Хорошо. В контексте разработки ПО я с Вами готов согласиться. Более того, Ваш комментарий для меня лично полезен, за что спасибо. Мой текст все-таки ориентирован на базовый уровень и более широкую аудиторию (поэтому и в «научно популярное»). Он про понимание принципов управления поведением модели, без которых такие инструменты остаются черным ящиком. В этом смысле наши позиции скорее дополняют друг друга, чем противоречат.
В 2026 для разработки ПО промпт-инжиниринг не нужен" - нужен. Даже если Вы разрабатываете с помощью ИИ-агентов, то точно знаете, что границы работы агента нужно четко выставлять. Они любят добавлять бесконечное количество маркдаунов, составлять бесполезные иногда обратные совместимости, додумывать формат вывода функцией и еще кучу бесполезных вещей, которые как минимум занимают время, как максимум тратят токены.
Такие вещи, как цепочка рассуждения, может, и не нужны, но структура точно нужна. Если Вы считаете, что это совсем не полезно, то Вы, скорее всего, либо не пользовались, либо уже сами интуитивно научились применять более эффективные промпты. Я уже пару лет веду семинары по работе с ИИ-инструментами для самых разных слушателей. И айтишников, и не айтишников. И самых разных возрастов. В прошлом году проводил курс "ИИ-инструменты для аспирантов", где у меня было 100 человек, и я могу Вам точно сказать, что нужно слушателю.
Спасибо за комментарий! Пожалуй, Вы правы: я ориентировался в первую очередь на покрытие тестами (сейчас оно отображается как 86 %, хотя на деле ближе к 100 %, так как функции, скомпилированные через Numba, в отчете не учитываются), а не на соотношение кода и тестов. Статистику по строкам я посчитал уже постфактум при подготовке статьи. Я прислушаюсь к Вашему замечанию и при необходимости расширю тестирование. Отмечу также, что все estimators дополнительно прогоняются через тесты scikit-learn, что в итоге значительно увеличивает общее количество тестов.
Спасибо :) Если коротко, использовать DEAP для простого применения ЭА это как забивать гвозди микроскопом. Отличный инструмент для прототипирования идей и кастомизации алгоритмов, но не лучший вариант, если хочется применить готовый алгоритм «под ключ». И медленнее к тому же, а масштабируется намного хуже. Подробнее можно посмотреть в статье, если будет интересно https://elibrary.ru/item.asp?id=66233348
Хорошо. В контексте разработки ПО я с Вами готов согласиться. Более того, Ваш комментарий для меня лично полезен, за что спасибо.
Мой текст все-таки ориентирован на базовый уровень и более широкую аудиторию (поэтому и в «научно популярное»). Он про понимание принципов управления поведением модели, без которых такие инструменты остаются черным ящиком. В этом смысле наши позиции скорее дополняют друг друга, чем противоречат.
В 2026 для разработки ПО промпт-инжиниринг не нужен" - нужен. Даже если Вы разрабатываете с помощью ИИ-агентов, то точно знаете, что границы работы агента нужно четко выставлять. Они любят добавлять бесконечное количество маркдаунов, составлять бесполезные иногда обратные совместимости, додумывать формат вывода функцией и еще кучу бесполезных вещей, которые как минимум занимают время, как максимум тратят токены.
Такие вещи, как цепочка рассуждения, может, и не нужны, но структура точно нужна. Если Вы считаете, что это совсем не полезно, то Вы, скорее всего, либо не пользовались, либо уже сами интуитивно научились применять более эффективные промпты. Я уже пару лет веду семинары по работе с ИИ-инструментами для самых разных слушателей. И айтишников, и не айтишников. И самых разных возрастов. В прошлом году проводил курс "ИИ-инструменты для аспирантов", где у меня было 100 человек, и я могу Вам точно сказать, что нужно слушателю.
Если Вы находите материал устаревшим, то это лишь говорит о том, что Вы на голову выше материала, и он не для Вас. Об этом же я и в дисклеймере написал. Если бы материал был старым, то примерно тем же самым не занимались бы OpenAI: https://academy.openai.com/public/videos/introduction-to-prompt-engineering-2025-02-13
Люто плюсую
Спасибо за комментарий! Пожалуй, Вы правы: я ориентировался в первую очередь на покрытие тестами (сейчас оно отображается как 86 %, хотя на деле ближе к 100 %, так как функции, скомпилированные через Numba, в отчете не учитываются), а не на соотношение кода и тестов. Статистику по строкам я посчитал уже постфактум при подготовке статьи. Я прислушаюсь к Вашему замечанию и при необходимости расширю тестирование. Отмечу также, что все estimators дополнительно прогоняются через тесты scikit-learn, что в итоге значительно увеличивает общее количество тестов.
Спасибо :) Если коротко, использовать DEAP для простого применения ЭА это как забивать гвозди микроскопом. Отличный инструмент для прототипирования идей и кастомизации алгоритмов, но не лучший вариант, если хочется применить готовый алгоритм «под ключ». И медленнее к тому же, а масштабируется намного хуже. Подробнее можно посмотреть в статье, если будет интересно https://elibrary.ru/item.asp?id=66233348
Спасибо! Да, такой подход сейчас действительно очень перспективен сегодня как раз смотрю в эту сторону и пока изучаю.