Цель была продемонстрировать снобизм типичного разработчика и она была достигнута. Так что спасибо вам за ваши комментарии, они добавили столь нужной мне фактуры.
Но если по существу, вы правда думаете, что подобную статью можно взять и сгенерить на пустом месте без личного прожитого опыта?
Почему вы уходите от вопроса по существу? Скажите, с чем конкретно вы не согласны в статье?
Я привел в пример другую статью, там у вас комментарии "некуда деваться от нейрослопа". По-вашему, в них много пользы?
На калькуляторе подход не раскроется, там весь проект уместится в контекстном окне и смысла в сложных методологиях нет. На новых (целиком написанных с помощью ИИ), тоже особо нет проблемы, потому что ИИ обычно генерирует код уже понятный для себя (хотя могут быть проблемы с архитектурой, но если вовремя дампить контекст, то это решается). Все сложности с внедрением ИИ у людей на большом и сложном легаси, вот там приходится шаманить.
Вы упускаете критически важный момент — конвергенцию.
Да, сейчас "вайб-кодеры" — это новички. Но через год выжившие вайб-кодеры вынужденно выучат и консоль, и Docker, и базы данных (потому что ИИ будет косячить, и придется править).
И тогда на рынке появятся два типа специалистов:
Традиционный сеньор: Знает всё про кишки, но пишет код руками со скоростью X.
Гибрид (бывший вайб-кодер): Знает про кишки (базово) + виртуозно управляет флотилией AI-агентов. Его скорость — 10X.
Как думаете, кого выберет бизнес, когда нужно запустить продукт "вчера"? У луддитов останется только гордость, у гибридов — рынок
Так расскажите, что не получилось, я же не говорю, что вы ставите агента и все отлично работает. Я говорю как раз обратное: без жесткой методологии агенты тупят и делают херню.
Если вам действительно интересно, то можно разобрать, что не сработало и попробовать сделать лучше. Если вы просто пришли сказать "ИИ херня, мне не понравилось", то тогда смысла обсуждать нет.
Мой тезис не в том, что AI assisted development заменит программистов, оно заменит только тех, кто ИИ не использует в работе :)
Вам "исследования" заменили свой собственный разум?
Я посмотрел ваши комментарии, вы приходите к людям в их посты про ИИ и рассказываете как вам безразлично. Вот характерный пример: https://habr.com/ru/articles/983808/ человек пишет примерно о том же о чем и я, структурно даже некоторые вещи совпадают: первый восторг, первые проблемы и переход к методам работы позволяющим получать предсказуемые результаты.
То есть уже сейчас в вашем конкретном пузыре есть люди, которые не сговариваясь пишут об одном и том же, а вы приходите к ним и говорите что? Что вы пытаетесь донести? Что эти люди врут? Что они неправильно оценивают свой опыт? Что нужны какие-то исследования? Как вам помогут исследования, если у вас критическое мышление не работает?
Чтобы сделать продуктовую аналитику в одном мобильном продукте на одном из прошлых мест работы потребовались:
1) python программист, который сделал endpoint для приема телеметрии и укладки онной в ClickHouse
2) продуктовый аналитик, который составил схему событий и настроил Redash
3) девопс, который это все задеплоил.
По времени можете сами прикинуть, сколько это займет у средней команды в средней конторе. Тут же подобная инфра поднимается тремя параллельными агентами за пару дней. Вот на это исследование я ссылаюсь, нормальное исследование?
Вы совершенно правы, канал действительно (на данный момент) не очень полезный. Просто вместо того чтобы репостить новости или писать короткие заметки я структурировал свой опыт в одной большой статье. Но статья — это не реклама канала, а попытка дать пользу здесь и сейчас. Жаль, если вы увидели только ссылку
Ну и в четвертых: когда вы сделаете свой продукт на базе ИИ, его тут же скопируют сами вендоры. Так что благотворительностью там и не пахнет, если ужин бесплатный, значит на ужин — вы :)
Вы иронизируете, но Delphi в свое время позволил бизнесу автоматизироваться с бешеной скоростью. Если AI — это "новый Delphi", то это комплимент. Мы снова можем делать быстро, а не "правильно и годами".
А вот почему вы видите только "мусор" и картинки, но не видите "всплеска программирования" — тут причина чисто экономическая.
Успешное внедрение AI в разработку (когда косты падают в 3 раза, а скорость растет в 5) — это сейчас главное конкурентное преимущество. Ни один вменяемый бизнес не побежит писать на Хабр статью: "Смотрите, как мы настроили агентов и теперь демпингуем рынок". Зачем им палить тему и плодить конкурентов?
