Гриненко про

Telegram-канал — https://t.me/devspotting

Чат сообщества — https://t.me/grinenko_pro

Сайт — https://grinenko.pro

Coding agents уже умеют за часы делать то, на что раньше уходили месяцы работы команды. Но означает ли это, что разработчики становятся не нужны — или, наоборот, инженер наконец перестаёт быть «человеком, который пишет код» и поднимается на уровень продукта, архитектуры и управления агентами?

Говорим с Глебом Михеевым https://glebmikheev.ru — разработчиком с более чем 20-летним опытом, который сейчас развивает ГигаАгента в Сбере, — о новой роли инженера, экономике софта в эпоху AI и о том, почему главный дефицит теперь не код, а понимание того, что и зачем нужно построить.

Глеб работал в NVIDIA, основал и девять лет развивал собственную компанию по заказной разработке, затем работал в Skillbox и Сбере. Сейчас развивает ГигаАгента — автономного AI-агента Сбера — и руководит программным комитетом AgenticDevConf. Автор Telegram-канала «Уставший техдир» https://t.me/tired_glebmikheev и подкаста «Фичи Катятся» ⁨@tired_glebmikheev⁩.

ТАЙМКОДЫ

00:00 — В этом выпуске

00:44 — Кто такой Глеб Михеев: NVIDIA, свой бизнес, Skillbox и Сбер

04:18 — Как coding agents вернули Глеба из менеджмента в разработку

07:33 — Переход в GigaChat и работа над автономным агентом

10:04 — Зачем идти в Individual Contributor внутри бигтеха

14:17 — Лидерство без административной власти

17:09 — Как самостоятельные инженеры работали ещё до AI

20:21 — Почему coding agents возвращают эпоху универсальных инженеров

22:00 — Product engineer вместо фронтендера и бэкендера

25:40 — Реальна ли компания на миллиард долларов из одного человека

33:14 — Почему AI увеличивает количество попыток, но не количество хороших идей

36:36 — Стартап теперь можно проверить за вечер

38:49 — Как Глеб за два дня сделал продукт вместо нескольких месяцев работы команды

42:32 — Бизнес или найм: где сегодня проще зарабатывать

48:07 — Что будет с SaaS, когда производство софта станет дешёвым

50:35 — Во что инвестировать, если любой эксперт может собрать конкурентный продукт

52:32 — Зачем Сберу делать собственного автономного агента

55:27 — Зачем нужны национальные и суверенные AI-модели

01:02:45 — Можно ли просто взять открытую модель и дообучить её

01:13:49 — Почему технологическая независимость может быть важнее цены

01:18:24 — Станут ли фундаментальные модели новой стратегической технологией

01:24:14 — Модели превращаются в commodity, а ценность переезжает в harness?

01:29:50 — Почему мы используем лишь небольшую часть возможностей современных моделей

01:34:35 — Зачем вообще нужен персональный AI-ассистент

01:38:22 — Где проактивные агенты действительно полезны

01:40:18 — «Цифровые сотрудники»: фантазия или следующая стадия AI

01:42:24 — Почему сейчас нужно инвестировать в R&D и совершать ошибки

01:46:20 — Как должно измениться образование в эпоху AI

01:50:48 — За какие навыки теперь будут платить инженерам

01:53:44 — Главный навык будущего — работать в неопределённости

01:55:51 — Итоги

ССЫЛКИ ГОСТЯ

• Telegram — «Уставший техдир» https://t.me/tired_glebmikheev

• YouTube — @tired_glebmikheev

• GitHub — https://github.com/glebmachine

• Сайт — https://glebmikheev.ru

О ПОДКАСТЕ

«Гриненко про» — подкаст о практическом применении искусственного интеллекта, разработке и людях, которые прямо сейчас меняют IT-индустрию.

Telegram-канал — https://t.me/devspotting

Чат сообщества — https://t.me/grinenko_pro

Сайт — https://grinenko.pro

Что такое мышление, если большую часть времени мы действуем по привычным схемам, а LLM уже умеют воспроизводить почти любую описанную практику? Разбираемся, зачем бизнесу корпоративный философ, почему определения и метрики одновременно помогают и ограничивают нас и где проходит граница между накопленным знанием и созданием принципиально нового.

