1. Стадия первая: скептицизм
В самом начале, когда начали появляться первые ИИ-агенты и плагины для IDE-шек, я думал: а, очередная новомодная фишка. Надо будет как-нибудь посмотреть, когда время будет. Тогда я еще не подозревал, насколько мощные эти инструменты, а ChatGPT и прочие генеративные нейросети воспринимал как «прикольную игрушку».
В то время я искал решения на Stack Overflow, адаптировал и вставлял в код, вручную отлаживал. Тогда ИИ для меня был просто нейросетями на Keras, которые еще надо обучать и которые годятся только для кредитного скоринга или подобных задач.
2. Первый опыт: ассистенты экономят время на поиске
Потом я решил проверить, а сумеет ли ChatGPT написать простой код. Ну хотя бы алгоритм пузырьковой сортировки. К моему удивлению, смог. И притом правильно! Я дал ему более сложное задание. Справился. Тогда я подумал: а почему бы не дать ему реальную задачу, написать пример, который я обычно качаю со Stack Overflow. И тут справился. Мне осталось только адаптировать пример и вставить в код. Я сэкономил время на гугление, но еще даже и не подозревал, что это только начало.
3. Переломный момент. Начальство сказало: изучай Cursor
Но переломный момент настал тогда, когда начальство открытым текстом сказало: «Изучай Cursor. Мы внедряем ИИ в свои бизнес процессы». Ну, вот и настал тот момент, когда «надо как-нибудь посмотреть новомодную фишку». Я установил IDE, набрал первый промпт: «Напиши мне на Django шаблон интернет-магазина». Пара минут – и все готово: шаблоны, вьюхи, урлы. Все то, что я бы кропотливо писал не один час. Все это за пару минут. И… работает. Затем я попросил Cursor добавить еще один пункт меню. Он добавил, корректно внеся изменения в шаблоны, урлы и вьюхи.
Честно. Меня это очень впечатлило.
4. Углубление: от простых промптов к реальным проектам
Итак, задача поставлена: изучить Cursor. Я написал план и начал изучать его глубже. Изучил методы работы, возможности: рефакторинг, написание отдельных функций, анализ и ревью кода, промпт-инжиниринг. Не все шло гладко. Иногда мне казалось, что проще быстренько написать ручками, чем сочинять длинный промпт для ИИ-шки (это в основном касается коротких функций). Иногда ИИ писал не то, что нужно. Но это решалось либо исправлением (примеры скаченные со Stack Overflow и написанные ChatGPT я же тоже адаптировал), либо просил Cursor исправить. Так постепенно втянулся, стал выполнять на Cursor и рабочие задачи. Потом вспомнил про отложенные в долгий ящик пет-проекты: если раньше мне приходилось искать документацию к библиотекам, кропотливо писать и отлаживать код (из-за чего, собственно, пет-проекты и были отложены), то теперь все это я мог делать за пять минут в Cursor.
5. Что изменилось в процессе
Разработка ускорилась значительно. Взять, например, задачу спарсить с сайта нужную информацию, загрузить в базу данных и проанализировать ее. Раньше мне приходилось открывать сайт, внимательно смотреть его структуру, выяснить схему тегов, затем писать скрипты, которые эти теги разбирали, вытаскивали данные. Затем, когда скрипты написаны, отлажены и работали, я проводил рефакторинг, красиво оборачивал их в классы. Интегрировал с базой данных. Затем писал аналитический алгоритм. На это уходили часы и даже дни. Сейчас все это за пять минут делает Cursor, благодаря чему у меня появилось время на то, что действительно важно: продумывание архитектуры, тестирование, работа над безопасностью.
А теперь несколько кейсов, что я делал на Cursor.
6. Кейс 1: OfferIntel
Это мой пет-проект с AI. Его суть: маркетолог вводит запрос по своей нише, в ответ ему выдается отчет о его конкурентах, какие у них есть УТП, акции, какие боли у их аудитории. На основании найденной информации ИИ-шка формулирует список оферов, которые маркетолог может представить своей целевой аудитории. Как это работает: по запросу система делает поиск по интернету. Находит сайты конкурентов. Парсит их, извлекает информацию. Затем собранные данные обезличиваются. Зачем? Чтобы соблюдать 152-ФЗ, который прямо запрещает трансграничную передачу персональных данных. После обезличивания это уже не ПДн (Персональные данные), и собранные данные с чистой совестью можно отправлять вместе с промптом в облачную LLM (например, в DeepSeek). Далее система при помощи ИИ извлекает из собранных материалов УТП, боли аудитории, акции и на основании этого формирует офферы. Все это предоставляется маркетологу в виде удобного отчета:
Если вы маркетолог и хотите опробовать мою систему, пишите в личку – я дам вам демо-доступ к MVP (ссылку и инвайт-код). Если не маркетолог – все равно пишите, тоже дам демо-доступ.
7. Кейс 2: биржевой RAG
Это тоже мой пет-проект с AI. Сейчас он в стадии разработки. Суть: на основании новости и котировок происходит поиск в базе данных похожих рыночных ситуаций. По найденным похожим ситуациям формируется торговая рекомендация/сигнал.
Что уже сделано:
Разработан эмбеддинг графика котировок.
Разработан загрузчик котировок
Создан шаблон/каркас для тестирования.
Что предстоит сделать:
Объединить эмбеддинг котировок с эмбеддингом текста.
Прикрутить векторную базу данных.
Создать механизм бектестинга торговых стратегий.
Интегрировать с биржевым терминалом (для реальной торговли).
Сделать дашборд.
8. Кейс 3: Загрузка и анализ статистики прочтений книг на Author.Today
Это сервис, предназначенный для загрузки с сайта статистики по своим книгам и анализ этой статистики. Этому сервису посвящена отдельная статья на Хабре: Как я собрал анализатор прочтений для Author.Today: Selenium → MS SQL → воронка.
В чем суть: моя боль как автора – это отсутствие на сайте Author.today нормальной статистики. Чтобы решить эту проблему, я написал парсер, который скачивает статистку по моим книгам, собирает их в базу данных и уже из базы данных ее подхватывают мои алгоритмы и строят различные статистические отчеты, те, которые мне нужны.
9. Выводы: что я понял про PDLC
В итоге искусственный интеллект меня не заменил. Он убрал рутину, а в некоторых случаях значительно ускорил разработку (в десятки раз). К сожалению, реальное ускорение получилось не везде: там, где нужно создать что-то с нуля, быстро набросать MVP – ИИ незаменим и реально работает. А вот в более сложных случаях, там, где важна безопасность и надежность, все равно еще много ручной работы: в частности, после ИИ нужно все тщательно проверить, протестировать, сделать код-ревью, где-то отладить. На это все равно еще уходит достаточно много времени.
Таким образом, роль разработчика смещается: теперь он практически не пишет код, а гораздо больше проектирует, тестирует и контролирует качество. То есть, программист, по сути, превращается в аналитика.
10. Маленькое заключение
Мои проекты можно посмотреть на GitHub вот здесь: https://github.com/megabax
Предлагаю также обсудить статью в комментариях.
