Интересно получается — одним ИИ даёт буст производительности, возможности для роста и развития, другие упираются в энтропию и тонут под грузом ошибок.

Мне кажется, что современный мир разработки как никто нуждается в компетентных инженерах, иначе будет как на скрине выше.

Вышло видео, где Сэм Альтман отвечает на вопросы по ИИ. Некоторые мысли сильно коррелируют с моими собственными. Похоже, индустрия меняется гораздо быстрее, чем наша способность осознать эти изменения, и тренды довольно интересные:

- Бизнес вынужден бороться за «внимание». Раньше в цене была «сложность» решения задач, а теперь, как будто, сложности нет — все идеи, которые приходят в голову, можно быстро реализовать и продвинуть на рынок. Проблема в том, что другие участники тоже могут быстро выпускать новые продукты, реализующие другие идеи. В новой системе ограничением является внимание пользователей, бизнесу всё сложнее будет бороться за внимание, и чтобы преуспевать в этом направлении, на первый план выходит ценность, которую несёт продукт.

- Есть два направления дальнейшего развития ИИ — увеличение скорости работы моделей либо уменьшение стоимости. Здесь нужно искать баланс, потому что нельзя сделать быстро и дёшево одновременно, по крайней мере не сразу. Поэтому, скорее всего, сначала станет «дёшево»: в ближайший год-два цена может упасть в 100 раз.

- Была интересная мысль о том, что ИИ может нести большие угрозы в области биологии и создания новых патогенов. Это направление сложно контролировать через «запреты», нужно вырабатывать с помощью ИИ ответные меры, повышающие устойчивость.

Вывод из разговора простой - ИИ поможет писать код быстрее, продвнет возможности персонализации под конкретных людей (когда под каждого человека можно будет создавать свой софт), но процессы, борьба за внимание, ценность идей, человечиские отношения - те сферы, где ИИ пока не конкурент людям.

🚀 БАЗОВАЯ ЗАЩИТА LINUX СЕРВЕРА ЗА 10 МИНУТ

Самая частая причина взлома - открытый SSH и слабые настройки по умолчанию.
Сделай минимум: обнови пакеты, включи фаервол, запрети root-вход, отключи парольный SSH, включи Fail2ban и авто-апдейты безопасности.
Это 80% защиты для любого VPS.

sudo apt update && sudo apt -y upgrade

sudo adduser admin
sudo usermod -aG sudo admin

sudo sed -i 's/^#\?PermitRootLogin.*/PermitRootLogin no/' /etc/ssh/sshd_config
sudo sed -i 's/^#\?PasswordAuthentication.*/PasswordAuthentication no/' /etc/ssh/sshd_config
sudo systemctl restart ssh

sudo ufw allow OpenSSH
sudo ufw allow 80,443/tcp
sudo ufw --force enable

sudo apt install -y fail2ban unattended-upgrades
sudo systemctl enable --now fail2ban
sudo dpkg-reconfigure -plow unattended-upgrades

Выпустил видео "Дорожная карта по изучению ИИ (начало)" это видео сделал около месяца назад и пока оно было в монтаже некоторые вещи уже успели измениться, вышли новые модельки, появились новые инструменты, случился OpenClaw, но основная часть осталась актуальной, поэтому рекомендую посмотреть тем, кто в самом начале пути.

YouTube | VK | RuTube

Напоминаю, что у меня есть канал в Max

Выпустил ролик "Движение к цели короткими шагами". Сейчас часто стал слышать, что появление ИИ сильно изменило профессию и объемы новой заметно выросли, активно развиваются идеи, подходы, появляется новый софт и т.д. и т.п. из-за этого люди чувствуют себя в состоянии гонки и постоянного напряжения. Мне кажется, что это важная тема для разговора, поэтому решил снять короткое видео где изложил свои мысли как можно и нужно справляться с информационным потоком. Надеюсь вы найдете для себя что-то полезное, обсудить можно в комментариях к этому посту.

YouTube | VK | RuTube

21.02.2026 10:00 Мск

Проведу архитектурный стрим (только для платных подписчиков soer.pro)

В рамках встречи поговорим о том какое влияние ИИ оказывает на архитектуру программного обеспечения и как это в свою очередь влияет на нас программистов.

Темы:

- Разберём разницу между AI Ready и AI First с позиции архитектуры

- Поговорим про принципы построения новых систем:
→ Токены - Контекст - Оркестрация (три кита современных ИИ систем)
→ Почему SOLID и другие принципы уже не так важны.

- Токены - новое золото
→ Проблемы долгосрочной памяти - как их решать
→ Контекстное окно - как его правильно использовать

- OpenClaw
→ Общая архитектура
→ Оркестрация, память, контекст и агент

Формат: доклад + круглый стол.