Говорим с Андреем Морозовым — корпоративным философом, который в аспирантуре занимался компьютерным зрением и машинным обучением, затем прошёл путь от разработчика и тимлида до CTO, бизнеса и управленческого консалтинга — о философском мышлении в бизнесе, способности LLM мыслить и навыках, которые останутся людям.

По второму образованию Андрей — психолог-консультант; до философского консультирования также занимался маркетинговыми и стратегическими исследованиями.

В ЭТОМ ВЫПУСКЕ

— Чем мышление отличается от знания большого количества фактов

— Почему мы воспринимаем мир через «схемы» и как они предопределяют наши решения

— Что такое философское мышление и зачем бизнесу постоянно спрашивать «зачем?»

— Закон Гудхарда

— Может ли LLM мыслить, удивляться и создавать новое

— Почему нейросеть можно представить как «идеального отличника», прочитавшего почти всё

— Где проходят границы между алгоритмом, творчеством, субъектностью и свободой воли

— Какие навыки сохраняют ценность рядом с ИИ: креативность, коммуникация и критическое мышление

ТАЙМКОДЫ

00:00 — Хайлайты выпуска

00:35 — Кто такой корпоративный философ

02:04 — От инженера к философскому консультированию

03:11 — Почему история философии — ещё не философское мышление

04:00 — Отличник против троечника

14:23 — Что происходит, когда привычная картина мира перестаёт работать

18:04 — Мышление как создание новой схемы

21:01 — Что такое философское мышление: три уровня взгляда на проблему

25:34 — Как определения заранее программируют решения бизнеса

29:23 — Как компании конструируют проблемы

33:05 — Метрики, закон Гудхарда и хрупкие модели реальности

38:32 — Чем на практике занимается корпоративный философ

41:14 — Коучи, эзотерика, серебряные пули и страх неопределённости

47:52 — Философ как «психотерапевт для бизнеса»

56:51 — Почему невозможно один раз всё обдумать и выйти из рутины

01:01:12 — AGI без определения и гонка компаний за ИИ

01:09:14 — Способны ли LLM мыслить

01:17:31 — Где нейросеть перестаёт быть «идеальным отличником»

01:26:14 — Свобода воли, субъектность и технологическая сингулярность

01:38:53 — Как философ смотрит на прогнозы будущего

01:48:39 — Заменят ли LLM самих философов

01:52:36 — Как ИИ меняет маркетинговые исследования и работу с пользователями

01:57:06 — Три навыка для эпохи ИИ

02:12:04 — Как Андрей сам использует нейросети в работе

02:14:35 — Зачем делать конференцию про ИИ, если LLM уже знают почти всё

02:23:28 — Что нейросети всё-таки не заменят

ССЫЛКИ ГОСТЯ

• Telegram-канал Chief Philosophy Officer — https://t.me/chief_philosophy_officer

• Конференция «Разработка будущего» — https://future.jokerconf.com/

О ПОДКАСТЕ

«Гриненко про» https://grinenko.pro/ — подкаст о людях, технологиях и практиках вокруг искусственного интеллекта.

Telegram-канал — https://t.me/devspotting

Чат сообщества — https://t.me/grinenko_pro

Ведущий: Владимир Гриненко

ИИ уже радикально ускоряет производство, но чтобы получить реальный эффект, приходится заново разбираться с устройством команд, корпоративными знаниями, данными, контролем качества и самой ролью человека в производственном процессе.

Говорим с Дмитрием Бобылёвым — CEO и главным экспертом управленческого консалтинга FastForward — о том, как внедрять ИИ в уже работающие компании, почему организационный контекст становится одним из главных активов бизнеса и как может выглядеть AI-first организация, если строить её с нуля.

О ГОСТЕ

Дмитрий прошёл путь от разработчика до вице-президента по информационным технологиям СберМаркета, где руководил командой из более чем 1 000 человек. Сейчас строит AI-first консалтинг. Автор канала «Боб в помощь» https://t.me/ZhogloTech.