Это как с алгоритмическим трейдингом: кто нашел рабочую стратегию — сидит и молча зарабатывает сверхприбыль под NDA. А кто не нашел — тот обсуждает в интернете, что "рынок — это пузырь". Поэтому вы видите только пену (публичный мусор), а реальные промышленные решения спрятаны за коммерческой тайной.
1) Ровно об этом я пишу. Грамотно описанная бизнес-логика бесплатно транслируется в код. Только для бизнеса гораздо меньше рисков иметь specification.md и почти бесплатную макаку, которая переведет это в код, чем целого програмиста (который будет это делать в 10 раз медленнее макаки)
2) Да понял я вас, можете не разжевывать. За 2-3 года модели станут ещё умнее и вайб-кодеры (которые за это время учились этим инструментам) смогу решать ещё более сложные задачи. Не думали об этом?
По поводу миллиионов дерущихся за ветку. Это уже сейчас происходит, только не с вайб-кодерами, а с существующими вполне айтишными профессиями. Попробуйте ради интереса получить оффер куда-нибудь. Будете удивлены.
Не понял! Вы даёте собственную цитату и тут же ее слегка критикуете. Вы не перепутали себя со мной? И вы точно человек, а не нейробот?
это один логический блок; все, что дальше — про другое
Т.е., это работа «вообще», а не конкретная программа, решающая конкретные задачи, которую можно не только увидеть, но и потрогать?
Это конкретная прошивка под конкретный девайс решающая конкретную задачу. Основная проблема(ы) были в том, что
девайс старый (2019 года) и deprecated
SDK закрытый и выдавался по запросу (то есть готовых модулей не было)
поставлялся в виде бинарного блоба под тулчейн другой версии
По вашей остальной тематике я не шарю, но могу сказать, что сложные задачи бесплатные модели решают плохо. Есть потенциальный барьер, когда модель тупо не может "сообразить". Например, Qwen никак не мог справиться с машинкой, пока я не переехал на Gemini/Cursor, которые сходу нашли бару багов. Пробуйте arena.ai/перплексити, судя по количеству текста, которое вы написали, вы тратите много времени своей жизни на это дело. https://plati.market/games/perplexity/1579/ потратить 400 рублей чтобы получить качественный ответ от фронтирных моделей ну наверное можно для теста. Благо перпла работает в РФ без танцев.
Вы сраниваете "решение математических задач" (что априори делается на топовых моделях / без ограничения по токенам) с вашей попыкой решить свои довольно сложные задачи бесплатными моделями. Оно так не работает.
А если по делу: вы сами-то пробовали агентскую разработку, или это теоретический скепсис?
Меня удивляет, почему инженеры считают необходимость переписывания проекта через 2-3 года проблемой. Как будто за «кожаными мешками» переписывать не приходится. Наоборот, это хорошая новость. Если ваш проект потребовал рефакторинга через пару лет — это значит, что с точки зрения бизнеса он оказался достаточно успешным, чтобы выжить и нанять «дорогих специалистов» для наведения красоты.
Вайб-кодинг свою задачу выполнил: проверил гипотезу малой кровью. А идеально написанный код мертвого стартапа не стоит ничего.
1. Self-hosted Open Source Вы пишете про "мощности, которых нет". Это уже не совсем так. 32B модели спокойно крутится на одной видеокарте с 24GB VRAM (уровня 3090/4090) или на Mac Studio. Это consumer-железо, а не дата-центр. Если у вас параноидальная безопасность — ставите локально Ollama/vLLM, и ни один байт не уходит наружу. Качество там уже "взрослое".
2. Private Cloud (Azure OpenAI, AWS Bedrock) Если железа нет совсем, есть Enterprise-контракты. Условный Claude внутри AWS Bedrock внутри Azure по соглашению (Zero Data Retention) не обучаются на ваших данных и не сохраняют их. Это стандарт для банков и финтеха. Это не то же самое, что писать в веб-морду ChatGPT.
3. Про "всю кодовую базу" Вам и не нужно грузить весь легаси-монолит. Это ошибка новичка. Вы скармливаете модели (локальной или приватной) только интерфейсы/контракты (через те же ctags или XML-схемы), которые нужны для текущей задачи. Модели не нужно знать, как у вас внутри реализован драйвер 10-летней давности, ей нужно знать, как его вызвать».
