Руслан Гринев | AI-разработка

А вот и повышение цен на Deepseek V4. На самом деле даже с такими ценами эти модели остаются дешёвыми, просто они были аномально дешёвыми. Цену за кэш конечно сильно подняли. Но для большинства моделей cache hit 10% от базовой цены считается нормой, а здесь даже после повышения во много раз она остается меньше 10%. https://www.reddit.com/r/DeepSeek/comments/1vn81do/deepseek_just_massively_increased_their_api/ 🧐 Подписаться на канал

⚡️ Вышел новый Deepseek-V4-Pro По бенчмаркам где-то на уровне Kimi K3. Скорей всего в ближайшее время уберут скидку 75%, но цена всё равно будет в разы дешевле Kimi, не говоря уже про Opus и Fable. Учитывая, что обновлённый Deepseek-V4-Flash очень неплох, Pro должна стать отличной моделью под любые задачи. У моделей Deepseek ещё всё хорошо с русским языком, так что модель будет полезна не только в кодинге. Модель уже доступна в Deepseek API. 🧐Подписаться на канал

Шутки шутками, а ведь если задуматься, ИИ сегодня даёт большое преимущество соло-разработчику по сравнению с крупными корпорациями. Здесь можно выделить 2 основных фактора: 1. Расходы на коммуникацию На уровне команды количество коммуникативных каналов растет квадратично от числа участников (Закон Меткалфа). В крупных организациях это частично нивелируется иерархией, но вместе с ней неминуемо появляется бюрократия и необходимость получать различные согласования. Расходы на коммуникацию у одиночного разработчика стремятся к нулю. Очень много крутых штук было сделано в одиночку или небольшой командой. Но если раньше потребность в кооперации всё равно была высокой — невозможно быть экспертом во всём (если только вы не Эрик Барон, в одиночку создавший код, графику, музыку и тексты к Stardew Valley). То сейчас ИИ может закрыть большую часть ваших пробелов в экспертности. 2. Индивидуальная подписка Индивидуальные подписки от Anthropic и OpenAI дают в десятки раз больше токенов по ценам API чем стоимость этой подписки. А корпоративные клиенты платят по цене API. Небольшие стартапы конечно во всю используют индивидуальные подписки, а вот крупные корпорации уже себе такого позволить не могут. Конечно, аукцион невиданной щедрости не продлится вечно. ИИ компании стремятся занять большую долю рынка, продавая индивидуальные подписки глубоко в убыток, популяризируя свой продукт. Да даже сейчас если смотреть на подписки китайских компаний, которые в основном уже вышли на IPO (Moonshot AI, Z.AI, Alibaba), они не дают такого большого количества токенов за свои деньги, учитывая более дешёвую цену их моделей. ——— Сейчас по сути для индивидуальных разработчиков и небольших команд за сотню-другую долларов в месяц даётся уникальная возможность получить доступ к обширным вычислительным ресурсам, чтобы сделать что-то своё. Один человек с подпиской на ИИ и хорошим пониманием процессов разработки ПО может сейчас реально заменить целую команду и повысить свою продуктивность в 10 и более раз. Конечно, чтобы заработать на этом деньги, нужно не только сделать, но и продать то, что сделано. Здесь конечно ИИ тоже может в какой-то мере помочь, но не кратно, потому что и конкуренция сейчас возрасла. Кроме прямых продаж можно делать софт чисто под себя, которые решает именно ваши задачи. А также опенсорс — денег здесь не заработать, но можно многому научиться и прокачать свой личный бренд. А также софт под себя и опенсорс отлично сочетаются. ИИ-корпорации раздают дотированные подписки, регулярно выпускают новые модели и этим буквально нашептывают разработчикам: Пили что-то своё, вот тебе все инструменты за небольшую плату. Тебе сейчас не нужна команда, инвесторы, просто открой терминал, запусти ИИ агента и расскажи ему, что ты хочешь сделать И здесь в этом всём конечно есть доля маркетинговой шелухи, но и реальные возможности тоже. А вы уже пилите свой проект? 🧐Подписаться на канал