В ЭТОМ ВЫПУСКЕ

— Как внедрять ИИ через конкретную бизнес-боль, а не абстрактную «AI-трансформацию»

— Почему накопленный контекст компании становится ценнее погони за новыми моделями и инструментами

— Как выращивать внутренних AI-амбассадоров и что делать с сопротивлением сотрудников

— Почему производство становится дешевле, а постановка задачи и валидация — важнее

— Что произойдёт с программистами, которым нравится писать код руками

— Как могут измениться роли, оргструктура и место самых опытных инженеров в производственной цепочке

— Что Дмитрий перестроил бы в большой технологической компании, если бы снова управлял командой из 1 000+ человек

— Почему при всей AI-революции требования к хорошему менеджменту практически не меняются

ТАЙМКОДЫ

00:00 — Хайлайты выпуска

00:28 — Дмитрий Бобылёв

01:45 — Почему AI-консалтинг сложно продавать через обещания

04:20 — ИИ возвращает разработку к здравому смыслу

06:51 — Почему классическому консалтингу придётся перестраиваться

13:58 — AI-лабы и внутренние эксперты в компании

16:04 — Как выглядит AI-first консалтинг

20:33 — Главный актив компании — организационный контекст

25:00 — Почему сотрудники не хотят «выгружать» свои знания

27:22 — Внедрение ИИ через конкретную боль и быстрый результат

33:22 — SDLC схлопывается, а валидация становится важнее

39:02 — Что делать, если программисту нравится писать код руками

41:48 — Как изменится оргдизайн компаний в 2026–2030 годах

47:36 — Почему самых опытных людей нужно ставить на валидацию результата

50:53 — Код становится commodity: где остаётся инженерное мастерство

57:07 — Как ИИ меняет диагностику компаний и производство

01:01:22 — Почему ручное ревью перестаёт масштабироваться

01:09:13 — Передача знаний и зависимость компаний от моделей

01:13:19 — Что в управлении не меняется из-за ИИ

01:16:06 — Как строить AI-first компанию с нуля

01:25:32 — Что Дима сделал бы иначе, снова управляя 1 000+ людьми

01:29:59 — Новый BI: данные, метаслой и «окно-оракул»

01:34:03 — Как перестроить обучение и развитие сотрудников

01:36:53 — Инфраструктура, безопасность и выбор моделей

01:42:23 — Итоги

ССЫЛКИ ГОСТЯ

• FastForward — https://ff.pro/

• Telegram Дмитрия Бобылёва — https://t.me/zhoglo

• Канал «Боб в помощь» — https://t.me/ZhogloTech

О ПОДКАСТЕ

«Гриненко про» — подкаст о том, как искусственный интеллект меняет разработку, продукты и работу технологических команд.

https://grinenko.pro

Telegram-канал — https://t.me/devspotting

Чат сообщества — https://t.me/grinenko_pro

Ведущий: Владимир Гриненко

Как превратить недетерминированную LLM в продукт, которому можно доверить ответы и действия с реальными последствиями? 

Разбираем инженерный путь от классического чат-бота и точечных LLM-классификаторов до полноценной агентной системы: контроль качества, разметку, гардрейлы, A/B-эксперименты, контекст и инструменты.

Говорим с Федей Морозовым — CTO в Т-Банке и разработчиком инфраструктуры одной из крупнейших рекомендательных систем — о безопасном внедрении генеративных моделей, устройстве команд и личных принципах делегирования задач агентам.

В ЭТОМ ВЫПУСКЕ

— Как измерять качество генеративного продукта, работающего с реальными пользователями

— Почему наивный LLM-as-a-judge создаёт второй слой галлюцинаций

— Как выстроить пирамиду разметки и контролировать качество самих оценщиков

— Какие гардрейлы нужны агенту, способному выполнять действия

— Почему контекст и правильные инструменты важнее выбора конкретной модели

— Как внедрять LLM постепенно, не разрушая работающую систему

— Когда достаточно гибридного workflow, а когда нужен полноценный агент

— Как использовать агентов в разработке, управлении командой и повседневной жизни