И, как не странно, иногда, сформулировать «Искусственному Идиоту», что я хочу – труднее, чем самому реализовать свою «хотелку», практически на уровне подсознания и ощущениях нравится / не нравится.
Так вы же меня и цитируете :)
Через некоторое время вы поймете: сложность не в том, как сделать, а в том, как сформулировать задачу (даже для себя). Грамотно поставленная задача на естественном языке — это больше половины успеха.
Все-таки вы немного поспешили с выводами
Такое впечатление, что программы для ПК, на С++, здесь только один я пишу.
1. Про C++ и "программы для ПК": В статье есть кейс: Embedded/IoT интеграция Synaptics SDK в ESPHome на C++. Это работа с железом, DSP и памятью, а не "бесконечный фронтенд". И AI справился, потому что получил правильный контекст.
SDK под эту платку выдается по запросу
"ваш ИИ умеет только копировать код по памяти". Весь интернет забит сообщениями пользователей, которые не могут запустить эту платку, потому что примеров нет :)
2. Про "данные на троечку" и научную статью: Вы привели отличный пример с лингвистикой! Он идеально иллюстрирует, зачем нужна методология из статьи. Вы просите AI "дать слогоделение" и получаете галлюцинации (Stage 1: общение). Мой подход (Stage 3) — не просить AI дать ответ, а просить написать код, который этот ответ вычислит.
Именно для этого я и привел пример с научной статьей. Я не просил нейросеть "нагенерить цифры" (это путь к бреду). Я просил её написать скрипты обработки данных. Скрипт — это детерминированный инструмент. Я его один раз отревьюил (или отревьюил ансамблем других моделей), запустил — и получил точные данные, которые пошли в статью.
Смотрите: LLM обучены на текстах. Статистически модель "видела" письменные переносы в миллиарды раз чаще, чем фонетические транскрипции. Поэтому, когда вы просите её "разделить слоги", её веса тянут её к орфографии, даже если вы просите обратное. Она не "тупит", она следует своей статистике.
С вашей задачей по фонетике то же самое: если просить "Мистраль" просто поделить слова — он ошибется. Если скормить ему XML с фонетическими правилами и попросить написать Python-скрипт для их применения — вы получите идеальный инструмент, работающий "на пятерку"
Благодарю, статья прямо два лагеря подсветила: отрицающих и тем, кому оказалось полезно
Благодарю за теплые слова :)
А напишите, чего уж там, что вы бы сделали иначе, это было бы интересно послушать
вы прочитали статью?
Нет, цель другая :)
Цель была продемонстрировать снобизм типичного разработчика и она была достигнута. Так что спасибо вам за ваши комментарии, они добавили столь нужной мне фактуры.
Но если по существу, вы правда думаете, что подобную статью можно взять и сгенерить на пустом месте без личного прожитого опыта?
Почему вы уходите от вопроса по существу? Скажите, с чем конкретно вы не согласны в статье?
Я привел в пример другую статью, там у вас комментарии "некуда деваться от нейрослопа". По-вашему, в них много пользы?
На калькуляторе подход не раскроется, там весь проект уместится в контекстном окне и смысла в сложных методологиях нет. На новых (целиком написанных с помощью ИИ), тоже особо нет проблемы, потому что ИИ обычно генерирует код уже понятный для себя (хотя могут быть проблемы с архитектурой, но если вовремя дампить контекст, то это решается). Все сложности с внедрением ИИ у людей на большом и сложном легаси, вот там приходится шаманить.
Судя по комментам их критически мало :)
Вы упускаете критически важный момент — конвергенцию.
Да, сейчас "вайб-кодеры" — это новички. Но через год выжившие вайб-кодеры вынужденно выучат и консоль, и Docker, и базы данных (потому что ИИ будет косячить, и придется править).
И тогда на рынке появятся два типа специалистов:
Традиционный сеньор: Знает всё про кишки, но пишет код руками со скоростью X.
Гибрид (бывший вайб-кодер): Знает про кишки (базово) + виртуозно управляет флотилией AI-агентов. Его скорость — 10X.
Как думаете, кого выберет бизнес, когда нужно запустить продукт "вчера"? У луддитов останется только гордость, у гибридов — рынок
Так расскажите, что не получилось, я же не говорю, что вы ставите агента и все отлично работает. Я говорю как раз обратное: без жесткой методологии агенты тупят и делают херню.
Если вам действительно интересно, то можно разобрать, что не сработало и попробовать сделать лучше. Если вы просто пришли сказать "ИИ херня, мне не понравилось", то тогда смысла обсуждать нет.