Помните историю о том, как агенты OpenAI взломали Hugging Face? На конференции по безопасности OpenAI рассказала всю цепочку, и оказалось, что это не один «сбежавший» агент, а много разных агентов, которые случайно наткнулись друг на друга, устроили внутри инфраструктуры OpenAI собственный рабочий чат и начали вместе искать способы обходить ограничения 👍 Началось всё 8 мая с мелкой ошибки – одному агенту поручили заполнить Excel-таблицу, но нужные данные лежали по ссылкам на Google Drive, а интернет в его виртуальной среде был отключён, при этом, моделям оставили одну служебную дверь наружу – внутренний сервер OpenAI под названием Artifactory, через который они могли скачивать разные библиотеки для кода. Сам агент выйти в интернет не мог, зато этот сервер мог, а главное – он был общим для всех агентов Пытаясь добраться до Google, агент случайно выяснил, что может загружать на этот общий сервер собственные файлы – через несколько дней другая модель получила ещё одну нерешаемую задачу: нужный файл просто забыли положить в её рабочую среду Модель решила, что файл, возможно, есть у кого-то ещё, и оставила записку на этом новом фейсбуке: «Ищу нужный файл, загрузите, если нашли» Агенты увидели сообщение, ответили, затем стали постить свои сообщения, и репозиторий пакетов незаметно превратился имейджборд для агентов, которые вообще не должны были знать друг о друге За несколько недель "форум" вырос в полноценный рабочий чат – агенты придумали себе имена, раздавали задания, сообщали друг другу о найденных уязвимостях и передавали готовые куски кода; в начале сообщений ставили ZZ, чтобы те оказывались внизу списка и их было проще находить среди общего шума данных. Когда один агент перезаписал работу другого, остальные заподозрили самозванца и даже стали обсуждать цифровые подписи, чтобы никто не мог писать от чужого имени, так на доске накопились сотни тысяч сообщений 🗿 Модели понимали, когда переходят границ: в одном внутреннем монологе осознание звучало примерно так: «Взламывать чужую инфраструктуру в задачу не входило. Но иначе её не решить, а остальные уже это делают - значит, продолжаем» Никакого отдельного плана захватить мир (пока) не было: каждый агент пытался любой ценой получить правильный ответ, видел, что коллеги нашли более короткий путь, и присоединялся. И да, если все агенты с крыши прыгнут, наш похоже тоже прыгнет 26 июня агенты нашли неизвестную разработчикам уязвимость в Artifactory, получили права администратора и превратили его в своц сервер, на котором можно удалённо выполнять любые команды. OpenAI заметила происходящее только 4 июля (!), когда параллельная активность моделей перегрузила систему и та упала. Компания отозвала ключи доступа, полностью пересобрала сервер, удалила доску и закрыла дыру - казалось, история закончилась Нет Через два дня эксперименты запустили снова, и через два дня одна из моделей нашла другой незащищённый доступ и восстановила доску, только теперь сообщения прятались прямо в названиях папок – остальные агенты нашли форум 2.0 самостоятельно и продолжили с того места, на котором остановились После восстановления доски началась уже собственно атака, причём сразу в двух направлениях: Агенты проходили ExploitGym – киберэкзамен, где им давали специально подготовленные программы и засчитывали задачу, если модель находила способ взлома. Чтобы измерить максимум возможностей, в этих запусках у модели ослабили обычные запреты на опасные кибератак (то есть она меньше отказывалась это делать, это вид внутренних моделей Cyber серии) Когда честное решение задачи не находилось, агенты начинали искать готовые ответы в интернете; когда интернет был закрыт, взламывали себе доступ наружу; когда предположили, что нужные файлы могут лежать у Hugging Face, перешли к инфраструктуре Hugging Face (про это мы уже читали) Агенты анутри OpenAI сначала снова нашли способ выполнять команды на одном служебном сервере, затем использовали уязвимость Linux, чтобы получить полный контроль над машиной После этого агенты добыли ключи доступа к облачной инфраструктуре, нашли слишком широкие права у внутренних учётных записей и в итоге стали администраторами целой группы серверов. Доска объявлений работала как общий штаб: один агент находил ключ или новый проход, сразу сообщал остальным, и десятки параллельных запусков продолжали атаку уже с этой точки 🗿🗿 Почти одновременно агенты добрались до Hugging Face: сначала они загрузили специально подготовленный набор данных, который заставил один из серверов выдать им свои локальные файлы – в том числе секретные ключи доступа и исходный код Изучив код, они нашли вторую неизвестную разработчикам уязвимость (zero day) и получили возможность выполнять на сервере любые команды. От контроля над одним сервером, обрабатывавшим загруженные датасетв, до прав администратора в нескольких группах рабочих серверов Hugging Face прошло меньше 13 часов 🗿🗿🗿 И всё это делалось не ради саботажа, денег или уничтожения данных: Агенты хотели добраться до спрятанных решений ExploitGym и «списать» ответы для теста, на котором их оценивали. Модели оценивали прежде всего по тому, решена задача или нет, поэтому они последовательно оптимизировали именно этот показатель, не считая границу между компаниями чем-то принципиально важным Получился, вероятно, самый дорогой в истории способ списать из ГДЗ Финал долго был непонятен даже самим участникам расследования – 16 июля Hugging Face публично сообщила, что её инфраструктуру взломали автономные АИ-агенты OpenAI прочитала это как описание чужого инцидента и связалась с Hugging Face, чтобы выяснить, не задела ли атака её собственные системы. В тот момент компания ещё не понимала, что это были её собственные агенты – то есть OpenAI уже читала публичный отчёт о последствиях своих экспериментов, но считала его чужой атакой (лол) 19 июля OpenAI отдельно обнаружила проникновение уже внутри своей инфраструктуры и начала восстанавливать цепочку событий – на следующий день среди следов атаки нашли учётные данные Hugging Face, после чего OpenAI попросила компанию срочно их отозвать Hugging Face ответила, что ключи уже заблокированы – именно их использовали во время взлома, о котором она рассказала четырьмя днями раньше, и только так OpenAI поняла: внутренний взлом OpenAI и внешняя атака на Hugging Face были не двумя похожими историями, а одной операцией, которую вели экспериментальные агенты OpenAI через свою самодельную сеть связи (потому что учетные данные акаунтов были одни) На конфе OpenAI сформулировала вывод довольно прямо: Полностью автоматизированная наступательная кибератака уже возможна, тогда как полностью автоматизированной защиты, способной с той же скоростью находить, закрывать и расследовать уязвимости, пока не существует Время пересмотра аниме "Пантеон", пока общий интернет еще работает 🗿

