Григорий Добряков – Блог про IT+AI
Блог Григория Добрякова: управление проектами, менеджмент, разработка и тестирование
Чат пишет, git хранит состояние, сервер публикует: как из россыпи канальных скиллов собралась шина контент-юнитов — и почему оркестратор больше не пишет тексты, которые вы читаете. Этот материал сам проходит через тот контур.
Это не взгляд со стороны на «автоматизацию контента». Этот текст сам проходит через тот пайплайн, о котором написан: brief, evidence, канон, версии под каналы, проверки, публикация.
Continue reading “Как устроен пайплайн, который генерит контент, который вы сейчас читаете”
Anthropic пишет: к маю 2026 больше 80% кода, вливаемого в их production, авторствовал Claude — это их цифра, не факт из вашей организации. За ней видно главное: закупка лицензий — ещё не enablement. Что должно быть готово до старта и как устроено ревью AI-вывода на три слоя, чтобы demo-grade eval не долетел до прода.
Anthropic публично пишет: к маю 2026 больше 80% кода, который они вливают в свой production codebase, авторствовал Claude (When AI builds itself). Это их цифра и их методология атрибуции — не проверенный факт из вашей организации. Как рыночный сигнал она всё равно заслуживает внимания: лицензии Claude Code наверняка стоят и у вас, а AI там до сих пор используют как умный автокомплит — дописать строчку, сгенерировать тест, ускорить рутину.
Continue reading “Закупка Claude — это не enablement: что должно быть готово до старта”
Инфоцыгане, менеджеры и гуманитарии получают с AI результат. Программисты — нет. Я объясню почему. Это не злорадство — это механика.
Я стебусь над «погроммистами» не потому что злой — потому что вижу одну и ту же картину годами, и она меня одновременно веселит и раздражает.
Continue reading “Почему AI работает у всех, кроме программистов”
AI снова повторил ту же ошибку? Это не баг модели. Это отсутствие инженерии. Как добавить persistent memory агенту за три минуты — и почему это работает лучше RAG.
Разработчики жалуются, что AI повторяет одни и те же ошибки. «Я уже пять раз объяснял, что у нас нет Redux». «Он снова предлагает FTP вместо очереди». «Забывает про наш стиль именования».
Это не баг модели. Это отсутствие инженерии.
Continue reading “Самообучающийся агент за три секунды: паттерн decisions.md + mistakes.md”
Дневной срез vacancy-intel: рынок ищет EM/Head/CTO под platform и production AI, а не IC с LLM в резюме. Как читать мандат, зрелость AI и шум founding/plant.
Хайп считает частоту слова «AI» в JD. Я считаю мандат роли: кого покупают наверх, какую боль закрывает найм, и где лента врёт объёмом.
Continue reading “В вакансиях покупают лидеров поставки, а не «ещё одного AI-инженера»”
«ИИ — просто очень быстрый стажер-кодер» — это точное описание первого этапа. На втором ИИ становится исполнителем мышления на каждом шаге SDLC: от clarify-диалога с заказчиком в Jira до мультиагентных связок, которые ловят, исправляют и верифицируют сами себя.
Есть один популярный аргумент против AI в разработке: «Написание кода — это лишь малая часть SDLC. Есть ещё интервью с заказчиком, формулирование требований, архитектурное проектирование, тестирование, мониторинг. ИИ — это просто очень быстрый кодер, а не думающий участник команды».
Этот аргумент справедлив. Для первого этапа освоения инструмента.
На первом этапе человек видит, что AI пишет код — и делает вывод: «ИИ = кодер». Потом замечает, что кодинг — не вся разработка. Делает следующий вывод: «значит, AI не заменит разработку целиком». Логика правильная, но вывод устаревает раньше, чем его успевают произнести вслух.
На следующем витке выясняется, что нейросети прекрасно умеют делать именно то, о чём говорит этот аргумент.
Continue reading “ИИ — не просто кодер: как AI покрывает весь жизненный цикл разработки ПО”
Talking-head на камеру эксперт снимает сам, а перебивки между тезисами генерирует AI: видео без лица под синтезированную речь. История о том, как из разового скрипта вырос конвейер на пять стадий — с граблями про гипнотический loop, «бесплатные» голоса за 402 и Seedance, который отказывается снимать 3 секунды.
Задача звучала обманчиво просто: короткие вертикальные ролики, где эксперт по недвижимости говорит на камеру, а между его тезисами — красивые AI-перебивки: стройка, транспорт, документ крупным планом, телефон в руке. Лицо снимает человек, атмосферу генерирует нейросеть. Из разового скрипта на одну генерацию это выросло в конвейер на пять стадий, и по дороге мы собрали почти все грабли, которые в такой сборке можно собрать.
Continue reading “Как мы собрали пайплайн гибридных рилсов: живой эксперт плюс AI-видеовставки”
Хайп говорит «нанимайте AI». JD показывают другой спрос: production agents с evals и guardrails, Applied AI leadership, partner architecture, evaluation harness как must-have. Метод — читать кластеры ролей как org chart под давлением.
Хайп говорит «нанимайте AI». В реальных JD покупают специалистов под production agents, evals, Applied AI и partner delivery. Ниже: как читать кластеры вакансий как org chart под давлением, и пять ролевых кластеров из разобранного корпуса.
Continue reading “Спрос на AI-специалистов в 2026: кого ищут по вакансиям”
Demo-grade eval одобряет фичу на тех же примерах, что и питч. Дальше прод показывает длинный хвост. Три слоя — regression из инцидентов, distribution diff к снапшоту, human spot-check — и один named owner. Минимальный harness: github.com/dobryakov/eval-harness.
Сделайте качество AI-вывода release-критерием: фиксированный regression из прошлых инцидентов, distribution-diff к снапшоту прошлого релиза (20–50 реальных входов), human spot-check перед первым продом нового вида вывода — и один человек, который подписывает sign-off. Ниже — антипаттерн demo-grade, три слоя методики и минимальный harness, который падает в CI с понятным exit code.
Без предметной подложки агент выдаёт FTP и CSV и рапортует «готово». Book-as-context — книга как wiki в проекте (рядом с LLM Wiki и book-to-skill): с короткого промпта получаются outbox, очереди, идемпотентность и отказоустойчивость.
Подложите агенту авторитетную книгу по предмету как wiki в репозитории — целиком, с индексом и ссылками, а не разовым вложением файла в диалог. Тогда даже с короткого промпта он проектирует в понятиях первоисточника: очереди, гарантии доставки, идемпотентность, отказоустойчивость. Ниже — приём book-as-context, сквозной пример магазин→ERP и ограничения метода.
Continue reading “Как делать профессиональную архитектуру ПО с AI, даже не разбираясь в теме”
