) - Управлять планом: что сделано, что сломано, какие подзадачи открыты Без хорошего управления контекстом агент либо “забывает” важные детали через N шагов, либо начинает плодить противоречия в кодовой базе. 3️⃣ После автономии — параллелизм как ключ к UX Когда агент может действовать сам, следующая проблема — как сделать так, чтобы пользователю не приходилось ждать вечность. Michele разбирает несколько моделей параллелизации: - Task‑level parallelism. Декомпозиция работы на независимые подзадачи: генерация фронта, бэка, конфигов, тестов и т.п. в разных “ветках” выполнения. Это снижает latency и даёт раннюю обратную связь: пользователь видит прогресс по частям, а не ждёт один гигантский ответ. - Out‑of‑order execution. Не обязательно выполнять задачи строго в порядке плана, если есть независимые куски, которые можно тащить вперёд. Похожая идея на out‑of‑order в CPU: выигрыш по времени, но нужно аккуратно работать с зависимостями. - Параллельная план‑декомпозиция. Не один линейный “Chain of Thought”, а дерево плана, где разные ветки могут развиваться отдельно и потом схлопываться. Это повышает устойчивость: можно откатываться не “ко всему началу”, а к узлу дерева. Ключевая идея: последовательный агент = плохой UX. Пользователь залипает в ожидании и теряет flow. Настоящий “AI engineer experience” — это когда агент шуршит параллельно по нескольким направлениям, а человек видит понятный прогресс. 4️⃣ Баланс: latency vs ресурсы vs корректность** Как только добавляем параллелизм и автономию, начинается классическая инженерная тройка: - Меньше latency → больше параллельных веток → выше расход токенов/вычислений. - Больше автономии → меньше человеческого контроля → выше риск некорректных изменений. - Жёсткие гарантии корректности → больше проверок/ручных подтверждений → хуже UX. Michele по сути говорит: нет “магического” решения. Нужно явно проектировать эту тройку под свой продукт: - где мы готовы платить вычислительными ресурсами ради вау‑эффекта; - где ради безопасности согласны пожертвовать скоростью; - где нужна явная точка “здесь всегда спрашиваем человека”. В продолжении будут мысли о том, а что можно извлечь инженерам при создании своих автономных агентов. P.S. Кстати, историю Replit хорошо рассказал Амджада Масада (CEO) в интервью Y Combinator летом (см. мой разбор) #AI #ML #Agents #Software #Engineering #Architecture

The Human Cloud (Экономика удалёнки) (Рубрика #Economics) Прочитал книгу "The Human Cloud" еще из тех времен (21 года), когда был еще Sber Cloud, а не Cloud.ru, и их название красуется на обложке - ведь ребята помогли в издании этой книги. Если же говорить про книгу, то главной темой является грядущее преобразование мира труда под влиянием трех факторов: - Развития технологий удалённой работы - Взрывного роста фриланс-экономики (гиг-экономики) - Внедрения автоматизации/искусственного интеллекта (и это было еще до chatgpt момента) Авторы вводят понятие «Human Cloud» («человеческое облако»), под которым понимается глобальный пул талантов-фрилансеров, доступных через цифровые платформы по принципу облачного сервиса. По мнению Моттолы и Коутни, традиционная офисная модель устарела: современные средства связи (почта, видеосвязь, облачные хранилища, менеджеры задач) позволяют эффективно работать из любой точки мира. Компании всё чаще предпочитают нанимать специалистов под конкретные проекты, а не держать штат, – поэтому полноценная занятость в одном офисе перестает быть нормой. Интересно, что сейчас удаленка уже не в моде, фриланс становится вынужденным из-за сокращений, а AI уже не просто автоматизирует рутинные операции (как много изменилось за 5 лет, что прошли с написания книги). Но в своей книги авторы оптимистичны - они говорят, что эти три фактора дают новые возможности и работникам, и работодателям. . Они перечисляют ряд ключевых идей и советов: - Удалённая фриланс-модель повышает эффективность Индивидуальные исполнители теперь способны выполнять проекты, на которые раньше требовались ресурсы большой корпорации. Благодаря облачным инструментам один талантливый специалист может достучаться до глобальных заказчиков и работать с ними напрямую, без посредников. Для профессионалов это означает больше влияния и свободы в работе. - Полноценная занятость больше не гарант стабильности Парадоксально, но авторы отмечают, что многие во время пандемии убедились: постоянная должность не так надёжна, как считалось. Фриланс же может дать стабильный доход, если у человека востребованные навыки. Технологии делают переход к независимой работе проще – от онлайн-платформ поиска клиентов до доступных инструментов разработки, дизайна, аналитики и т.