С AI в клиентской разработке стало выгодно делать то, что раньше технически было несложно, но экономически бессмысленно. Какой‑нибудь специфический фильтр, дополнительный экран в админке, сценарий обработки данных... Раньше смотришь на задачу и понимаешь, что руками это несколько часов работы. Клиенту функция не настолько нужна, сколько она стоит в хорошей реализации, поэтому либо от неё отказываемся, либо ищем готовый плагин, который умеет нужное и подгружает ещё семьдесят свистелок.
Рубрика «coding agents»
Экономика клиентской разработки с AI
2026-09-28 в 13:50, admin, рубрики: AI, AI-разработка, coding agents, llm, автоматизация разработки, Веб-разработка, ии-агенты, клиентская разработка, разработка по, экономика разработкиАгент пишет быстрее, команда релизит медленнее: 30 дней с coding agent на реальном проекте
2026-09-22 в 6:38, admin, рубрики: backend, coding agents, python, автоматизация разработки, ии-агенты, разработка по, технический долгПервые несколько дней с AI агентом легко создают ощущение, что разработку наконец‑то «сломали». Даёшь задачу, через несколько минут получаешь diff на несколько файлов, тесты и уверенный отчёт о том, что всё готово. Если мерить производительность от момента, когда ты сформулировал prompt, до появления кода, результат действительно впечатляет.
Примерно через неделю я заметил другую вещь: код стал появляться заметно быстрее, а задачи не начали с той же скоростью попадать в production.
SKILL.state в coding-агентах: меньше истории, но не всегда меньше работы
2026-09-14 в 14:00, admin, рубрики: ai-агенты, codex, coding agents, llm, opencode, SKILL.state, бенчмарки, память агентов, управление контекстом, экономия токеновО чём этот текст
Это рассказ о моём эксперименте: что захотелось попробовать, что получилось и где пришлось пересмотреть свои ожидания. Я не ставлю здесь задачу кого-то обучить или доказать, как правильно устраивать память агентов. Просто захотелось поделиться этим опытом — вместе с результатами, ошибками и вопросами, на которые у меня пока нет ответа.
С чего всё началось
Недавно мне попалась статья SKILL.state: Scalable Long-Horizon Agent SkillsЧитать полностью »
Как я научил MacBook озвучивать субтитры с PS5
2026-09-14 в 10:15, admin, рубрики: coding agents, MacOS, ocr, ps5, silero, Split Fiction, видеозахват, локальный перевод, синтез речи, субтитрыМы с женой хотели вместе поиграть в Split Fiction на PS5. Но с английским у нас обоих не очень: понимать диалоги на слух трудно, а хочется следить за историей и слышать реплики на понятном нам языке.
Так появилась идея: пусть MacBook читает игровые субтитры по-русски, пока мы играем на телевизоре. С этого и начался проект.
К телевизору уже была подключена карта видеозахвата с HDMI-входом, HDMI-выходом и USB. Оставалось получить картинку на MacBook, вырезать нижнюю треть экрана, распознать текст и прочитать его вслух. Главное — не повторять одну реплику всё время, пока она висит на экране.
Что делает разработчика ценным, когда код всё лучше пишут AI‑агенты
2026-09-11 в 7:50, admin, рубрики: AI-assisted development, ai-агенты, coding agents, software engineering, инженерные решения, разработка поЗа последний год я почти перестал писать код руками.
Не буквально, конечно. Если пару строк быстрее поправить самому, я так и сделаю. Но исследования, варианты архитектуры, план реализации, тесты, миграции, разбор существующего кода и большую часть самой реализации я всё чаще отдаю агентам.
Инженерной работы у меня от этого меньше не стало.
Код появляется быстрее. При этом агенты уже помогают не только с реализацией. Они могут исследовать систему, предлагать варианты, искать риски и спорить с моим решением. Но главный вопрос от этого никуда не исчезает.
Как я настроил общий AI-harness для команды разработки на Pi
2026-08-13 в 13:02, admin, рубрики: AI-harness, ai-агенты, coding agents, cross-repo, pi, telegram, инструменты разработкиОдин Git-репозиторий с контекстом всей экосистемы, skills для рабочих инструментов и два интерфейса: терминал и Telegram.
Инженерная задача начинается со сбора контекста
Требования находятся в таск-трекере, код — в нескольких репозиториях, история изменений и pipelines — в GitLab, ошибки — в логах и мониторинге, данные — в PostgreSQL. Обычно разработчик знает, в какой системе искать нужную информацию и как связаны проекты и сервисы.
Чтобы агент мог делать то же самое, я создал отдельный репозиторий agent. В нём хранятся описания проектов, документация, настройки Pi и skills для внутренних CLI-интеграций.