— Какие решения и части собственного голоса не стоит делегировать

— Какие навыки сохранят ценность, когда большую часть кода начнут писать агенты

ТАЙМКОДЫ

00:00 — Хайлайты выпуска

00:50 — Начало

01:17 — Знакомство с Федей Морозовым

02:15 — Что генеративные модели изменили в ML-продуктах

05:43 — Avito.Tech.Conf

06:31 — Может ли банковский бот выполнять действия

09:09 — Главные риски генеративного продукта

11:49 — Как построить пирамиду оценки качества

15:10 — Почему наивный LLM-as-a-judge не работает

18:53 — Как устроена поддержка Т-Банка

23:25 — Гардрейлы, авторизация и детерминированные проверки

27:07 — A/B-эксперименты и контролируемые выкладки

31:57 — Почему контекст и тулы важнее модели

34:21 — Безопасная точка внедрения LLM: классификация запросов

36:47 — Гибридные сценарии вместо полного перехода на агентов

42:36 — Как перейти к полноценному агенту

45:18 — PydanticAI, Qdrant, Python, n8n и текстовые файлы

46:53 — Кто должен входить в команду AI-продукта

50:07 — Почему генеративная поддержка всё ещё остаётся ресёрчем

52:39 — Заменит ли диалоговый интерфейс кнопки и приложения

56:45 — Персональные ассистенты, доступ к данным и контроль

01:04:49 — Единственная вещь, которую Федя не делегирует агентам

01:12:11 — Как агент освобождает руководителя от рутины

01:19:05 — Агенты в разработке и архитектурных решениях

01:27:59 — Идеальный процесс разработки новой фичи

01:30:24 — Какие навыки останутся важными для разработчиков

01:34:29 — Что стоит делегировать агентам

01:34:58 — Итоги

grinenko.pro

Telegram-канал — https://t.me/devspotting

Чат сообщества — https://t.me/grinenko_pro

Что действительно ускоряет разработку с ИИ: новая модель, толпа субагентов или правильно собранная обвязка? Разбираем процесс AI-кодинга — от постановки задачи и подготовки контекста до тестирования, code review и ответственности за результат в продакшне.

Говорим с Алексеем Ярошевичем — руководителем команды Яндекс Банка и ex-CTO Яндекс Образования — о harness и скиллах для кодинговых агентов, spec-driven development, изменении ролей в продуктовой команде и образовании в мире, где инструменты устаревают быстрее учебных программ.

В ЭТОМ ВЫПУСКЕ

— Интуиция при работе с моделями

— Почему качество AI-разработки сегодня сильнее зависит от harness и контекста, чем от очередной модели

— Когда skills экономят время, а когда ухудшают результат

— Почему многоэтажная оркестрация агентов накапливает ошибки и расходует слишком много токенов

— Как применять spec-driven development, тесты и контракты при работе с микросервисами

— Что делать, когда модель не справилась: исправлять, декомпозировать или начинать заново

— Как AI смещает узкие места разработки от написания кода к проверке качества и согласованию решений

— Почему QA, ответственность и инженерная экспертиза остаются критически важными

— Как меняются роли продакта, дизайнера и разработчика, когда прототип можно собрать за несколько минут

— Чему учиться, если конкретные инструменты и навыки быстро устаревают

— Как использовать модели для структурирования данных, анализа продукта и управления организацией

— Какие рабочие роли и процессы, возможно, уже стали лишними, хотя компании пока этого не осознали

ТАЙМКОДЫ

00:00 — Хайлайты выпуска

00:33 — Знакомство с гостем

02:10 — Алексей — AI-энтузиаст или скептик?

03:33 — Остался ли кайф от программирования вручную

05:35 — Почему всё упирается в harness, контекст и предсказуемость

07:59 — Рабочий баланс: написать самому, поручить модели или доработать вместе

10:38 — Cursor, Claude Code и постоянно меняющаяся обвязка

12:33 — Skills как новые CLI-утилиты и проблема публичных инструкций

18:36 — Почему Алексей пока не верит в оркестраторов и толпы субагентов

22:12 — Практический процесс: от задачи и контекста до готового кода

25:12 — Что делать, когда модель не справилась

28:00 — Spec-driven development, тесты и контракты микросервисов

30:31 — Несколько AI-сотрудников, ручная оркестрация и ответственность человека

36:53 — Модели вышли на плато? Где искать следующий скачок

39:31 — Как AI-разработка работает в реальной продуктовой команде

42:19 — Продакт, дизайнер и разработчик: прототип вместо идеи

46:00 — От тикета до pull request: когда задача действительно решается за 15 минут