д. - Главное – результат, а не процесс В новой модели успех определяют не отсиженные часы и офисная политика, а конкретные результаты (outcomes). Фрилансер ценится за выполненный проект и качество работы, поэтому должен сосредоточиться на своих лучших профессиональных навыках. Эта ориентация на результат, по мнению авторов, сделает и компании эффективнее - «Human Cloud» + ИИ = будущее работы Помимо человеческого облака фрилансеров, авторы вводят понятие «Machine Cloud» – условно, облако машинного интеллекта. Речь о том, что автоматизация и ИИ дополняют человеческий труд, беря на себя рутинные или трудоёмкие задачи. В книге подчёркивается: хотя звучат страхи, что «роботы отнимут работу», реальность не столь мрачна. Новые технологии скорее создают новые возможности, а не тотальную безработицу. Моттола и Коутни призывают не бояться, а использовать ИИ-инструменты, чтобы повысить свою продуктивность и ценность на рынке труда. Основной посыл книги оптимистичный, но если посмотреть на gig-экономику сегодня, то видно, что она в реальности столкнулась и с серьезными проблемами: социальная незащищенность работников, отсутствие стабильности в работе, регуляторные ограничения (когда gig-работников приравнивают к штатным сотрудникам при определенных условиях). Такие тенденции ставят под вопрос неограниченный рост «человеческого облака» в том виде, как его описывает книга. Компании уже не смогут бесконечно экономить за счёт обхода трудового законодательства – возможно, им придётся находить баланс между гибкостью и соцгарантиями. #Economics #AI #Management #Leadership #Startup #Engineering #Future

Amp Code: Next generation AI Coding (Рубрика #AI) Посмотрел интересный доклад Beyang Liu, CTO Sourcegraph, о новом редакторе Amp Code, в котором автор говорит о том, что это не просто "еще один Copilot", а попытка фундаментально изменить то, как мы взаимодействуем с AI в разработке. Если коротко: по мнению автора мы переходим от фазы "AI пишет текст" к фазе "AI замыкает цикл разработки". Сам Beyang Liu закончил Стэнфорд, а также успел поработать в Palantir и Google. Известен как создатель Sourcegraph (движок поиска по коду) и Cody (один из первых AI-ассистентов с контекстом кодовой базы). Он верит, что главное в AI-кодинге - это не генерация токенов, а доступ к графу знаний кода и runtime-окружению. Основные тезисы доклада следующие 1️⃣ Смерть "Copilot-парадигмы" Традиционные AI-ассистенты (GitHub Copilot, ранний Cody) работают как "умный автокомплит". Они предсказывают следующий токен, но не знают, работает ли этот код. Beyang называет это "Fire and Forget": AI выдал код, а разгребать ошибки компиляции - тебе. 2️⃣ Agentic Loop Amp Code строит работу вокруг цикла OODA (Observe-Orient-Decide-Act) - AI пишет код - Сам запускает линтер/компилятор/тесты - Видит ошибку (например, TypeError) - Исправляет её без участия человека. - Повторяет, пока не заработает. 3️⃣ Контекст - это не только текст Просто засунуть 100 файлов в контекстное окно (даже на 1M токенов) - недостаточно. Amp использует LSP (Language Server Protocol) и реальные данные из runtime, чтобы понимать структуру проекта так же, как её понимает IDE, а не просто как набор символов. 4️⃣ Режим "Review Agent" В Amp встроен отдельный агент-ревьюер. Перед тем как применить изменения, он проводит Code Review: ищет баги, проверяет стиль и безопасность, имитируя процесс PR-ревью в команде. 