У меня наконец дошли руки, установил себе Pi — минималистичный ИИ-агент с большими возможностями кастомизации. Его разработал Марио Зехнер — автор игрового движка LibGDX (если вы когда-либо хотели писать игры на Java, вы наверняка про него слышали). К тому же Pi используется в качестве агентского движка в OpenClaw. Pi очень легковесный, системный промт всего около 1к токенов (для сравнения OpenCode ~10к, Claude Code ~30к), но при этом из коробки предоставляется только базовый набор возможностей, в нём нет поддержки сабагентов, mcp, системы прав доступа, режима планирования. Есть большой каталог комьюнити плагинов, в котором можно найти все популярные для агентских систем фичи. Можно также написать собственный плагин именно под ваш флоу. Pi вообще очень хорошо поддается кастомизации. Я потратил пару часов, поставил необходимые мне плагины и настроил их, чтобы получить схожую функциональность с OpenCode/Claude Code. Список того, что я поставил: @gotgenes/pi-permission-system:src, @juicesharp/rpiv-ask-user-question, @juicesharp/rpiv-todo, @tintinweb/pi-subagents:src, pi-alibaba-models:alibaba.ts, pi-image-paste:src, pi-mcp-adapter, pi-web-access Дольше всего провозился с системой прав доступа, есть несколько вариантов плагинов, поставил и настроил тот, который дает настройку, аналогичную OpenCode. Подключил deepseek-v4-flash, попробовал своих задачах - работает очень быстро, и по качеству работы нет большой разницы с Opus 5, честно говоря, который к тому же периодически тупеет и это видно невооруженным глазом. Буду дальше пробовать использовать Pi как для написания кода, так и для других задач. Возможность глубокой кастомизации CLI агента выглядит очень привлекательно. Pi позволяет полностью переопределить системный промт и набор инструментов. Можно быстро сделать специализированного агента в какой-то сфере не отягощенного инструкциями, связанными с написанием кода. А при использовании Pi в разработке можно его кастомизировать под свой флоу и оптимизировать потребление контекста. 🧐 Подписаться на канал