48:35 — Почему стартап может выпускать AI-код без проверки, а enterprise — нет

55:47 — Кто должен проверять сгенерированный код и почему QA всё ещё нужен

59:23 — Главный затык AI-разработки: harness или мышление людей

59:57 — Как искусственный интеллект меняет образование

01:05:02 — Устаревают ли знания быстрее, чем человек успевает их получить

01:15:24 — Недооценённый сценарий LLM: структурирование данных

01:22:33 — Персональный AI-помощник для проектов, чатов и домашней жизни

01:28:10 — Какие люди и рабочие процессы уже могут быть не нужны. Итоги

ССЫЛКИ ГОСТЯ

• Telegram-канал

• GitHub

О ПОДКАСТЕ

Telegram-канал — https://t.me/devspotting

Чат сообщества — https://t.me/grinenko_pro

Сайт — https://grinenko.pro

Может ли ИИ-агент написать автотесты не хуже человека — и как заметить момент, когда он просто подгоняет проверки под зелёный статус? Разбираем практический подход к тестированию с нейросетями: от продуктовых сценариев и legacy-кода до CI, code review и evals.

Говорим с Дмитрием Андрияновым — руководителем группы в Яндекс 360, экспертом по автоматизации тестирования и автором канала test_automation_pro — о том, как научить агентов командным практикам, выбрать подходящий уровень тестов и сохранить человеческую ответственность за решение «готово к продакшну».

В ЭТОМ ВЫПУСКЕ

— Почему тестировать нужно продуктовые сценарии, а не внутреннее устройство приложения

— Как превратить правила и договорённости команды в инструкции для ИИ-агента

— Как восстановить функциональные требования в большом legacy-проекте

— Когда использовать модульные, интеграционные и E2E-тесты

— Почему пирамида тестирования — это результат правильных решений, а не самостоятельная цель

— Чем приёмочное тестирование отличается от регрессионного и где остаётся ответственность человека

— Как встроить ИИ в CI, code review, анализ покрытия и разработку небольших задач

— Почему доверие к агенту необходимо заново проверять после смены модели или системного промпта

— Как evals помогают контролировать недетерминированные системы

— Могут ли разработчики с ИИ заменить QA-команду

— Когда агент сможет провести фичу от бизнес-требования до продакшна без участия разработчика

ТАЙМКОДЫ

00:00 — Хайлайты и начало

01:25 — Дмитрий Андриянов: опыт в автоматизации тестирования

02:09 — Могут ли агенты писать тесты не хуже людей

05:33 — Почему тестировать нужно продуктовые сценарии

09:55 — Требования, разработчики и ответственность за качество

14:56 — Исчезнет ли QA из-за ИИ

15:14 — Как команда учит агента писать стабильные тесты

18:57 — Ошибки нейросети и проблема доверия

24:22 — Когда агент сможет выкатить фичу от идеи до продакшна

25:13 — Как подступиться к большому legacy-проекту

27:47 — Шаг первый: восстановить функциональные требования

29:39 — Как сделать приложение тестируемым

35:47 — Пирамида тестирования: результат, а не цель

37:20 — Рефакторинг для дешёвых и быстрых тестов

39:16 — Стоит ли временно покрывать legacy E2E-тестами

43:51 — Приёмочное и регрессионное тестирование

48:19 — ИИ в CI и автоматизации пайплайна

50:27 — Нейросетевое code review и бот, который делает задачи

52:52 — Что происходит с доверием после смены модели

55:35 — Evals для недетерминированных систем

58:29 — Как Дмитрий использует ИИ вне работы

01:02:42 — Как закрывать старые side-проекты за два-три дня

01:03:41 — Space Engineers, телеметрия и улучшение игрового скрипта

01:06:10 — Главный миф об автотестах

01:06:37 — Итоги

ССЫЛКИ ГОСТЯ

• Канал

• GitHub

• Habr

• Доклад «Как сделать автотесты полезными. Эволюция автотестов в Яндекс ID»

О ПОДКАСТЕ

• Telegram-канал про ИИ

• Чат сообщества

• Сайт — grinenko.pro

#автотесты #ИИагенты #тестирование #AIразработка #CodeReview

Говорим с Даниэлем Левинишниковым — руководителем AI-продуктов Т-Банка — о том, как AI меняет продуктовую разработку, клиентскую поддержку и структуру компаний; почему работа middle-менеджера должна исчезнуть; как проверять качество агентов; зачем пользователю сообщать, разговаривает он с человеком или нейросетью; почему идея и даже реализация продукта становятся commodity — и что тогда остается конкурентным преимуществом.