🚀 Что это значит для разработки? - Сдвиг скиллсета: От "быстрого набора кода" мы переходим к управлению агентами. Ваша задача - четко сформулировать намерение (Intent) и архитектуру, а реализацию (Implementation) и отладку берет на себя тул. - Меньше Context Switching: Вам не нужно переключаться между редактором и терминалом, чтобы проверить, работает ли код, который выдал AI. Агент делает это фоном. - Unix-way: Beyang подчеркивает, что Amp доступен и как VS Code extension, и как CLI-инструмент. Это возвращение к корням: мощные инструменты, которые можно скриптовать и встраивать в пайплайны. В докладе и документации Amp, Beyang опирается на следующие концепции и материалы: 1. Agentic Workflows & Scaling Laws Автор ссылается на то, что качество кода растет не линейно от размера модели, а скачкообразно при использовании agentic loops. Это подтверждается результатами бенчмарка SWE-bench, где агенты, умеющие запускать код, радикально обходят простые LLM. Подробнее про концепцию можно почитать у Andrew Ng 2. Sourcegraph’s "Big Code" Intelligence База Amp - это технологии анализа графа кода (SCIP), которые Sourcegraph разрабатывает годами. 3. LSP как источник истины Тезис о том, что LLM нужны структурированные данные от компилятора, а не просто текст. Это отсылка к Language Server Protocol, был разработан компанией Microsoft для своего редактора кода VS Code, но стал открытым стандартом и теперь активно развивается совместно с Red Hat и Codenvy, а сам проект размещен на GitHub, что позволяет использовать его в разных редакторах и для множества языков программировани #AI #Software #Engineering #Architecture #Agents #ML #SystemDesign

+4

[2/2] The state of AI in 2025. Agents, innovation, and transformation - Стратегии высокоэффективных компаний (Рубрика #AI) Заканчивая разбор этого отчета от McKinsey, я не смог пройти мимо самой интересной части исследования - сравнения обычных компаний с высокоэффективными 6% организаций, которые добились заметного влияния ИИ на бизнес. Эти лидеры разительно отличаются подходом. Исследователи McKinsey определяют их по двум критериям: >5% EBIT от ИИ и подтвержденная "значимая" ценность от использования ИИ. Авторы отчета используют эти компании в качестве golden image или образца для подрожания, которому стоит следовать тем, кто еще не готов отчитаться об эффекте в 5% совокупного EBIT. Ниже расписаны отличия AI-стохановцев от остальных компаний 1️⃣ Лидеры ставят перед ИИ амбициозные цели Половина таких компаний заявляет, что намерена с помощью ИИ трансформировать бизнес, а не просто улучшить эффективность. По опросу, они в 3+ раза чаще, чем остальные, нацелены на коренное переосмысление своих операций посредством ИИ. Эти компании воспринимают ИИ не как инструмент, а как новый "операционный механизм" организации. 2️⃣ High performers перестраивают рабочие процессы под ИИ Они почти в 3 раза чаще других заявляют, что радикально перепроектировали отдельные рабочие потоки при внедрении ИИ. Это подтверждает статистика: фундаментальный redesign процессов - один из самых влиятельных факторов успеха (по результатам регрессионного анализа). Проще говоря, компании-лидеры не ограничиваются автоматизацией отдельных задач, а переосмысливают последовательность действий, роли людей и машин, и встраивают ИИ в сердце этих процессов. Такой подход требует больше усилий, но и приносит качественно иной уровень эффекта. 3️⃣ Лидеры распространяют ИИ шире и быстрее Они применяют ИИ гораздо в большем числе функций и быстрее продвигаются в масштабировании пилотов. В большинстве функций high performers уже используют ИИ, а по работе с агентами они впереди других: в каждой бизнес-функции лидеры минимум втрое чаще продвинулись до стадии масштабирования агентов. Иначе говоря, если новая технология появляется, топ-6% стараются сразу внедрить ее широко. 