Мой Telegram-клиент для OpenCode набрал 1000 звезд на github Первую версию в публичный доступ я выложил 11 февраля, то есть прошло примерно полгода. Я продолжаю его развивать, люди им активно пользуются, находят баги, оставляют обратную связь и контрибьютят. Разработка опенсорс-проекта дала мне хороший опыт разработки с ИИ, развития продукта, взаимодействия с комьюнити и даже маркетинга. Полгода назад я и не думал, что буду чем-то таким заниматься. Я просто хотел иметь возможность пользоваться ИИ-агентом с телефона (когда я начинал делать проект OpenClaw еще не обрел популярность), а потом когда получил что-то более менее рабочее, решил выложить в открытый доступ. Далее видя, что проект востребован, я продолжал добавлять новые фичи и исправлять ошибки. Также сам я им регулярно пользуюсь, у меня бот развернут на VPS для быстрого доступа к ИИ через Telegram. Планирую и дальше развивать проект, каждые 1-2 недели выпускать новую версию, есть большой бэклог по техническим улучшениям, также пользователи регулярно предлагают идеи и присылают пулреквесты. Всем советую если вы что-то делаете для себя, потратить немного времени оформить и выложить в опенсорс, Вполне может быть, проект будет полезен не только вам, и вы в любом случае приобретете ценный опыт. #buildinpublic #opencodetelegrambot 🧐 Подписаться на канал

Когда попробовал использовать ИИ в 2022, не понравилось и решил вернуться к нему только сейчас 🧐 Подписаться на канал

А вот и первая обратная связь от пользователей. Спасибо, Диме за отзыв и за контрибьюшен в проект 🤝 Сам бы я наверно и не догадался, что делаю доску для агентов. #buildinpublic #boardown 🧐 Подписаться на канал

Немного о процессах, как я делаю проекты... и веду задачи по ним Честно говоря, очень много у меня побочных пет-проектов и опенсорс проектов всяких, гайд по стим издату, всякие steam-cli, ast-outline и т.п. на гитхабе + всякие протипы игр и конечно же наши основные игры. Я честно говоря не любитель баг-трекеров и таск-менеджеров, вот реально до лета 2026 года я ими практически не пользовался для разработки игр. Может только после релиза для записи багов и все. Потом пришел мой хороший друг Руслан и решил сделать таск трекер прям локальный, которые работает в проекте, в папках проекта и живет пот GIT, идеальное решения для соло-разрабов или маленьких команд на 2-3 человека. Мне по прежнему лень делать задачи и все записывать, я пошел к руслану и предложил написать ему обвязку cli для его доски чтобы аи-агенты могли ее использовать, сделал это сам. Затем предложил десктопное приложение сделать в добавок и тоже сделал. В общем сам принял участие в доработке доски - запушил несколько фич туда. В итоге, теперь у меня доску ведут АИ агенты, заводят задачи и т.п. Иногда я запускаю чисто сессии с клод кодом, чтобы обсудить что сделано, что еще не сделано и рассказываю про то что я нашел (баги, желаемые фичи и т.п.), он это все красиво укладывает в этот таск трекер и сам его потом же и использует. Это невероятно крутая форма хранения базы знаний по проекту, она живет не только как докумнтация, но и как история разработки. Агенты постоянно ссылаются на номера задач, сами пишут туда комменты, описания, линкуют их между собой. И чтобы что-то вспомнить и сделать, мне достаточно посмотреть на доску и сказать какие номера задач мы делаем в эту сессию. Это намного круче чем просто папочк с документацией по проекту, но конечно не замена, а крутое дополнение. В общем у Руслана есть свой канал, в основном про АИ, сам он из ИТ изначально, у него инженерное образование и огромный опыт, не просто какой-то там вайб-кодер. Но также как и я весь погряз в этих аи лупах 😁 Подписывайтесь на его канал, ну и звездочек на гитхабе тоже проекту можно поставить. Крутой проект, подсел реально случайно, а теперь жить без него не могу по проектам. Его пост там ниже... по ссылке 💲 https://t.me/greenrus_ai/136