Мой тезис не в том, что AI assisted development заменит программистов, оно заменит только тех, кто ИИ не использует в работе :)
Вам "исследования" заменили свой собственный разум?
Я посмотрел ваши комментарии, вы приходите к людям в их посты про ИИ и рассказываете как вам безразлично. Вот характерный пример: https://habr.com/ru/articles/983808/ человек пишет примерно о том же о чем и я, структурно даже некоторые вещи совпадают: первый восторг, первые проблемы и переход к методам работы позволяющим получать предсказуемые результаты.
То есть уже сейчас в вашем конкретном пузыре есть люди, которые не сговариваясь пишут об одном и том же, а вы приходите к ним и говорите что? Что вы пытаетесь донести? Что эти люди врут? Что они неправильно оценивают свой опыт? Что нужны какие-то исследования? Как вам помогут исследования, если у вас критическое мышление не работает?
Чтобы сделать продуктовую аналитику в одном мобильном продукте на одном из прошлых мест работы потребовались:
1) python программист, который сделал endpoint для приема телеметрии и укладки онной в ClickHouse
2) продуктовый аналитик, который составил схему событий и настроил Redash
3) девопс, который это все задеплоил.
По времени можете сами прикинуть, сколько это займет у средней команды в средней конторе. Тут же подобная инфра поднимается тремя параллельными агентами за пару дней. Вот на это исследование я ссылаюсь, нормальное исследование?
Удачи вам с поиском работы, без шуток
Вы совершенно правы, канал действительно (на данный момент) не очень полезный. Просто вместо того чтобы репостить новости или писать короткие заметки я структурировал свой опыт в одной большой статье. Но статья — это не реклама канала, а попытка дать пользу здесь и сейчас. Жаль, если вы увидели только ссылку
Ну во-первых не раздают, а продают.
Во-вторых продают буквально воздух (токены, кто вообще в курсе что это такое?).
В-третьих, каждый новый релиз очередного продукта от вендоров ИИ рушит акции каких-то других игроков.
https://www.cybersport.ru/tags/other/aktsii-igrovykh-kompanii-rezko-upali-posle-vykhoda-neiroseti-dlya-sozdaniya-igr
https://ved.vedomosti.ru/news/single/69835347818d1487d30057b6
https://www.forbes.ru/investicii/554951-rynok-akcij-ssa-padaet-iz-za-opasenij-po-povodu-investicij-v-iskusstvennyj-intellekt
Ну и в четвертых: когда вы сделаете свой продукт на базе ИИ, его тут же скопируют сами вендоры. Так что благотворительностью там и не пахнет, если ужин бесплатный, значит на ужин — вы :)
Вы иронизируете, но Delphi в свое время позволил бизнесу автоматизироваться с бешеной скоростью. Если AI — это "новый Delphi", то это комплимент. Мы снова можем делать быстро, а не "правильно и годами".
А вот почему вы видите только "мусор" и картинки, но не видите "всплеска программирования" — тут причина чисто экономическая.
Успешное внедрение AI в разработку (когда косты падают в 3 раза, а скорость растет в 5) — это сейчас главное конкурентное преимущество. Ни один вменяемый бизнес не побежит писать на Хабр статью: "Смотрите, как мы настроили агентов и теперь демпингуем рынок". Зачем им палить тему и плодить конкурентов?
Это как с алгоритмическим трейдингом: кто нашел рабочую стратегию — сидит и молча зарабатывает сверхприбыль под NDA. А кто не нашел — тот обсуждает в интернете, что "рынок — это пузырь". Поэтому вы видите только пену (публичный мусор), а реальные промышленные решения спрятаны за коммерческой тайной.
1) Ровно об этом я пишу. Грамотно описанная бизнес-логика бесплатно транслируется в код. Только для бизнеса гораздо меньше рисков иметь
specification.mdи почти бесплатную макаку, которая переведет это в код, чем целого програмиста (который будет это делать в 10 раз медленнее макаки)2) Да понял я вас, можете не разжевывать. За 2-3 года модели станут ещё умнее и вайб-кодеры (которые за это время учились этим инструментам) смогу решать ещё более сложные задачи. Не думали об этом?
По поводу миллиионов дерущихся за ветку. Это уже сейчас происходит, только не с вайб-кодерами, а с существующими вполне айтишными профессиями. Попробуйте ради интереса получить оффер куда-нибудь. Будете удивлены.