Также поговорили про переход Даниэля в Higgsfield — самый быстрорастущий стартап в области генеративного видео. О 14–16-часовом рабочем дне в AI-стартапах, будущем интерфейсов, персональных базах знаний, MCP, агентной коммерции, GEO-оптимизации и профессиях, которые модели пока не способны заменить.

В выпуске:

— почему Даниэль считает, что его работа не должна существовать;

— как AI трансформирует поддержку Т-Банка;

— почему прозрачность в общении с ботом обходится компании в сотни миллионов рублей;

— смогут ли 30 сильных IC заменить корпорацию из 3 000 сотрудников;

— чему учиться начинающим продактам, инженерам и дизайнерам;

— как выпускать MVP за выходные и проверять несколько гипотез в неделю;

— почему пятилетние продуктовые стратегии теряют смысл;

— можно ли долго работать по 14–16 часов в день и не выгореть;

— какие интерфейсы исчезнут, а какие останутся;

— как строить evals, когда у нового AI-продукта ещё нет данных;

— почему классический поиск и SEO уступают место GEO;

— что произойдёт с консалтингом, программированием и массовыми профессиями.

Проекты Даниэля:

Обсуждаем создание AI-агента для BI-системы с Андреем Мелиховым, автором телеграм-канала melikhov_dev и разработчиком DataLens: почему агент живёт в браузере, как он вызывает тулы, строит чарты, работает с данными, проверяет себя через eval harness и почему просто прикрутить LLM в продакшне быстро превращается в большую инженерную задачу.

Обсудили:

— почему готовых фреймворков не хватает;

— как устроены AI-агенты в браузере;

— SSE-стриминг, BFF, tool calling и agent loop;

— проблемы разных моделей и инференсов;

— evals, LLM-as-a-judge и железного пользователя;

— доверие к числам в BI и проверяемые чарты;

— заменит ли GenBI аналитиков;

— MCP, серверные агенты и будущие API;

— как Claude Code, Codex, OpenCode и другие coding agents меняют разработку;

— почему AI ускоряет разработчика в 3–5 раз, но задач становится только больше;

— безопасность, permissions, sandboxing и корпоративные ограничения;

— AI вне работы: ремонт, ресёрч, медицина, презентации, NotebookLM и новостные боты;

— bus factor, spec-driven development и контекст для агентов.

Больше про ИИ я пишу в Telegram-канале «Гриненко про»: https://t.me/devspotting, а обсудить нейронки можно в чате сообщества — https://t.me/grinenko_pro