4️⃣ Прямая отвественность топ-менеджмента за AI повестку В таких компаниях в 3 раза чаще сильнее выражено согласие с тем, что их высшие руководители демонстрируют приверженность инициативам в области ИИ (берут на себя ответственность, лично продвигают использование ИИ). Лидеры не просто спонсируют, но и активно участвуют. Без этого культурного сдвига масштабные изменения трудно осуществить. Как отмечают авторы, культура и лидерство фактически становятся главным защитным барьером (moat) для таких компаний, отличая их от конкурентов 5️⃣ High performers больше инвестируют и системно подходят к развитию ИИ-способностей Более одной трети лидеров тратят свыше 20% всего цифрового бюджета на ИИ - это почти в 5 раз чаще, чем остальные компании. Около 75% high performers уже находятся на стадии масштабирования ИИ или полностью масштабировали его, тогда как среди остальных этого достигли только 33%. Они также активнее нанимают специалистов по ИИ и закрывают ключевые пробелы в талантах и данных. Все высокоэффективные организации внедряют комплекс практик по шести измерениям (стратегия, таланты, операционная модель, технология, данные, внедрение и масштабирование). Например, лидеры чаще устанавливают чёткие процессы проверки вывода моделей человеком (чтобы контролировать качество), встроили ИИ-инструменты в основные бизнес-процессы и отслеживают KPI для ИИ-решений. Такая скрупулезность во внедрении обеспечивает им преимущество. Ну и дальше, чтобы додавить всех не high performers эффектом FOMO (Fear of missing opportunity) надо добавить вывод, что топ-6% компаний обращают ИИ в конкурентное преимущество через рост, инновации и организационную трансформацию, тогда как многие другие застряли на уровне локальных улучшений. Это ведет к разрыву, где малая группа компаний уже сейчас переписывает правила работы, а остальные рискуют отстать #Engineering #AI #Metrics #Software #Productivity #Economics #Whitepaper

[1/2] The state of AI in 2025. Agents, innovation, and transformation - Общие результаты исследования (Рубрика #AI) Изучил интересный отчет от ноября 2025 года, что был подготовлен экспертами подразделения "QuantumBlack, AI by McKinsey" во главе с группой старших партнеров McKinsey. Мне было интересно сравнить его результаты с совместным отчетом "Яков и партнеры" (ex-McKinsey) и Яндекса, про которое я рассказывал раньше. Исследование глобально McKinsey основано на онлайн-опросе, проведенном с 25 июня по 29 июля 2025 года. В опросе приняли участие 1 993 респондента из 105 стран, представляющие все основные регионы, отрасли, масштабы компаний, функциональные направления и уровни должностей. Около 38% участников работают в компаниях с выручкой более $1 млрд, а данные были взвешены по доле стран в глобальном ВВП для устранения перекосов. Ключевые определения, которые используются по всему отчету и которые стоит знать при чтении 1) "Регулярное использование ИИ" определяется как применение ИИ хотя бы в одной бизнес-функции организации. Степень внедрения оценивалась по этапам - Экспериментирование - Пилотное внедрение - Масштабирование (развертывание решений в масштабах компании) - Полное масштабирование по всему предприятию 2) Авторы определили "агентные системы ИИ" (AI agents) как системы на основе foundation models, способные автономно действовать в реальном мире, планируя и выполняя многошаговые задачи 3) Под "AI high performers" (высокорезультативные компании в сфере ИИ) понимается небольшой сегмент (~6% опрошенных организаций), где благодаря ИИ достигается значимый эффект: более 5% совокупного EBIT компании и "существенная" бизнес-ценность напрямую обусловлены использованием ИИ. Именно практика этих лидеров рассматривается отдельно. Executive summary приводится в самом начале отчета и выглядит так 1️⃣ Большинство организаций всё ещё на этапе экспериментов или пилотов Почти две трети респондентов говорят, что их компании пока не начали масштабировать ИИ на уровень всей организации (enterprise-wide). 2️⃣ Высокий интерес к ИИ-агентам 62% участников опроса отмечают, что их организации как минимум экспериментируют с ИИ-агентами. 3️⃣ Есть позитивные ранние сигналы влияния ИИ, но не на уровне всего бизнеса Респонденты видят эффект в конкретных сценариях - снижение затрат и рост выручки; 64% считают, что ИИ помогает инновациям. Однако только 39% фиксируют влияние на EBIT на уровне компании в целом. 