Меня зовут Андрей Жаров, я iOS-разработчик из компании Doubletapp, и в этой статье мы рассмотрим, как управлять контекстным окном и экономить токены.

Содержание

• Что такое гигиена контекста
• Держи команды машиночитаемыми
• Краткость – сестра таланта
• Одна задача – один done-критерий
• Кто мы, откуда, куда мы идём
• Разделяй и властвуй
• С глаз долой, из сердца вон
• Мастер на все руки
• Просто делай – просто будет
• Eval-Driven Development
• Реальные примеры
• Ограничения и открытые вопросы

Если цифровой сервис с самого начала создаётся для международной аудитории, вопрос платёжной инфраструктуры встаёт практически сразу. Как принимать оплату от пользователей из разных стран? Как переводить средства исполнителям, если у каждого — своя валюта? Как сделать так, чтобы всё это работало прозрачно, надёжно и без лишней нагрузки на команду?

На примере международной образовательной платформы расскажем, как работают платёжные инструменты в подобном сервисе, какие задачи они решают — и с какими подводными камнями можно столкнуться при их подключении.

Содержание

• О проекте
• Почему Stripe
• Как устроена оплата в сервисе
◦ Получение события об оплате
◦ Учет дохода преподавателей
◦ Выплаты преподавателям
◦ Прозрачность для всех участников
◦ Тестирование
• Что в итоге

В 2026 году российский LegalTech выходит за рамки «умных шаблонов» и превращается в слой автономной правовой инфраструктуры на базе мультиагентного ИИ. 

Generative LegalTech — это не ИИ, который пишет текст, а связка генеративных моделей, retrieval-уровня и доменной логики, которая позволяет работать с реальными юридическими сценариями, а не только с шаблонами документов.

Следующим этапом развития стал Agentic LegalTech — подход, в котором отдельные ИИ-агенты отвечают за разные этапы процесса: анализ документа, проверку на соответствие внутренним политикам, оценку рисков или подготовку изменений. При этом ключевые решения по-прежнему остаются за юристом. 

Содержание
• Решения на рынке LegalTech 
• Архитектурный подход и требования корпоративного рынка 
• Мультиагентные архитектуры в LegalTech
• RAG, семантический поиск и корпоративная память
• Суверенная архитектура и соответствие регулированию
• От конструктора договоров к автономному юридическому контуру
• Короткий пилот и экономика внедрения
• Архитектура как конкурентное преимущество
• От юриста-исполнителя к юристу-архитектору

Ни для кого не секрет, что эра «спросить что-то у GPT» постепенно уходит в прошлое. На смену генеративному AI приходит Agentic AI, который не просто проконсультирует, а по вашему запросу придёт и сделает все сам. То же самое и с кодовыми агентами, они не просто отвечают на вопросы,  они читают документацию, работают в терминале, дёргают API, правят файлы и в идеале закрывают задачу целиком, от тикета до мёрж-реквеста.

Звучит здорово, пока не выясняется, что ваш агент починил баг, сломав при этом три соседних модуля, или молча проигнорировал половину требований из задачи. Короче говоря, агенты умеют халтурить, и делают это красиво. А значит, их нужно постоянно тестировать. Причем тестировать в условиях, максимально приближённых к рабочим: с реальным репозиторием, CI-пайплайном и набором тестов, которые не обманешь.

Именно для этого в AI-сообществе появился целый класс таких инструментов как бенчмарки и песочницы, заточенные под оценку агентов. В этой статье мы разберём, какие подходы к тестированию кодинг-агентов существуют сегодня, в чём их сильные и слабые стороны, и расскажем, как мы в Doubletapp создаём кастомные бенчмарки на приватных данных.

Содержание
‣ Какие бенчмарки сейчас используют
‣ Почему публичных бенчмарков недостаточно
‣ Кастомные бенчмарки как следующий слой тестирования
‣ Как выглядит пайплайн кастомного SWE-style бенчмарка
‣ Заключение

Привет, Хабр. Я Никита Анчутин, CTO Doubletapp. В этой статье я расскажу о том, как мы создали DTIS – CRM-систему для управление студией разработки. 

Этот текст будет полезен тем, кто уперся в ограничения таблиц и разрозненных инструментов и думает, стоит ли идти в кастомную разработку. 