ТАЙМ-КОДЫ

01:24 — Андрей Мелихов

03:30 — Почему собрать агента за 15 минут не работает в продакшне

05:08 — Что такое DataLens и GenBI

06:29 — Почему нейронке нельзя просто скормить все данные

07:45 — Что значит «фронтендер» в Яндексе

09:31 — Браузерный state, сессии и Responses API

13:38 — Разные модели, инференсы и проблемы tool calling

16:14 — Первые ошибки: Vercel AI SDK, OpenAI SDK и свой слой

18:28 — Почему без evals нельзя развивать агента

20:33 — Eval harness, LLM-судья и железный пользователь

24:52 — Архитектура агента: BFF, SSE, тулы и agent loop

28:59 — Как агент строит интерактивные чарты в чате

31:06 — Классификатор запросов и отсечение не-BI вопросов

34:55 — Заменит ли GenBI аналитиков

38:51 — Доверие к цифрам: почему LLM не должна считать сама

41:38 — Тула-судья и проверка фильтров

43:38 — Стоимость диалогов и оптимизация контекста

47:55 — MCP, API и перенос агента на сервер

51:14 — Как AI-агенты меняют работу разработчика

54:35 — Flow: план → ревью → реализация → ревью второй моделью

56:46 — Автоматизация багрепортов и тикетов

59:07 — Дежурства, логи и нейронка как третья линия поддержки

01:04:46 — Безопасность coding agents: permissions, sandboxing, open source

01:09:49 — Родные harness’ы, универсальные агенты и бенчмарки

01:14:51 — Ускорение разработки в 3–5 раз

01:18:44 — AI вне работы: ремонт, медицина, презентации

01:21:07 — NotebookLM, подкасты и подготовка к докладам

01:22:09 — Бот для AI/Frontend-новостей

01:24:01 — Что будет с разработкой через 1–2 года

01:25:26 — Bus factor, spec-driven development и контекст для агентов

01:30:28 — Финал

ССЫЛКИ ПО ТЕМАМ:

DataLens: https://datalens.ru/

OpenAI Responses API: https://developers.openai.com/api/docs/guides/migrate-to-responses

OpenAI Chat Completions: https://developers.openai.com/api/reference/chat-completions/overview/

LangGraph: https://docs.langchain.com/oss/python/langgraph/overview

Vercel AI SDK: https://ai-sdk.dev/docs/introduction

Langfuse: https://langfuse.com/docs

Playwright: https://playwright.dev/

NotebookLM: https://notebooklm.google/

Telegram-канал «Гриненко про»: https://t.me/devspotting

Ставьте лайк, подписывайтесь на канал и делитесь выпуском с теми, кто строит AI-агентов.

Обсуждаем, как LLM изменили жизнь мейнтейнеров с Никитой Пастуховым: автором FastStream, мейнтейнером AG2 и человеком, который живёт внутри современного open source, AI-агентов и бесконечного потока сгенерированных pull request’ов.

В выпуске:

— open source как продукт, карьера и кошмар;

— AG2, FastStream и наследие AutoGen;

— почему PR от внешнего контрибьютора часто стоит дороже, чем кажется;

— как AI-слоп меняет презумпцию доверия в open source;

— где LLM реально ускоряют разработку;

— почему архитектуру пока всё ещё должен понимать человек;

— что делать мейнтейнерам с ботами, слопом и выгоранием;

— как AI меняет поиск, аналитику, спорт, поездки и бытовые задачи.

Ещё обсуждаем CVE-slop, «отмывание» лицензий через AI-rewrite, CLA как капчу от ботов, triage team на агентах, Claude Code, Cursor, Perplexity, бытовых AI-ассистентов, будущую Jarvis OS и то, почему следующий скачок может быть не в «умнее модели», а в дешевле, стабильнее и лучше обвязка.

Проекты Никиты:

Telegram-канал Гриненко про — https://t.me/devspotting

ТАЙМ-КОДЫ

02:07 — Никита Пастухов

03:37 — Зачем вообще заниматься open source

05:15 — Почему компаниям выгодно платить за open source

12:38 — KPI, свобода и роль мейнтейнера в AI-стартапе

16:35 — Почему качественный продукт — это диктатура

18:48 — Поток AI-generated PR

23:34 — Pull request как маркетинг

25:39 — Почему внешние AI-контрибьюторы часто не нужны

33:24 — Triage team, лейблы, правила и агенты против слопа

36:39 — Open source становится «not so open source»

38:58 — Миллион одинаковых библиотек и проблема выбора

43:13 — Можно ли переписать большой проект на другом языке одной командой

51:03 — Chardet, лицензии и AI-отмывание GPL/LGPL

01:04:29 — Как защищаться: whitelist, pipeline, CLA как капча

01:11:35 — Хочешь в open source?

01:15:11 — Монетизация open source

01:17:27 — Как нейросети изменили жизнь вне работы

01:19:12 — Поиск через Perplexity вместо маркетплейсов

01:20:55 — Claude Code, Cursor и агенты для рабочих задач

01:21:10 — Telegram-аналитика, новости и AI-фильтр против собственного слопа

01:23:35 — Hermes-агент для спорта, питания и режима

01:25:25 — Claude в браузере: вежливые отказы и уборка веток на GitHub

01:28:17 — Планирование поездок через ChatGPT

01:29:50 — Мечта: Jarvis OS, generative UI и единый агентный интерфейс

01:30:39 — Стагнация фронтир-моделей или новая волна?