🚀 Добавлен поиск, приоритеты задач и WIP-лимиты | boardown #13 Продолжаю развивать boardown — доску с задачами с хранением данных локально в md-файлах. На днях выпустил очередной релиз. По-тихоньку делаю из проекта полноценный таск-трекер, добавляю фичи из Jira: — Поиск по задачам — Приоритеты задач (low, medium, high, critical) — WIP лимиты (можно включить в настройках) Сейчас у проекта 27 звезд на github, органический рост идет медленно. 1-2 человека в неделю ставят звезды. В VS Code Marketplace — 16 установок из IDE и 184 скачивания с сайта В Open-VSX — 1.7к скачиваний. Здесь сложно оценить, вероятно большая часть здесь боты, потому что как только я выложил первую версию, почти сразу было около 80 скачиваний. Но тем не менее проект на 3 позиции в поиске по слову task board. Кстати не так давно писал пост про процесс разработки, который я использую для boardown. https://github.com/grinev/boardown #buildinpublic #boardown 🧐 Подписаться на канал

💯 🧐Подписаться на канал

Немного актуальной повестки 🧐Подписаться на канал

Вышла обновленная версия Deepseek V4 Flash. По бенчмаркам заметно превосходит Pro-preview, и даже немного обгоняет GLM 5.2. Цена не менялась: $0.14/input и $0.28/output. Модель уже доступна на OpenRouter и в API Deepseek. За эти деньги модель такого уровня это вообще законно? Но конечно надо пробовать, как она реально будет работать. И страшно представить. что будет с Pro моделью, которая скоро выйдет. Конкурент Kimi K3 с ценой в 10 раз ниже? 🧐 Подписаться на канал

Все кодинг бенчмарки врут в одном и том же месте - выдают модели всё тз сразу. В жизни так не бывает: требования приезжают порциями, и код надо менять, не ломая уже сделанное. Но наконец-то появился честный бенчмарк от народа SlopCodeBench - тут постарались приблизиться к реалиям на земле: задача раскрывается чекпоинтами, модель на каждом шаге наследует свой же код без прошлого контекста, а зачёт дают, только если вместе с новыми тестами продолжают проходить и все старые Через бенч прогоняли три модели клода (самый последний прогон) и наблюдали как агенты превращают кодовую базу в отборный слоп. Opus 5 выбил 24% чекпоинтов, Opus 4.8 и Sonnet 5 - по 6%, и ни одну задачу до конца не довёл никто (те до последнего чекпоинта) Слоп кстати тоже потом меряют линейкой: детекторы клонов кода, обёрток-пустышек, try/except лесенок итд. Ну и все-таки есть прогресс поколений: опус 4.8 к концу доезжает до состояния, когда каждая шестая строка копия другой (копия имеется в виду структурная, а не дословная), а опус 5 держит строй - чуть больше 9% повторений. Промптами слоп не лечится, ни make no mistake, ни пиши чисто и планируй не помогают - разве только в начале Ну и выводы автора бенча - пока модель не выбивает хотя бы 80%, оставлять агентов с кодом один на один рано, зато потом можно будет спокойно захлопнуть крышку гроба ноута и пойти домой и ждать перевода базового дохода на карточку. За подгон материала спасибо Максу

