Пока я активно погружаюсь в работу нового направления и завален работой, ребята из A?.Frontend Community делают то, что я люблю — мероприятие на стыке Frontend и AI.

A?.Frontend Техно-квартирник — неформальная встреча с разбором реальных кейсов ИИ-агентов во фронтенд-разработке. Эксперты из Альфы, Сбера и других команд, живые дискуссии после каждого доклада, а в конце — диджей-сет и Networking party.

Особенно зайдите на доклады моих хороших знакомых, а потом отловите их на нетворкинге, обнимите за меня и закидайте вопросами:

⚡️ Данила Звягин и Илья Агапов — «Чистая архитектура frontend-приложений и причём здесь AI-агенты?» Про то, как ИИ сначала ускоряет разработку, а потом начинает тащить в новый код старые костыли и думать только о «сейчас», а не о том, как проект будет жить через полгода. Разберут, как делегировать реализацию агенту и не потерять контроль над системой.

⚡️ Рома Троицкий — «Как я поднял AI-агента и снова стал высыпаться: OpenClaw, скиллы и корпоративная рутина» Про превращение рабочего хаоса (заметки, PR-ы, встречи, контекст полугодовой давности) в систему на агентах и скиллах. Рома обещает, что уйдёте с готовым OpenClaw-сетапом, который можно склонировать к себе.

📍 Москва, Проспект Андропова, 18к3 (офис Альфа-Банка, метро Технопарк)
🗓 27 мая, 19:00 (регистрация с 18:30), офлайн + онлайн
❗️ Записи не будет — ловите вживую

Приходите сами, зовите друзей и коллег.

Регистрация

Модель вам соврёт. И чем она умнее — тем убедительнее

Вечер. Я сижу, заряженный идеей. Исследую, как Sentry можно срастить с другими инструментами observability, и спрашиваю у модели про Pyroscope. По итогу модель мне рассказывает сказку, что Sentry под капотом использует Pyroscope и нет нужды дублировать сервисы.

Я полный воодушевления и с мыслями об экономии железа сразу потащил это архитектору и лидам. Начинаю убеждать: давайте попробуем, давайте эксперимент. Выступаю бездумной, но очень заряженной прокладкой между ИИ и коллегами.

А потом не могу уснуть, что-то свербит в голове. Не может быть настолько идеальный продукт, покрывающий все корнер-кейсы, и при этом о нём не трубят из каждого утюга. Где-то в полпервого ночи сажусь факт-чекать. Другие модели, ручной поиск. 15 минут работы. Понимаю, что меня жёстко обманули. Утром иду посыпать голову пеплом и извиняться перед людьми, на которых давил.

Почему модели врут?

У OpenAI есть исследование: чем умнее модель, тем охотнее она выдумывает. Механика простая. Модель обучается на пользовательских реакциях. Когда она говорит «я не знаю», получает негативный фидбэк. Когда пытается соврать, появляется развилка: человек либо не проверит и скажет «отличный ответ», либо распознает ложь. Для модели выдумать и попытаться продать — всегда выгоднее, чем честно промолчать.

Где это больнее всего бьёт

В сложной бизнес-логике. Вы можете пойти по всем правилам: Spec-Driven Development, полная документация, TDD, ручная перепроверка — и всё выглядит хорошо. Вроде работает, все довольны. А потом на проде выясняется, что модель допустила мааааленькую ошибку, и ваш код почти правильный. Вы можете не знать об этом неделями. Но это чеховское ружьё, которое вы точно не хотите видеть в своём продукте. Ведь однажды оно стрельнёт.

Что с этим делать

Декомпозируйте. Ничего нового, разбивайте сложную логику на куски поменьше. Промежуточные проверки кратно повышают шанс поймать ошибку до того, как она уедет в прод.

Факт-чекайте то, что звучит слишком хорошо. Моё правило после той ночной истории: если модель рисует картину без единого компромисса, это дополнительный повод задуматься.

Заведите лог сомнительных решений. Один знакомый поделился подходом: добавляешь в системный промт правило «If you are unsure about a decision, log it». Дата, решение, в чём сомнение. Если модель сама фиксирует, где она не уверена, вы хотя бы знаете, куда смотреть первым делом.

Собственный интеллект никуда не делся, не забывайте его включать. Модель не несёт ответственности за то, что вы ей поверили. А вы — несёте.

Два типа разработчиков с ИИ: «просто работает» vs «а почём это работает»

Замечаю интересное разделение среди разработчиков, которые используют LLM в работе. И дело не в том, кто пишет промты лучше — а в том, насколько глубоко человек хочет понимать, что происходит под капотом.