01:32:49 — Экономика токенов, Enterprise и цена агентных workflow

01:33:59 — Следующий скачок: не умнее модели, а дешевле инфраструктура

01:37:53 — Ставка на год: пайплайны станут дешевле, сложнее и качественнее

Прошлый выпуск про агентов

Telegram-канал Гриненко про — https://t.me/devspotting

Обсуждаем статью Антона Виноградова You don’t need sub-agents.

Разбираемся, почему мультиагентная оркестрация не всегда ускоряет разработку, как субагенты множат контекст и токены, когда один агент оказывается быстрее и стабильнее, а когда параллельные агенты всё-таки нужны.

В выпуске:

— почему «оркестратор + толпа агентов» может оказаться не архитектурой, а оргчартом;

— как растут расходы на токены при разбиении задач на субагентов;

— почему single-agent pipeline может быть проще, дешевле и надёжнее;

— где субагенты полезны: read-only поиск, сбор контекста, независимые проверки;

— как мерить качество AI code review: latency, токены, стоимость, количество проходов модели, rejects и продуктовые метрики;

— как выбирать между скоростью, ценой и качеством в агентской разработке.

Таймкоды:

01:51 — О чём статья

02:10 — Почему больше участников = больше коммуникационных расходов

03:10 — Кейс code review: специализированные субагенты против одного агента

04:37 — Главная проблема: контекст, токены и цена

06:52 — Переход к single-agent pipeline

08:32 — Сайд-эффекты субагентов: падения, пустые ответы, восстановление состояния

10:11 — Когда субагенты всё-таки уместны

12:10 — Результаты: ревью быстрее, дешевле и стабильнее

13:44 — Аналогия с командами, CI, QA и security-проверками

18:28 — Почему чтение контекста съедает выигрыш от параллелизма

20:49 — Скорость разработки, ожидания и «12 минут — уже долго»

22:03 — Как сравнивать качество ревью до и после отказа от субагентов

24:51 — Риски одного агента: фокус, конфликт целей и специализация

28:28 — Observability и дебаг: один трейс против множества процессов

32:15 — Как менять и тестировать большой prompt

35:04 — Почему фронтирные лаборатории всё равно строят мультиагентные системы

37:33 — Экономика агентов: токены, маркетинг и cost-effective разработка

40:26 — Opus, GLM и выбор модели под пайплайн

42:20 — Какие метрики собирать с первого дня

43:44 — DORA, продуктовые метрики и как не обмануть себя статистикой

49:26 — Итог: не копировать чужой подход вслепую

50:46 — Практический критерий: что выносить в субагенты

52:23 — Почему подходы меняются с релизами моделей и инструментов

53:33 — Что дальше: автономная разработка, предсказуемость и контроль

Ссылки:

* Статья Антона “You don’t need sub-agents”: https://dev.to/tony__vi/you-dont-need-sub-agents-1eh7

* Code Assistants: https://github.com/awinogradov/code-assistants

* Telegram-канал DevSpotting / «Гриненко про»: https://t.me/devspotting

Затронутые темы и материалы:

* Cloudflare: Orchestrating AI Code Review at scale https://blog.cloudflare.com/ai-code-review/

* PostHog: 8 learnings from 1 year of agents: https://posthog.com/blog/8-learnings-from-1-year-of-agents-posthog-ai

* Cognition: Don’t Build Multi-Agents: * https://cognition.com/blog/dont-build-multi-agents

* Cognition: Multi-Agents — What’s Actually Working: https://cognition.com/blog/multi-agents-working

* MAST study: Why Do Multi-Agent LLM Systems Fail? https://arxiv.org/abs/2503.13657

* Claude Code Sub-agents: https://code.claude.com/docs/en/sub-agents

* Anthropic: Effective context engineering for AI agents: https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents

* Anthropic: How we built our multi-agent research system: https://www.anthropic.com/engineering/multi-agent-research-system

* Temporal: https://temporal.io/

* Z.ai / GLM: https://z.ai/

Поставьте лайк, подпишитесь на канал и напишите в комментариях: вы используете субагентов в разработке или предпочитаете один большой агентский loop?