Это конкретная прошивка под конкретный девайс решающая конкретную задачу. Основная проблема(ы) были в том, что
девайс старый (2019 года) и deprecated
SDK закрытый и выдавался по запросу (то есть готовых модулей не было)
поставлялся в виде бинарного блоба под тулчейн другой версии
По вашей остальной тематике я не шарю, но могу сказать, что сложные задачи бесплатные модели решают плохо. Есть потенциальный барьер, когда модель тупо не может "сообразить". Например, Qwen никак не мог справиться с машинкой, пока я не переехал на Gemini/Cursor, которые сходу нашли бару багов. Пробуйте arena.ai/перплексити, судя по количеству текста, которое вы написали, вы тратите много времени своей жизни на это дело. https://plati.market/games/perplexity/1579/ потратить 400 рублей чтобы получить качественный ответ от фронтирных моделей ну наверное можно для теста. Благо перпла работает в РФ без танцев.
Вы сраниваете "решение математических задач" (что априори делается на топовых моделях / без ограничения по токенам) с вашей попыкой решить свои довольно сложные задачи бесплатными моделями. Оно так не работает.
https://www.youtube.com/watch?v=T_U7HxOzhWw
А если по делу: вы сами-то пробовали агентскую разработку, или это теоретический скепсис?
Меня удивляет, почему инженеры считают необходимость переписывания проекта через 2-3 года проблемой. Как будто за «кожаными мешками» переписывать не приходится. Наоборот, это хорошая новость. Если ваш проект потребовал рефакторинга через пару лет — это значит, что с точки зрения бизнеса он оказался достаточно успешным, чтобы выжить и нанять «дорогих специалистов» для наведения красоты.
Вайб-кодинг свою задачу выполнил: проверил гипотезу малой кровью. А идеально написанный код мертвого стартапа не стоит ничего.
1. Self-hosted Open Source Вы пишете про "мощности, которых нет". Это уже не совсем так. 32B модели спокойно крутится на одной видеокарте с 24GB VRAM (уровня 3090/4090) или на Mac Studio. Это consumer-железо, а не дата-центр. Если у вас параноидальная безопасность — ставите локально Ollama/vLLM, и ни один байт не уходит наружу. Качество там уже "взрослое".
2. Private Cloud (Azure OpenAI, AWS Bedrock) Если железа нет совсем, есть Enterprise-контракты. Условный Claude внутри AWS Bedrock внутри Azure по соглашению (Zero Data Retention) не обучаются на ваших данных и не сохраняют их. Это стандарт для банков и финтеха. Это не то же самое, что писать в веб-морду ChatGPT.
3. Про "всю кодовую базу" Вам и не нужно грузить весь легаси-монолит. Это ошибка новичка. Вы скармливаете модели (локальной или приватной) только интерфейсы/контракты (через те же ctags или XML-схемы), которые нужны для текущей задачи. Модели не нужно знать, как у вас внутри реализован драйвер 10-летней давности, ей нужно знать, как его вызвать».
Так вы же меня и цитируете :)
Все-таки вы немного поспешили с выводами
1. Про C++ и "программы для ПК": В статье есть кейс: Embedded/IoT интеграция Synaptics SDK в ESPHome на C++. Это работа с железом, DSP и памятью, а не "бесконечный фронтенд". И AI справился, потому что получил правильный контекст.
2. Про "данные на троечку" и научную статью: Вы привели отличный пример с лингвистикой! Он идеально иллюстрирует, зачем нужна методология из статьи. Вы просите AI "дать слогоделение" и получаете галлюцинации (Stage 1: общение). Мой подход (Stage 3) — не просить AI дать ответ, а просить написать код, который этот ответ вычислит.
Именно для этого я и привел пример с научной статьей. Я не просил нейросеть "нагенерить цифры" (это путь к бреду). Я просил её написать скрипты обработки данных. Скрипт — это детерминированный инструмент. Я его один раз отревьюил (или отревьюил ансамблем других моделей), запустил — и получил точные данные, которые пошли в статью.
Смотрите: LLM обучены на текстах. Статистически модель "видела" письменные переносы в миллиарды раз чаще, чем фонетические транскрипции. Поэтому, когда вы просите её "разделить слоги", её веса тянут её к орфографии, даже если вы просите обратное. Она не "тупит", она следует своей статистике.
С вашей задачей по фонетике то же самое: если просить "Мистраль" просто поделить слова — он ошибется. Если скормить ему XML с фонетическими правилами и попросить написать Python-скрипт для их применения — вы получите идеальный инструмент, работающий "на пятерку"