Kyryl opens ML

Новий пост - мій спосіб автоматизувати навчання та персоналізувати його під себе. Claude Code керує NotebookLM і генерує матеріали під мій стиль. https://kyrylai.com/2026/04/17/automate-learning-claude-code-notebooklm/

Mythos Preview: Якщо Anthropic буде єдиною компанією, яка досягне такого рівня, we are fucked. Сподіваюся, що OpenAI, Google та китайські open-source моделі незабаром вирівняють ситуацію для решти світу!

Новий блог про self-improving agents Цикл простий: 1. Будуєш агента (Pydantic AI + Claude Code) 2. Деплоїш для користувачів 3. Збираєш трейси через Logfire 4. Підключаєш Claude Code до трейсів через MCP 5. Coding агент аналізує реальні продакшн дані і пропонує наступну версію Реальні дані з продакшну - реальні покращення Повний блог пост: https://kyrylai.com/2026/03/30/self-improving-agent/

Вчора я підключив Claude Code до LLM Observability через DataDog MCP і це було просто вражаюче. https://docs.datadoghq.com/llm_observability/mcp_server/ Він проаналізував traces і знайшов купу проблем та покращень: - кешування - тюнінг інструментів - оптимізація виконання Просто вау. Якщо ви ще не підключили свій coding агент до трейсів вашого продакшн агента - зробіть це! Варте кожного токена і часу на налаштування!

Claude Code - Новий Gatekeeper Я маю свій улюблений технічний стек https://kyrylai.com/2025/12/14/ai-engineering-product-template/, але Claude Code теж має свій власний! І для кожної технології він має сильний дефолт! Є дослідження того, що Claude Code обере для кожної задачі та категорії — гляньте: https://amplifying.ai/research/claude-code-picks/report Це дуже цікаво, якщо ви: - розробляєте новий інструмент для розробників - активно використовуєте кодинг-агента для побудови свого технічного стеку

Новий пост у блозі про Агентів для технічного дью-ділідженсу! Тепер є 2 частини: нетехнічна - що доступно та які у вас варіанти, і технічна - створіть самі! https://kyrylai.com/2026/02/10/ai-agents-for-tech-due-diligence-spot-aws-risks-in-2026/

Один із найочікуваніших "must-reads"! Неважливо, працюєте ви у сфері баз даних чи ні: https://www.cs.cmu.edu/~pavlo/blog/2026/01/2025-databases-retrospective.html

Розробка програмного забезпечення як стратегія в реальному часі (RTS). Я почав писати це як блог-пост про Agent Tech Lead і дуже швидко перейшов до стратегії в реальному часі для розробки software. Моя найкраща стаття 2025 року - гляньте, якщо хочете побачити, як виглядатиме створення софту через кілька років! https://kyrylai.com/2025/12/23/becoming-an-aiagent-tech-lead/

The AI Engineering Product Template Більшість робочих процесів з AI-агентами розвалюються, щойно ви намагаєтесь їх масштабувати. Один агент - магія. Десять агентів - катастрофа. Я створив цей Template, щоб це виправити: https://kyrylai.com/2025/12/14/ai-engineering-product-template/

Раніше шлях до стандарту, підтриманого відкритою та незалежною організацією, займав багато часу. Зазвичай це ознака зрілості та масового впровадження: коли одна компанія вже не може володіти технологією, бо від неї залежить уся індустрія. Дивовижно, але три відносно нові технології досягли цього статусу менш ніж за рік. Цикл наче стиснувся з 25 років (Unix) до 1 року (Agentic AI). https://aaif.io/press/linux-foundation-announces-the-formation-of-the-agentic-ai-foundation-aaif-anchored-by-new-project-contributions-including-model-context-protocol-mcp-goose-and-agents-md/

Product Overhang Нещодавно дізнався про новий термін у контексті LLM - «product overhang». Це означає: «Модель уже могла це робити, але навколо цієї можливості просто ще не побудували продукт!»