Содержание

∙ Контекст и проблема
∙ MVP: автоматизация финансов и проектной экономики
∙ Перезапуск и технологическое обновление
∙ Переход к юнит-экономике
∙ Сервис временных ссылок для передачи конфиденциальных данных
∙ Разделы для поддержки корпоративной культуры
∙ Следующий этап: система уведомлений
∙ Результаты

«make no mistakes» и «write if you need more context» – фразы, которые я до сих пор могу напечатать на клавиатуре с завязанными глазами, потому что они способны помочь выжать из ChatGPT рабочий код, а если Deep Thinking подключить, то вообще сказка, разве нет?

Меня зовут Андрей Жаров, iOS-разработчик из Doubletapp. За последние несколько месяцев я прошёл путь от чата до агентского флоу. Данный опыт применим практически к любому направлению разработки, тут не будет iOS-специфичного материала. Я не буду рассказывать, как вкатиться в AI с полного нуля или как завайбкодить приложение, а предлагаю разобраться, в чём разница между вайбкодингом и инженерным подходом. Давайте вспомним сначала, как индустрия шла от написания кода в ChatGPT к локальным агентам, потом рассмотрим, с какими проблемами столкнулась, и поймём, почему в какой-то момент мы все дружно перестали писать код и стали писать промпты.

Содержание

• «write if you need more context»
• Агентская эйфория
• Context Engineering
• Оркестрация
• Как я перестал бояться и полюбил prompt-injection
• Prompt as Tooling
• Meta-prompting
• Заключение

Недоверие бизнеса к агентным решениям растёт пропорционально их распространению. И это недоверие небезосновательно: агент — это не просто чат-бот с улучшенным промптом. Это система с доступом к инструментам, внешним сервисам и корпоративным данным. Ошибка модели в изолированном чате — это неловкость. Ошибка агента с доступом к почте и документам — это потенциальная утечка данных, репутационный или финансовый инцидент.

Эта статья адресована бэкенд-разработчикам, которые уже выкатили агента в прод или готовятся это сделать. Она является практическим продолжением нашего предыдущего материала о Red Teaming LLM: там мы разобрали концептуальную базу и объяснили, почему языковые модели требуют отдельного подхода к тестированию безопасности. Здесь — конкретный кейс из реальной практики Doubletapp и пошаговый инструмент, который можно поднять и запустить на своём агенте уже сегодня.

Содержание
- Чем Red Teaming агента отличается от Red Teaming LLM
- Cookbook: базовый Red Teaming с Promptfoo
- Ссылки

В статье мы расскажем, как команда разработчиков Doubletapp разработала систему оценки открытых моделей для создания саммари, поделимся метриками, которые отражают полезность результата для бизнес-процессов заказчика.

Содержание

• Что мы сделали
• Как это работает
• Как это устроено технически
• Результат

Меня зовут Маша, я QA Engineer в Doubletapp. Мы с 2020 года аутстафим в бигтехах, банках, стримингах, интеграторах, e-commerce и т. д. Поэтому хорошо знаем, где эта модель ломается и как сделать так, чтобы она действительно работала.

В качестве внешнего сотрудника я работала на четырех проектах разного формата и масштаба, хочу поделиться практическими советами, которые помогут аутстаф-специалистам быстрее вливаться в проекты и выстраивать работу так, чтобы приносить реальную пользу. Надеюсь, текст будет полезен как разработчикам, QA, аналитикам, так и тимлидам, которые работают с внешними сотрудниками и хотят, чтобы аутстаф был предсказуемым и эффективным

Навигация по статье 

• Вливаемся в проект, фиксируем ожидания и критерии успеха
• Интеграция в команду: как не остаться «внешним»
• Работа и результат: как быть полезным вопреки неудобствам
• Блокеры, доступы и прозрачность: защита от репутационных потерь
• Как не выгореть между проектами
• Когда аутстаф начинает работать.

Математические исследования всё чаще используют методы ИИ для анализа сложных задач, генерации решений и предоставления персонализированного обучения. Но эффективность моделей напрямую зависит от качества и структуры данных, на которых они обучаются. Несмотря на обилие математических текстов в интернете, для русскоязычных моделей остро не хватает материалов, сочетающих в себе авторитетность источника, сложность содержания и лингвистическое разнообразие.

Команда специалистов Doubletapp  создала такой ресурс — датасет задач American Invitational Mathematics Examination (AIME) мы перевели на русский язык. AIME — это источник сложных, тщательно проработанных задач, которые идеально подходят для тренировки логических и алгоритмических способностей LLM.

Расскажем, как проходил сбор, обработка и перевод задач.