Пока не определился с площадкой, будет зависеть от того сколько человек решит подключиться. У нас есть группа Лаборатория ИИ подключайтесь, там будет голосование и примем решение где провести трансляцию.

Использование ADR в качестве источника правды при архитектурном ревью - идея отличная. Были споры, что это сработает, поэтому провели исследование: Evaluating Large Language Models for Detecting Architectural Decision Violations, которое подтвердило, что идея рабочая.

Стоит отметить что не все архитектурные задачи ИИ делает хорошо, но в целом с контролем решений он справляется.

Коротко:взяли около 100 репозиторев и почти 1000 adr, построили пайплайн из моделей, которые проводят анализ и оценивают результаты, используя ADR. Проверку поручили людям. Оказалось, что оценка людей в большинстве случаев совпадает с ИИ.

Нюансы: ADR были написаны людьми, код тоже людьми. Способность контролировать не значит, что ИИ смог бы грамотно спроектировать и поддерживать базу решений.

Что это значит? Скорее всего ревью кода и архитектуры в будущем будет делать ИИ, а архитекторам поручат исправление.

Выпустил ролик "Чему учиться программисту в первую очередь". Это ответ на вопросы подписчика о том как совместить изучение базовой теории, технички и новых реалий, связанных с изучением ИИ.
YouTube | VK | RuTube

Развитие систем разработки с помощью ИИ идет не только за счет увеличения мощности LLM. Одно из направлений — создание мультиагентных систем. Я запустил небольшой эксперимент, в рамках которого создаю небольшую LMS (это аналог NarisApp). Задача — проверить, можно ли доверить разработку небольших проектов искусственному интеллекту.
Первые результаты — в видео ниже.

YouTube | VK | RuTube

Мы вчера обсуждали, что далеко не каждая кодовая база готова к тому, чтобы ее смог сопровождать ИИ, вот статья, где больше конкретики

Коротко:
Проблема в том, что ИИ не умеет накапливать контекст. Все, что он получает на вход, он счтает достаточным для принятия решения. Причем, даже если ему дать инструкцию проверить хватает ли данных в контексте, он с высокой вероятностью не сможет качественно отличить ситуацию от "минимально достаточного" и "реально необходимого".

Люди в силу способности к самообучению, накоплению знаний и прочим когнетивным способностям, не так остро чувствуют эту проблему. Поэтому справляются даже со сложными кодовыми базами намного лучше.

Что можно сделать?
Чтобы ИИ начал лучше работать с кодом, в статье прделагается следующее:

- Перестраивайте компоненты так, чтобы они заканчивали работу, а не запускали цепную реакцию. В статье сказано дословно сказано "Sinks, Not Pipes" идея в том, что каждая функция должна завершать свою работу,а не порождать цепочку вызовов после себя. От себя добавлю, что это классическое разделение на main и утилитарные функции.

- Используйте разделение на модули, с понятным и непротиворечивым интерфейсом. Здест тоже все по классие - границы и обязанности

- Используйте "глубокие" модули, модуль может содержать сложную логику, но она должна быть полностью инкапсулирована и скрыта за небольшим интерфейсом, не надо делать кучу "мелких" зависимостей вокруг модуля.

- Файловая структура должна соответствовать модульной декомпозиции или принцип "честной архитектуры". Тут важно чтобы нейминг и логика были прозрачные и понятные.


Чтобы облегчить работу ИИ можно использовать тесты, как источник правды: тесты проходят, значит все ок.

Резюме:

• Организуйте папки так, чтобы архитектура читалась с первого взгляда
• Сделайте тесты границами - проходят, значитможно не лезть внутрь
• Проектируйте интерфейсы честно - никаких скрытых эффектов
• Регулярно проверяйте зависимости - отлавливайте "скрытые связи"
• Внедряйте прогрессивное раскрытие - от общего к частному

Как и обещал делюсь своими наработками по теме архитектуры мультиагентных систем. Сегодня опубликовал видео в котором описал основные моменты фреймворка для построения агента. Видео опубликовано и доступно на всех основных полщадках:
YouTube | VK | RuTube

Многие написали про большое исследование Anthropic, где лейтмотивом прошла мысль, что существующие возможности ИИ сильно превышают реальное использование. Для программистов предел возможностей находится на уровне 75%.

По идее это говорит о том, что программисты наиболее подвержены замене (причем это один из самых высоких показателей), но на практике резкой замены не происходит.

На изображении красным помечено насколько используется ИИ в реальных задачах, а синим - это возможный максимум. Возникает вопрос: Почему такой разрыв?

1. Вопрос ответственности.

LLM регулярно делают вещи, которые могут привести к серьезным последствиям. Например, недавно писал как ИИ выложил приватные ключи доступа в репозиторий, слава богу это была тестовая песочница, а не реальный проект.