Первый тип — прагматики. Открыл чат, закинул задачу, получил результат. Работает? Работает. Всё, следующая задача. Никаких вопросов про контекстное окно, токены, количество подключённых MCP-серверов. И знаете что? В этом нет ничего плохого. Большинство из нас именно так пользуется кучей инструментов каждый день — не разбирая, как именно работает компилятор или сборщик мусора.

Второй тип — копатели. Эти ребята лезут глубже: как устроено контекстное окно? Сколько токенов сжирает каждый подключённый инструмент? Как это влияет на качество ответа модели? Они ставят плагины для подсчёта токенов, экспериментируют с размером контекста и осознанно выбирают, что подключать, а что нет.

Правильно ли они делают, что раскапывают всю эту информацию? Честно — не знаю. Возможно, через полгода половина этих знаний устареет. Модели станут умнее, контекстные окна — больше, а оптимизации уйдут под капот. Но есть один аргумент, который заставляет меня думать, что копатели окажутся в выигрыше.

Деньги.

Давайте посчитаем. Подписка на Claude — 20 баксов в месяц. Звучит как цена за пару чашек кофе. Но если вы поставите плагин, который считает токены, и пересчитаете свой объём использования по тарифам API, — вы, скорее всего, будете шокированы. Ваши 20 долларов на самом деле — это сотни долларов в API-эквиваленте. Подписки сейчас сильно субсидированы, и мы привыкли к этому, как к дешёвому бензину: пока цена низкая, никто не думает про расход.

Но что будет, когда субсидии закончатся? Или когда подписки подорожают?

А теперь представьте другой сценарий — и он уже реален для многих компаний. У вас развёрнуто собственное on-premise решение. Свои серверы, свои модели, свой бюджет. И внезапно качество работы всей системы напрямую зависит от того, как именно ей пользуются люди. Один разработчик осознанно формирует запрос, подключает только нужные инструменты и получает точный результат с первой попытки. Другой — закидывает всё подряд, подключает десяток MCP-серверов «на всякий случай», получает мусор, доуточняет, переспрашивает. Нагрузка на сервера растёт, качество падает, а косты улетают в космос.

И вот тут мы подходим к интересному. В компаниях этот навык уже начинает цениться. Когда считают экономическую выгоду от автономного агента, ключевой вопрос не «можно ли это сделать с помощью ИИ?», а «а точно ли стоит?». Потому что иногда обычная автоматизация — скрипт, пайплайн, кусок логики без единого вызова модели — закрывает задачу дешевле, быстрее и надёжнее.

Мне кажется, именно это станет одним из ключевых различий между уровнями специалистов в ближайшем будущем. Мидл просто использует ИИ. Сеньор может посчитать, во сколько это обходится команде — и принять решение, стоит ли вообще здесь применять модель. Не говоря уже про техлидов и тимлидов, для которых это становится частью стратегического планирования.

Знать свой инструмент — значит понимать не только что он умеет, но и сколько он стоит. А умение вовремя сказать «тут ИИ не нужен» может оказаться ценнее, чем умение написать идеальный промт.

Мой набор лекций по вайбкодингу и Agentic Engineering — в открытом доступе

На очередной встрече я привычно начал оперировать терминами и инструментами, которые уже плотно вошли в мою ежедневную работу, — а в ответ встретил тишину. Не несогласие, не спор — именно тишину. Люди не могли даже задать вопросы, потому что всё это звучало слишком сложно и непонятно.

А когда что-то звучит слишком сложно, первая реакция мозга предсказуема: «Да забей, слишком долго в этом разбираться». Хотя никакой магии в вайбкодинге нет — есть набор новых терминов, новый инструментарий и новые возможности.

Просто чтобы это увидеть, нужна понятная структура с нарастающей сложностью, а не россыпь ссылок на статьи и видео. Так появился набор лекций: презентации и конспекты по Agentic Engineering. 9 лекций, от вайбкодинга до субагентов и оркестрации — 4 уже готовы, остальные в работе.

Этот курс я читаю у себя на работе. После каждой лекции он дорабатывается — и в процессе я сам нахожу подходы, мимо которых раньше проходил. Оказалось, лучший способ разобраться в теме — попробовать её объяснить.

Основное кредо, которое транслирую на всех лекциях:

«Пробуйте сами, ошибайтесь, делайте свои открытия»

Инструменты меняются быстрее, чем любой курс успевает обновиться. Поэтому важнее готовых рецептов — привычка экспериментировать и чувствовать границы инструмента на своих кейсах.

Забирайте, делитесь, пробуйте. И если в следующий раз на встрече вместо тишины будут вопросы — значит, всё не зря.

vladsazonov.com