Цікаве спостереження: більшість coding agents тепер відкривають доступ до API або SDK. Ринок змінюється: ми переходимо від "інтерфейсів у редакторі" до програмованих сервісів, які можна викликати через API. Так само, як LLM API дозволяють інтегрувати ML у ваш продукт, ці нові API дозволяють виконувати завдання з написання коду "on demand"! Ось список свіжих релізів: Jules – https://developers.google.com/jules/api Devin – https://docs.devin.ai/api-reference GitHub Copilot – https://docs.github.com/en/rest/copilot Cursor – https://cursor.com/docs/cloud-agent/api/endpoints OpenAI Codex – https://developers.openai.com/codex/sdk Claude – https://platform.claude.com/docs/en/agent-sdk/python

Якщо ви ще не бачили цей гайд від OpenAI про AI-Native SDLC - варто глянути. Коротко: Чіткі етапи: Plan, Design, Build, Test, Review, Document, Deploy і Maintain Чіткий розподіл відповідальності: Delegate, Review і Own І до кожного є чеклист! Дуже якісний вступ без води. https://developers.openai.com/codex/guides/build-ai-native-engineering-team/

Створювати власні датасети "на льоту" нарешті просто. Написав гайд, як побудувати VC Discovery Engine для Secondary ринку. Стек: Parallel AI (пошук) + Gemini 3 (верифікація). Код і приклад тут: https://kyrylai.com/2025/11/28/building-a-vc-discovery-engine-finding-secondary-opportunities-with-parallel-ai-gemini-3/

Generative UI - це, напевно, найбільш недооцінений реліз від Google. Саме так виглядатиме майбутнє програмного забезпечення - не якесь антиутопічне «інженерів більше не буде через X років/місяців/днів», а максимально персоналізований UX on demand, що працює поверх вашого застосунку - який вже навіть не застосунок, а платформа для генерації окремих інтерфейсів під кожного користувача. https://research.google/blog/generative-ui-a-rich-custom-visual-interactive-user-experience-for-any-prompt/

100% коду для цього графіка - від AI. Без хайпу: реальні цифри. На простих задачах у проєктах з нуля +37.5%, на легасі +17.5%. На складних - скромно: +12.5% / +5%. Дуже цікаві висновки: https://www.youtube.com/watch?v=tbDDYKRFjhk

Cursor створює PR. Railway піднімає live прев’ю для нього. Я мерджу, коли все виглядає добре. Ось і весь цикл - швидко, безпечно, повторювано. Деталі: https://kyrylai.com/2025/08/04/cursor-railway-vibe-coding-pr-environments/

Відео-функція NotebookLM супер крута! Щойно зробив з мого блог-посту відео-пояснення. Є деякі проблеми, але результат вражаючий з першого разу - https://www.youtube.com/watch?v=Y_Xj0FXdJ_A

Забирайте мій плейбук із vibe coding - реальний кейс, ключові уроки та шаблон спека! 🔗 https://kyrylai.com/2025/07/28/vibe-coding-ml-team-case-study

AI coding agents need engineering guardrails Неочевидний інсайт: чим більше дозволяєш AI писати код, тим БІЛЬШЕ треба дотримуватись інженерних практик, а не менше. Чому? Бо AI генерує код з швидкістю 10x - а значить може наплодити технічного боргу зі швидкістю 100x. Essential guardrails: - Модульна архітектура -> зміни від AI залишаються локальними - Купа тестів -> ловимо галюни AI - Тимчасові прев'ю envs -> бачимо що AI реально набудував перед мерджем - CI/CD пайплайни -> код від AI не попадає в прод без перевірки - Нудний техстек -> у AI більше даних для тренування - Спостережувані системи -> дебажимо "креативні" рішення AI Парадокс: щоб ефективно юзати тули які "автоматизують" кодинг, треба бути ще крутішим інженером ніж раніше.