Для реального бизнеса в первую очередь нужна оценка рисков и минимизация их последствий, без этого ни один серьезный бизнес кардиальных изменений в рабочих процессах делать не будет.

Реалии состоят в том, сегодня нет способа существенно снизить риски использования ИИ, а значит без человека не обойтись.

2. Вопрос контроля

Из-за необходимости постоянного контроля возникает паттерн Human in the loop. Поэтому человек по-прежнему нужен и важен практически во всех процессах, в том числе и разработке.

3. Юридические неопределенности.

Пока законодательство не особо регулирует сферу ИИ, но, например, недавно в РФ появилась инициатива обязать компании предоставлять пользователю возможность отключить ИИ и работать с человеком, что существенно ограничивает возможность использования ИИ.

4. Недостаток инструментов и технологий.

У ИИ есть только возможность принимать решения, но для полноценного цикла этого мало, кроме этого как минимум нужна "Память" и "Контекст" и базовое критическое мышление, чтобы не допускать совсем уж тупых промахов.

Поэтому развитие ИИ в ближайшее время будет идти по пути усовершенствования инструментов и законодательства, а о массовой замене программистов пока речи не идет.


Что реально может измениться для нас?

Так как человек в цикле разработки с помощью ИИ - обязательное звено, то для нас изменятся инструменты, могут измениться обязанности, от нас будут требовать понимаени работы ИИ и архитектуры. Т.е. фокус внимания сместится с уровня кода, на уровень системного дизайна, валидацию решений принятых ИИ и тому подобных вещей.

Отсюда неплохо прокачать свои знания по озвученным вопросам, это позволит не только конкурировать с ИИ, но в первую очередь с другими людьми!

Привет, можешь дать рекомендации по литературе, где можно получит/улучшить такие навыки

Хороших книг не знаю, сейчас все изучают просто по наборам тем, так как быстро все изменяется. У меня есть бесплатные карты знаний, где подобрал темы для изучения (они пополняются и развиваются), там есть краткая справка, ну и дальше можно просто искать ролики на эти темы и собирать информацию.

• Основы ИИ (вот тут можно найти видос)
• Инженерия контекста

Если собирать самому не хочется, то могу предложить свои платные коллекции знаний:

• на следующей неделе стартует интенсив Архитектура ИИ-агентов
• Дополнительно есть записи видео по архитектуре Монолитная архитектура и Сервисная архитектура (это к вопросу как строить проекты, чтобы их мог поддерживать ИИ)

Так же провожу созвоны (обычно в них две части - теория, затем обсуждение):

Созвон. Проектирование контекста - теория
• структура контекста
• вопросы внимания

• Созвон. Архитектура OpenClaw

На канале вышло видео о том как конкурировать с ИИ. Кажется, что ИИ становится настолько умным, что уже куда не кинься, а там нет места человеку. Многие рутинные вещи уже неплохо делает машина, а что делать человеку - большой вопрос. Далеко ходить не надо, даже монтаж этого видео на 60% сделан ИИ.
Но если присмотреться, есть несколько вещей, которые пока нас защищают от тотальной замены: вопрос ответственности (ее по-прежнему несут люди), скорость внедрения новых технологий, абстракции и инфраструктурные вопросы. Подробнее смотрим в видео:

YouTube | VK | RuTube

Продолжаю размышлять о том как работать в условиях, когда ИИ бурно развивается. Сегодня решил поговорить о том, как архитектура программного обеспечения помогает при создании ИИ агентов и новых проектов.
YouTube | VK | RuTube

На Хабре вышла статья о развитии отечественной модели GigaChat 3.1. У меня по этому поводу какие-то двоякие чувства. С одной стороны, GigaChat — это, ИМХО, единственная "честная" отечественная модель, которая более-менее может решать прикладные задачи, не связанные с кодом.

С другой стороны, описанные в статье сравнения с DeepSeek-V3-0324 и Qwen3-235B-A22B-Non-Thinking подтверждают факт приличного отставания в гонке ИИ. Модели годовалой давности, по современным меркам — это много. Сейчас счет на месяцы идет. Если взять Gemini 3.0 и 3.1, там огромный разрыв в результатах за короткий срок.

Но тем не менее есть и позитивные моменты — ребята нарабатывают опыт, что, пожалуй, самое важное. Судя по статье, Сбер не стал изобретать что-то радикально новое, а использовал проверенные инженерные наработки (например, DeepGEMM и подходы к FP8), сосредоточившись на качестве данных, пост-тренинге и инженерной доводке. Это более разумно, чем колупаться со своими решениями и отставать еще больше.

Поэтому держу кулачки и надеюсь, что у ребят все получится. Пока огромный минус — цена вопроса при доступе через API. Вот тут надо сильно переосмысливать.