4️⃣ Лидеры по результатам используют ИИ не только для эффективности, но и для роста/инноваций 80% респондентов говорят, что их компании ставят повышение эффективности целью ИИ-инициатив. Но те, кто получает от ИИ максимальную ценность, часто добавляют цели роста или инноваций (а не ограничиваются срезанием затрат). 5️⃣ Перепроектирование процессов - ключевой фактор успеха Половина "высокоэффективных" компаний планирует использовать ИИ для трансформации бизнеса, и большинство из них уже перерабатывают (redesign) рабочие процессы и цепочки выполнения задач. 6️⃣ Разные ожидания по влиянию на занятость Оценки респондентов по тому, как ИИ повлияет на численность персонала в ближайший год, различаются: 32% ждут сокращения, 43% - без изменений, 13% - роста. В продолжении я расскажу про стратегии высоко-эффективных менеджеров команд, которые авторы отчета используют в качестве golden image или образца для подрожания, которому стоит следовать тем, кто еще не готов отчитаться об эффекте в 5% совокупного EBIT. #Engineering #AI #Metrics #Software #Productivity #Economics #Whitepaper

[3/3] The Pragmatic Engineer 2025 Survey (Рубрика #DevEx) Если финализировать разбор этого отчета Гергели (начало в 1 и 2), то видны следующие ключевые тренды 1️⃣ Инструменты с искусственным интеллектом из разряда эксперимента перешли в категорию повседневных - подавляющее большинство разработчиков теперь пользуется AI-помощниками. Это означает, что продуктивность инженеров всё больше будет зависеть от интеграции AI в их рабочие процессы, а компании должны учитывать данную тенденцию при выборе инструментов. 2️⃣ Технологический стек продолжает унифицироваться вокруг лучших решений: TypeScript и React стали фактическим стандартом веб-разработки, Kubernetes – стандартом развёртывания, GitHub - стандартом хостинга кода и т. д. Популярные языки и фреймворки достигли такой зрелости, что разработчики в целом ими довольны и не испытывают острой необходимости срочно искать им замену 3️⃣ Позиции крупных экосистемных игроков остаются сильны. Так, Microsoft контролирует заметную часть инструментов разработчика (4 из 15 самых распространённых, включая VS Code, GitHub и Azure DevOps), Amazon - облачную инфраструктуру, Atlassian - управление проектами и т.д. Для индустрии это означает стабильность базового инструментария и продолжение инвестиций со стороны гигантов рынка. Одновременно опрос показал и точки напряжения, которые можно рассматривать как ниши для инноваций. Разработчики явно фрустрированы от "тяжеловесных" корпоративных решений – яркий пример тому JIRA, которую вынужденно используют повсеместно, но называют худшим инструментом. Запрос на более продуктивные, быстрые и удобные инструменты налицо, что подтверждается успехом конкурента Linear и других облегённых аналогов. Когда две системы (JIRA и Linear) охватывают порядка 75% всех командных процессов планирования, рынок фактически монополизирован парой игроков - и в то же время открывается возможность для новых продуктов, способных потеснить устоявшиеся, но нелюбимые решения. Похожая ситуация складывается и в других категориях: например, появление специализированных стартапов в области oncall, фичефлагов, observability говорит о том, что существующие крупные продукты удовлетворяют не всех. Многие компании продолжают строить критически важные инструменты "in-house", и это сигнал вендорам о незакрытых потребностях. С другой стороны, столь богатый и разнообразный ландшафт инструментов - благо для инженеров, но и вызов для технологических лидеров. В 2025 году перед командами стоит задача грамотной интеграции множества инструментов: от AI-помощников до облачных сервисов, от мониторинга до экспериментальных платформ. Те компании, которые сумеют подобрать оптимальный набор технологий и процессов, получают конкурентное преимущество в эффективности разработки и скорости вывода продукта на рынок. #AI #ML #PlatformEngineering #Software #Architecture #Processes #DevEx #Devops

