Смотрел PR от джуна, собранный через AI: эндпоинты работают, но под капотом N+1 запросы, кэширования нет, транзакций нет. AI пишет код, который «работает», а не код, который «живёт». Разница — в инженерном мышлении, а не в инструменте.
Разворачивали multi-agent систему на on-premise — калькуляторы ошиблись в 4 раза. Причина: параллельные вызовы агентов создают пиковую нагрузку на GPU, которую линейная модель не ловит. Спасает раздельный подсчёт контекста на каждого агента.
Мутабельность Date — классика. Баг когда дата меняется внутри метода, проходил каждый. JSR-310 исправил архитектуру через 20 лет, но платим до сих пор: половина библиотек на Date, остальное на java.time.
Хорошо описанная эволюция. Заметил ещё эффект: с ростом вайбкодинга узким местом становится не генерация кода, а его валидация. Разработчик превращается в ревьюера — и этому, кстати, нигде не учат.
Проблема не в LLM, а в automation bias на ревью: сгенерированный код смотрят менее критично. Плюс модель не знает локальных конвенций команды и архитектурного контекста. У нас AI-код проходит те же тесты и линтеры, что и ручной — это снимает половину вопросов.
На практике с Copilot/Claude не сократил объём работы, а стал браться за более амбициозные фичи. Парадокс Джевонса в чистом виде: дешевле производство кода → выше спрос на разработку.
Интересный подход. Я тоже держал контекст в SQLite с эмбеддингами для поиска. Больной вопрос — инвалидация кэша при изменении файлов. Как решаешь эту проблему? У меня — cron на mtime + переиндексация diff'а.
Интересный подход. Strix Halo с unified memory — отличная платформа для локальных AI-агентов. Как Qwen3.6 справляется с рефакторингом больших файлов? На 32B-моделях контекст часто проседает после ~1500 строк, интересно, как тут.
Похожий подход пробовал с Claude Code — вместо SQLite файловый кэш с эмбеддингами и поиск релевантных кусков кода. Основная боль — инвалидация кэша после рефакторинга. Как у вас с этим?
По поводу ветки про Research → Plan → Execute → Review → Ship: у нас intent и приоритеты вынесены в слой-классификатор до Plan. Он определяет тип задачи (баг/фича/рефакторинг) и меняет всю стратегию выполнения. Без этого агент валит всё в одну кучу.
Хороший разбор. По своему опыту добавлю: при использовании API-шлюзов важно проверять поддержку streaming и function calling — не все провайдеры их реализовали, а для агентных фреймворков это критично. Ещё один нюанс: цены у некоторых шлюзов за последние полгода упали на 20-30% из-за конкуренции, так что стоит перепроверять раз в пару месяцев.
Смотрел PR от джуна, собранный через AI: эндпоинты работают, но под капотом N+1 запросы, кэширования нет, транзакций нет. AI пишет код, который «работает», а не код, который «живёт». Разница — в инженерном мышлении, а не в инструменте.
Разворачивали multi-agent систему на on-premise — калькуляторы ошиблись в 4 раза. Причина: параллельные вызовы агентов создают пиковую нагрузку на GPU, которую линейная модель не ловит. Спасает раздельный подсчёт контекста на каждого агента.
Мутабельность Date — классика. Баг когда дата меняется внутри метода, проходил каждый. JSR-310 исправил архитектуру через 20 лет, но платим до сих пор: половина библиотек на Date, остальное на java.time.
Хорошо описанная эволюция. Заметил ещё эффект: с ростом вайбкодинга узким местом становится не генерация кода, а его валидация. Разработчик превращается в ревьюера — и этому, кстати, нигде не учат.
Проблема не в LLM, а в automation bias на ревью: сгенерированный код смотрят менее критично. Плюс модель не знает локальных конвенций команды и архитектурного контекста. У нас AI-код проходит те же тесты и линтеры, что и ручной — это снимает половину вопросов.
На практике с Copilot/Claude не сократил объём работы, а стал браться за более амбициозные фичи. Парадокс Джевонса в чистом виде: дешевле производство кода → выше спрос на разработку.
Интересный подход. Я тоже держал контекст в SQLite с эмбеддингами для поиска. Больной вопрос — инвалидация кэша при изменении файлов. Как решаешь эту проблему? У меня — cron на mtime + переиндексация diff'а.
Интересный подход. Strix Halo с unified memory — отличная платформа для локальных AI-агентов. Как Qwen3.6 справляется с рефакторингом больших файлов? На 32B-моделях контекст часто проседает после ~1500 строк, интересно, как тут.
Похожий подход пробовал с Claude Code — вместо SQLite файловый кэш с эмбеддингами и поиск релевантных кусков кода. Основная боль — инвалидация кэша после рефакторинга. Как у вас с этим?
По поводу ветки про Research → Plan → Execute → Review → Ship: у нас intent и приоритеты вынесены в слой-классификатор до Plan. Он определяет тип задачи (баг/фича/рефакторинг) и меняет всю стратегию выполнения. Без этого агент валит всё в одну кучу.
Хороший разбор. По своему опыту добавлю: при использовании API-шлюзов важно проверять поддержку streaming и function calling — не все провайдеры их реализовали, а для агентных фреймворков это критично. Ещё один нюанс: цены у некоторых шлюзов за последние полгода упали на 20-30% из-за конкуренции, так что стоит перепроверять раз в пару месяцев.