Содержание
‣ Обзор связанных работ
‣ Методология сбора и обработки данных
‣ Анализ и метрики исходного датасета
‣ Этап перевода математических задач на русский язык
‣ Адаптация датасета
‣ Оценка с помощью lm-evaluation-harness
‣ Заключение

Кто победит в соревновании по обработке документов — опытный специалист или нейросеть? На рутинных повторяющихся задачах ИИ уверенно обходит человека: он работает быстрее и не устаёт, тогда как внимание человека дискретно — мы ошибаемся из‑за усталости или монотонности работы.

Оптимальное решение — разделить роли: нейросеть быстро и точно сортирует данные, а человек ставит задачи, контролирует процесс и оценивает результат. Как же на практике превратить ИИ-помощника и живого эксперта в эффективную команду?

Для этого мы в Doubletapp разработали ИИ-платформу, которая облегчает и ускоряет работу с тендерной документацией:

В 2026 году кодовые ассистенты окончательно перестали быть просто автокомплитом и превратились в полноценный инструмент разработки: они читают кодовую базу целиком, понимают зависимости, дебажат по логам и могут довести задачу до рабочего состояния почти без участия разработчика. Но на практике всё не так однозначно — один агент хорошо чинит баги, но ломает архитектуру, другой уверенно пишет на Python, но теряется в TypeScript. Чтобы разобраться, кто из них реально помогает в разработке, а кто только выглядит убедительно, мы прогнали популярные решения через собственный приватный бенчмарк с задачами на 15+ языках.

Меня зовут Ильнур Файзиев, я руковожу юнитом Data LLM в Doubletapp и расскажу, как и почему мы тестировали агентов, какие задачи давали и какие выводы из этого можно сделать для команды и бизнеса.

Содержание

⁃ Какой бенчмарк выбрать для теста кодовой модели?
⁃ Почему многие выбирают именно Codex/Claude Code и Cursor как компаньонов по разработке
◦ Claude Code
◦ Codex
◦ Cursor
⁃ Какие задачи брали для прогона
⁃ Результат
◦ Сравнение с публичными бенчмарками
◦ Сравнение с приватным Python-репозиторием
⁃ Итоговый рейтинг
⁃ Итоговый рейтинг на разных языках
⁃ Разбивка по языкам
⁃ Заключение

К нам в Doubletapp обратились организаторы Fame to Flame — федерального танцевального чемпионата. Онлайн-часть ивента планировалась как ядро всей механики конкурса — регистрация участников, загрузка видео, голосование, работа с чеками. При декомпозиции задач мы поняли, что сложность здесь на стыке: видеостриминг, антифрод, всплески нагрузки и жёсткий дедлайн в два месяца. Но у нас было мощное оружие — опыт.

В статье подробно разберём, какие ключевые технические решения сделали платформу стабильной и удобной, несмотря на все вызовы.

Содержание:

‣ Что хотел заказчик
‣ Видео: главный источник сложности
‣ GPU-транскодинг под пользовательскую загрузку
‣ Асинхронный пайплайн обработки
‣ Подготовка к пиковым нагрузкам
‣ Наблюдаемость и раннее обнаружение деградации
‣ Модерация VK как часть production-цикла
‣ Фронтенд и кастомный видеоплеер
‣ Результаты

Без качественного датасета даже сильная модель не улучшает бизнес‑метрики — от NPS поддержки до конверсии интернет‑магазина.

В этом интервью Ильнур Файзиев, руководитель юнита Data LLM в Doubletapp, рассказывает, как правильно готовить датасеты и где бизнес получает реальную экономию

Читайте в интервью:

‣ Кому и зачем нужны датасеты: кейсы и метрики
‣ Кошечка или собачка — краудсорсинг нам поможет?
‣ Куда растет рынок датасетов

В кибербезопасности существует подход под названием Red Teaming — когда одна команда имитирует атакующего, а другая защищает систему. С появлением больших языковых моделей тот же принцип стал применяться к ИИ. Только теперь атакуют не серверы и базы данных, а сами LLM-агенты — системы, которые умеют рассуждать, выполнять команды и взаимодействовать с внешними инструментами. Red Team здесь ищет способы выявить уязвимости и подсветить риски модели, а Blue Team — защитить её. Именно на стыке этих подходов возникла новая область — Red Teaming LLM-агентов, где тестирование превращается в исследование границ самого искусственного интеллекта.

В Doubletapp мы с 2018 года занимаемся интеграцией AI- и ML-решений, когда ещё основное внимание было приковано к компьютерному зрению. Сегодня центр притяжения — языковые модели, и мы одни из первых в России начали системно работать с LLM. Среди наших клиентов — крупные российские бигтех-компании и международные партнёры.

В статье разберем, зачем вообще проверять языковые модели на прочность, какие угрозы возникают при их внедрении, какие типы уязвимостей встречаются чаще всего и как их искать.