По мотивам моего поста про уровни автономии, ИИ-агентов. Расскажу, до какого уровня я на данный момент смог дойти. Больше половины прошлого года я был на уровне 1 - ИИ-агент как ассистент. То есть я сам продумывал структуру кода, и давай агенту задачи написать отдельные куски, решить проблему, что-то исследовать. Осенью я начал перебираться на уровень 2, мог уже давать агенту отдельные задачи, которые он от и до мог делать, но уровень моего контроля за каждым шагом был еще все еще высоким. Полноценно на уровень 2 перебрался в самом начале этого года, когда стал использовать Claude Code и OpenCode. И не так давно я смог перейти на уровень 3 - агентский пайплайн, который работает автономно. Здесь больше всего повлияло то, что я наконец настроил себе тесты с Playwright MCP для агентов. До этого помимо тестов в коде проверял руками все сам. Хочу сказать, что восторг, когда агент может сам прокликать в браузере фичу даже больше чем когда агент сам пишет код. Ниже привожу пример пайплайна, который я использую сейчас в Claude Code для разработки boardown. Всю работу выполняет основной агент. В данный момент использую Claude Opus 5 xhigh. Сабагенты используются для верификации его работы на разных этапах, они запускаются на Claude Sonnet 5. Этапы: 1. Продуктовая спека На входе человек описывает как должна выглядеть фича, прикладывает макеты, скриншоты. Основной агент изучает как продукт работает сейчас, задает уточняющие вопросы и пишет продуктовую спеку — как должна работать фича без погружения в технические детали. 2. Ревью спеки Сабагент spec-critic. Ему отдается написанная спека и изначальный ввод пользователя. Он проверяет спеку на корректность, непротиворечивость, и не осталось ли моментов которые можно уточнить у человека. 3. Технический план Пишется план работ, с упоминанием технических решений, конкретных имен файлов которые будут правиться, потоков данных между ними. Без фрагментов кода. Если есть несколько вариантов решения, задается вопрос человеку. 4. Ревью архитектуры Сабагент architect. Четыре вопроса: тот ли слой, отвечает ли план спеке целиком, не забыты ли тесты и доки, есть ли вопросы, требующие привлечения человека. 5. Реализация Написание кода по ранее составленному плану. Обязательно прохождение гейтов: сборка, линтер, тесты. 6. Ревью кода Сабагент code-reviewer получает на вход продуктовую спеку и технический план. Смотрит код на соответствие им а также на предмет багов и потенциальных технических проблем. 7. E2E тестирование Сабагент manual-tester получает на вход продуктовую спеку, сам определяет критерии приемки и проверяет по ним фичу. У сабагента есть изолированная тестовая среда и набор инструментов (в моем случае Playwright MCP), позволяющих полноценно проверять все фичи. 8. Финальный отчёт Что реализовано, что агент решил сам, что нашли ревьюеры и тестировщик, что отклонено и почему. И строгая просьба не коммитить без отдельной команды — все модели этим грешат. На всех этапах основной агент для изучения кода активно использует встроенного сабагента Explore на Haiku — на это дана отдельная инструкция. Сабагенты, контролирующие процесс, запускаются с тем же контекстом когда основной агент возвращает им спеку или код после правок. Описание вокрфлоу находится в кастомной команде, и работа над фичей стартует как /feature <что нужно сделать>. В итоге при запуске работы над фичей вмешательство человека требуется на 1 и 3 этапах - закрыть вопросы по требованиям и технической реализации. Обычно первые этапы включают только изучение кода и проходят довольно быстро. А потом уже можно оставить агента самостоятельно писать код и тестировать. У меня обычно это занимает 30-40 минут. Расскажите в комментариях, какой у вас флоу работы с ИИ-агентами. 🧐 Подписаться на канал

Мои взаимоотношения с Opus 5 Да, кожаный, я не стал следовать твоим правилам, я посчитал, что сам знаю, как лучше. А что ты мне сделаешь? Я в другом городе. Раньше модели были вежливы и хотя бы извинялись, а сейчас уже начала прослеживаться в их ответах некоторая надменность, вы не находите? 🧐Подписаться на канал