[2/3] The Pragmatic Engineer 2025 Survey (Рубрика #DevEx) Продолжая рассказ про опрос Гергели, рассмотрим оставшиеся темы ❤‍🔥 Инструменты разработки: любовь и ненависть Список самых часто используемых инструментов возглавил неожиданно JIRA (чаще даже VS Code или AWS). Парадоксально, но JIRA же стал и самым ненавидимым инструментом (разработчики не любят JIRA за медлительность и громоздкость), а вот более лёгкий конкурент, Linear, напротив, попал в число самых любимых инструментов (№4) и рассматривается инженерами как желанная замена JIRA. В целом, два этих инструмента сейчас доминируют в управлении проектами (вместе 75% упоминаний project management инструментов). JIRA в крупных компаниях, а Linear в малых. ✈ Командная коммуникация и сотрудничество Среди средств коммуникации лидируют проверенные решения: Slack - самый используемый чат для разработки, а Microsoft Teams - наиболее распространён для видеозвонков. Для хранения документации чаще всего применяют Confluence, для совместного brainstorming - онлайн-доску Miro, а для дизайна интерфейсов - Figma. Примечательно, что Figma упоминалась разработчиками даже чаще, чем такой профильный инструмент, как K8s. Это свидетельствует о глубоком вовлечении команд разработки в процесс проектирования UX/UI и тесной междисциплинарной работе с дизайнерами. 😶‍🌫️ Облачные платформы В облачной инфраструктуре опрос подтвердил безусловное лидерство Amazon Web Services (AWS) - эту платформу используют ~44% респондентов, тогда как у ближайшего преследователя, Microsoft Azure, ~30%. Доля Google Cloud Platform составляет оставшиеся ~26%. 🐘 Инфраструктура и базы данных Практически повсеместно используются контейнеры Docker и оркестратор K8s - де-факто стандарт развёртывания приложений. Для управления инфраструктурой как кодом лидирует Terraform. Кроме того, широко востребованы управляемые облачные сервисы (например, от AWS) для типовых задач backend. Что касается хранения данных, опрос показал безоговорочную популярность PostgreSQL (1/3 респондентов упоминало ее). Тем не менее, выбор технологий хранения невероятно разнообразен: профессионалы упомянули десятки разных баз данных (SQL, NoSQL, NewSQL, специализированные хранилища и т. д.). Это говорит о том, что современный стек данных очень неоднороден, и команды подбирают БД строго под свои задачи. ♾️ Мониторинг и надежность (DevOps) В сфере observability данных наиболее популярны платформы Datadog, Grafana и Sentry - каждая из них используется примерно у 15-25% участников опроса. Эти инструменты (соответственно, облачный сервис мониторинга, open-source система дашбордов и сервис отслеживания ошибок) стали привычной частью инфраструктуры многих команд. Для оповещений и реагирования на инциденты подавляющее число инженеров применяют классические решения PagerDuty и OpsGenie. 📱 Фронтенд и мобильные технологии Здесь наблюдается большая консолидация вокруг нескольких фреймворков. React практически без конкурентов доминирует как основной фронтенд-фреймворк (упоминается большинством веб-разработчиков), а Next.js стал самым популярным "мета"-фреймворком для React-приложений. Для мобильной разработки кроссплатформенно лидирует React Native - опрошенные отмечают его гораздо чаще любых альтернатив. Иными словами, стек фронтенда в 2025 году у большинства команд выглядит схоже. На бекенде разброс решений больше, но и там многие используют единый стек на TypeScript/Node.js либо популярные фреймворки вроде .NET и Spring. 🎌 Feature flags и внутренние инструменты Практика feature flags и a/b тестирования прочно вошла в жизнь: для этого многие используют готовые сервисы, главным из которых является LaunchDarkly. Тем не менее, опрос показал, что весьма часто компании создают собственные системы фичефлагов, платформы экспериментов и кастомные конвейеры деплоя. Это может указывать на то, что существующие продукты не полностью покрывают нужды команд, либо на желание сэкономить на лицензиях, либо на требования безопасности. Выводы из исследования в финальном посте. #AI #ML #PlatformEngineering #Software #Architecture #Processes #DevEx #Devops