Содержание:

- Что такое LLM и как они используются
- Риски при использовании LLM
- Red Teaming LLM: реальные кейсы
- Основные типы уязвимостей LLM
- Как тестируют LLM: ручное и автоматическое тестирование, шаблоны и KPI
- Фаззинг, мутации и роль человека
- Кейсы: как мы ломали и чинили LLM в продакшене
- Зачем компании нужны сторонние Red Team-партнёры
- Внутренние инструменты: как мы сами используем LLM
- Что дальше: спад или новая волна?

За последние несколько лет, с момента бума ИИ-чатов, всё больше людей меняют привычный Google и Яндекс на разговор с ИИ-ассистентом. Не нужно копаться в ссылках, да и ответ сразу перед вашими глазами. Статистика 2025 года показывает резкий рост интереса к нейропоиску: только в Рунете ChatGPT собирает свыше 1,17 миллиона запросов в месяц, а глобально эта цифра приближается к 47 миллиардам.

Doubletapp уже несколько лет развивает экспертизу в области нейросетей, и в 2025 году мы всё чаще стали получать лиды именно из ChatGPT и других ИИ-платформ. Мы разобрались, как же все-таки работает нейропоиск, и готовы поделиться этим с вами.

Содержание:

‣ Можно ли заменить Google на ChatGPT?
‣ SEO умерло? Да здравствуют AEO и GEO
‣ Как AI выбирает сайты для ответов в нейропоиске
‣ Отзывы и комментарии: нужны ли они нейросетям как SEO?
‣ Масштабирование: от AEO к GEO и битве экосистем
‣ Почему бизнесу пора стать ответом, а не ссылкой

Привет, я Дима, senior frontend разработчик в компании Doubletapp. 

В этой статье я расскажу о том, как составить идеальное тестовое для фронтендера, которое покажет не навыки прохождения интервью и умения пользоваться нейронкой, а реальные скиллы инженера. Статья будет полезна и тем, кто нанимает, и тем, кто готовится к собеседованиям, и тем, кто хочет честно проверить свой уровень. 

В тексте: 
- Почему стандартные тестовые задания не работают
- Как должен выглядеть адекватный технический этап
- Почему этот подход даёт лучший результат

Привет! На связи Дима — Senior Frontend разработчик в Doubletapp. В этой статье я расскажу, как эффективно собесить фронтендеров. Мой стек — Vue, Nuxt, поэтому примеры будут на основе моего опыта, но текст подойдет для всех разработчиков и нанимающих менеджеров.

В этой статье 

- Что я понял спустя 80+ собеседований? 
- Как собесят на рынке?
- Почему это все не работает
- Фактор ИИ и «подготовленных» кандидатов
- Как проводить инженерное интервью: 4 принципа

Представьте: вы и коллега в разных уголках планеты, но курсоры ваши встречаются в документа онлайн редактора. Вы одновременно вставляете слова в одну и ту же позицию или удаляете фрагмент текста, который ваш коллега в этот момент редактирует. Казалось бы, результат должен превратиться в хаос, но всё складывается в единую, логичную версию текста — несмотря на расстояния, задержки и одновременные правки. При этом вы даже не ждете, пока ваши изменения согласуются с общим состоянием на сервере. Просто редактируете документ и можете быть уверены в том, что ваши изменения применятся.

На деле за этим волшебством часто скрываются CRDT — структуры данных, делающие возможной децентрализованную синхронизацию. Я сам столкнулся с этим, когда работал над онлайн-совместным редактором: CRDT и библиотека Yjs буквально спасли мой проект от хаоса и сделали синхронизацию прозрачной.

Меня зовут Никита Лыкосов, я занимаюсь фронтенд-разработкой в Doubletapp и предлагаю шаг за шагом разобраться, как устроена эта инженерная магия. Спойлер: это гораздо проще, чем кажется.

Читайте в статье:

• G-Counter — самый простой CRDT
• Какие правила CRDT выполняются на примере G-Counter и зачем это нужно?
• Массивы
• Yjs: как устроено совместное редактирование на практике

Одним из гостей подкаста Doubletapp «Что-то на программистском» стал бывший топ-менеджер Яндекса и нынешний IT-предприниматель Григорий Бакунов (aka Bobuk). В разговоре с ведущим, CEO Doubletapp Сергеем Анчутиным( (ТГ-канал: t.me/serega_ceo), он рассказал, почему против работы фултайм и аутсорса, чем IT-компании вредят российскому образованию, куда по карьерной лестнице могут продвинуться разработчики и почему чаще всего им это не интересно.