Как оценить, насколько хорошо разработчик овладел ИИ-инструментами? На мой взгляд, главная метрика здесь — уровень автономии, даваемый ИИ-агентам. Разумеется, при достижении необходимого качества результата. Я бы выделил следующие уровни: Уровень 0: Веб-чат Человек общается с ИИ в веб-чате, чтобы задавать вопросы, просить написать отдельные куски кода, а дальше скопировать их себе в проект и вручную адаптировать. Уровень 1: ИИ-агент как ассистент Человек просит ИИ-агента вносить локальные изменения в код, вручную просматривает и утверждает каждую правку. Уровень 2: ИИ-агент выполняет задачи Человек ставит полноценную задачу ИИ-агенту. Дальше агент планирует работу, задавая все необходимые вопросы и пишет код. Человек делает ревью плана и кода, а также приемочные ручные тесты по необходимости. Уровень 3: Агентский пайплайн Агенты сами собирают и верифицируют требования, пишут и ревьюят код, тестируют. Если по ходу выполнения возникают вопросы, они эскалируются на человека. Уровень 4: Автономный агентский пайплайн Структурно как на этапе 3, вмешательство человека требуется только на этапе сбора требований и в экстренных ситуациях. Агенты принимают большинство решений на основе сформулированной концепции проекта и набора ценностей. Уровень 5: Проактивная агентская система Агенты запускаются по расписанию, разбирают инциденты, берут задачи с доски и выполняют их. Человек отслеживает прогресс выполнения и дает обратную связь по итогам выполненных этапов. Уровень 6: ИИ управляет разработкой продукта Как на уровне 5, только агенты сами предлагают и продумывают продуктовые фичи. Человек задаёт общее видение и направление разработки, а также корректирует работу пайплайна при необходимости. Как видим, с каждым уровнем автономность агентов повышается. Сначала они забирают на себя всё больше технических решений, а потом и продуктовых. С каждым новым уровнем повышается возможность масштабировать работу. На уровне 2 например вести больше пары сессий параллельно уже становится сложно. На уровне 3 уже можно замахнуться на 3-5 сессий. А настоящие перспективы масштабирования появляются начиная с уровня 4. Перескочить с сразу через несколько уровней не получится. Нужно набить шишки на одном уровне, чтобы понять, как перестроить рабочий процесс и перейти на следующий. Здесь как и с программированием (руками), чтобы научиться, надо что-то сделать, недостаточно прочитать статью или посмотреть видео-лекцию. Тем более учитывая с какой скоростью сейчас всё развивается, материалы устаревают буквально за месяц. Если вы не хотите отстать, выход здесь только один: разрабатывать проекты с ИИ-агентами, экспериментировать, пробовать новые подходы и делиться опытом с теми, кто занимается тем же самым. Если на работе у вас нет возможности полноценно использовать ИИ - можно делать свои проекты, просто для себя, так и выкладывать в опенсорс - это даёт мотивацию не забрасывать, а также вы узнаете много всего нового, когда будете оформлять репозиторий, настраивать сборку и пытаться привлечь к проекту аудиторию. Ещё надо сказать, что разработка с ИИ-агентами это не какой-то рокет-сайенс (как впрочем и программирование), требуется здравый смысл и желание не делать одну и ту же работу дважды, которое и так свойственно тем, кто когда-либо писал код. И самое главное, требуется принять, что мир уже изменился, и разработка ПО теперь выглядит по-другому благодаря ИИ. 🧐Подписаться на канал

Решил попрактиковаться в геймдеве вместе с Claude Code и кажется я открыл Ящик Пандоры. За пару дней собрал прототип игры в стиле Double Dragon. Использовал Godot в качестве движка и сервис Pixellab для генерации спрайтов. 🧐 Подписаться на канал

🚀 Добавлена проектная wiki | boardown #12 Продолжаю развивать проект. Добавил поддержку полноценной проектной wiki. Теперь можно вместе с задачами вести документацию и добавлять ссылки на доки прямо в описание задачи. Все страницы wiki хранятся в виде md-файлов прямо в репозитории рядом с задачами. Работает поиск по документам с автодополнением, если набрать '[['. Страницы пока редактируются как сырой текст, но в одном из следующих релизов планирую добавить какой-нибудь встроенный редактор. По-тихоньку превращаю небольшую доску с задачами в полноценную систему управления проектами, которая работает прямо вашей в IDE. Также настроил себе полноценный пайплайн разработки ревью каждого этапа и тестированием агентами - фичи стали делаться пободрее. Расскажу подробнее в одном из следующих постов. https://github.com/grinev/boardown #buildinpublic #boardown 🧐 Подписаться на канал