Григорий Добряков – Блог про IT+AI
Блог Григория Добрякова: управление проектами, менеджмент, разработка и тестирование
Монорепа ради агента — карго-культ. Модели всё равно, откуда физически читается файл: tool_use уже развязал источник контента и способ его подачи.
Наткнулся на один AI-психоз под страшным названием «монорепа». Люди на полном серьёзе складывают разные проекты физически в один git-репозиторий — потому что им кажется, что так агенту проще «ходить по файлам» и понимать общий контекст большой корпоративной системы. И под постом десятки комментариев: о да, мы теперь тоже стали так делать, отличный механизм, все довольны.
Блять, люди, вы ёбанулись совсем?
От N×M адаптеров к стандартизированным слоям: разбор десяти протоколов мультиагентных систем — от вызова функций до шлюзов безопасности.
За последние пару лет системы на больших языковых моделях прошли путь от «сгенерируй абзац» до автономных агентов. ИИ-агент в этом тексте — модуль, который получает задачу, хранит промежуточное состояние и вызывает внешние инструменты: API, файловую систему или другой сервис.
Continue reading “Архитектура протоколов ИИ-агентов: карта уровней стека”
ИИ-агент читает требования буквально. Если в спецификации есть неопределённость, он галлюцинирует недостающий контекст и тратит бюджет на догадки. Качество входа становится качеством выхода — без амортизации.
Живой разработчик получает тикет «ускорьте каталог» и идёт спрашивать. В курилке, в личку, на дейли. Он додумывает: знает, что каталог у нас на PostgreSQL, что прошлый раз сломались на импорте, что «ускорить» в этой компании значит p99, а не среднее. Половину требований он достраивает из доменного опыта команды, и никто этого не замечает.
ИИ-агент получает тот же тикет и, если в процессе нет шага уточнения, начинает писать код по буквальному тексту задачи.
Через три недели на ретро звучит «ИИ не тянет архитектуру». Это неправда. Он реализовал наиболее вероятную интерпретацию неполного описания.
Continue reading “Как валидировать проектные требования перед передачей ИИ-агенту”
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”
«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”
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”
Три скилла — нормально. Тридцать — стиль публикаций разъезжается, shared state затирается, поведение меняется без стека и лога. Копировать markdown в `.claude/skills/` — это найм без собеседования. Онбординг нужен не ради процесса, а чтобы поймать конфликт до того, как он попадёт в ежедневную работу.
Потому что копирование markdown в каталог — это не установка пакета. Это найм: ассистент получает новый кусок поведения, который завтра столкнётся с уже стоящими скиллами. Скилл здесь — пакет инструкций для AI-ассистента (Claude Code / Cursor): frontmatter, правила, заявленные read/write/calls. Пока входной контур пуст, каждый новый файл в .claude/skills/ — скрытый найм без собеседования и без записи в личное дело.
Continue reading “Зачем AI-скиллам онбординг, если их можно просто скопировать в каталог”
«Не удаляй прод» в system prompt — это не защита. Ограничение работает, когда модель физически не дотягивается до файлов и шелла: без прямого API к хосту, с изоляцией, фильтром команд и аудитом. Пример — enterprise-code-bastion.
Чтобы вокруг AI-агента был периметр безопасности, одного system prompt мало. Модель не должна физически дотягиваться до файлов и шелла: штатные tools выключены, наружу только MCP, исполнение в Docker на пару «проект + задача», фильтр команд до запуска, audit trail. Ниже — рабочий референс и где схема ломается.
Continue reading “Как обеспечить периметр безопасности AI-агента без опоры на system prompt”
