Пишу, помогаю, обучаю, внедряю, консультирую по AI Coding
О канале https://t.me/the_ai_architect/2
Связь: @yatimur | Визитка: timurkhakhalev.t.me
О канале https://t.me/the_ai_architect/2
Связь: @yatimur | Визитка: timurkhakhalev.t.me
Про developer ux
Я недавно настраивал sentry впервые. Мне не хотелось разбираться в новых (для меня) сущностях этого продукта, поэтому сетапить я его планировал с AI, конечно же.
Дал задачу кодексу "давай настроим sentry" на проекте. Агент сходил и настроил, я создал новый проект на стороне Sentry.
Дальше, нужно проверить что всё работает. Пошёл искать способы связи между моим агентом и sentry: находил и mcp и голый api по curl завернутый в skill, в итоге остановился на официальном sentry cli и skill к нему.
Установка простейшая, ставится через
После установки агент сразу подтянул skill и пошёл работать с sentry. Кайф
---
Далее, для подготовки к PAC1 мне нужно было настроить langfuse, чтобы можно было удобно смотреть логи запросов.
Приятно обрадовался, что langfuse теперь предлагает настраивать проект прямо с агентом, у них прям в документации есть промпт
К нему же ещё идёт и langfuse-cli, который позволяет подключаться к lf и читать телеметрию.
Мне очень понравилось, учитывая, что еще пару месяцев назад, когда я последний раз настраивал langfuse, у них ещё не было этого и настройка lf была сущим адом (нужно настроить с десяток файлов. Bolt-on настройкой это не назовёшь)
---
Ну и третьим проектом за последнее время был posthog.
У них тоже появился cli + skill, теперь можно удобно давать агенту в руки возможность работать с аналитикой.
Причем, тут еще понравилось, что авторизация была максимально удобной: команда
Осенью ещё писал про stripe cli, тоже мега удобный инструмент, кто пропустил — вот ссылка.
Вывод такой — будущее Developer UX за такими штуками, которые упрощают взаимодействие с вашим проектом.
Вот мне вообще не хочется разбираться в сущностях posthog, sentry или langfuse, я просто знаю о некоторых юзкейсах использования этого проекта и хочу себе настроить так же.
Я не хочу читать документацию, или даже спрашивать чатгпт о том чтобы он мне создал инструкцию по документации этого сервиса.
Нет, я хочу просто кинуть в железяку (моего агента) ссылкой на новый сервис и попросить настроить его для меня, и локально и на стороне сервиса.
Короче, если ваш продукт сложный для онбординга и настройки - упрощайте его с помощью вот таких инструментов, которые построят связь между агентом вашего клиента и вашим сервисом.
#aicoding@the_ai_architect
Лайк, репост,
✔️ Тимур Хахалев про AI Coding, подписывайтесь!
Я недавно настраивал sentry впервые. Мне не хотелось разбираться в новых (для меня) сущностях этого продукта, поэтому сетапить я его планировал с AI, конечно же.
Дал задачу кодексу "давай настроим sentry" на проекте. Агент сходил и настроил, я создал новый проект на стороне Sentry.
Дальше, нужно проверить что всё работает. Пошёл искать способы связи между моим агентом и sentry: находил и mcp и голый api по curl завернутый в skill, в итоге остановился на официальном sentry cli и skill к нему.
Установка простейшая, ставится через
bun add -g sentry. Не нужно возиться с json'ами, как в случае с mcp.После установки агент сразу подтянул skill и пошёл работать с sentry. Кайф
---
Далее, для подготовки к PAC1 мне нужно было настроить langfuse, чтобы можно было удобно смотреть логи запросов.
Приятно обрадовался, что langfuse теперь предлагает настраивать проект прямо с агентом, у них прям в документации есть промпт
Install the Langfuse AI skill from github.com/langfuse/skills
and use it to add tracing to this application with Langfuse
following best practices.
К нему же ещё идёт и langfuse-cli, который позволяет подключаться к lf и читать телеметрию.
Мне очень понравилось, учитывая, что еще пару месяцев назад, когда я последний раз настраивал langfuse, у них ещё не было этого и настройка lf была сущим адом (нужно настроить с десяток файлов. Bolt-on настройкой это не назовёшь)
---
Ну и третьим проектом за последнее время был posthog.
У них тоже появился cli + skill, теперь можно удобно давать агенту в руки возможность работать с аналитикой.
Причем, тут еще понравилось, что авторизация была максимально удобной: команда
posthog-cli login, далее открывается браузер, подтверждаешь выбор и всё готово.Осенью ещё писал про stripe cli, тоже мега удобный инструмент, кто пропустил — вот ссылка.
Вывод такой — будущее Developer UX за такими штуками, которые упрощают взаимодействие с вашим проектом.
Вот мне вообще не хочется разбираться в сущностях posthog, sentry или langfuse, я просто знаю о некоторых юзкейсах использования этого проекта и хочу себе настроить так же.
Я не хочу читать документацию, или даже спрашивать чатгпт о том чтобы он мне создал инструкцию по документации этого сервиса.
Нет, я хочу просто кинуть в железяку (моего агента) ссылкой на новый сервис и попросить настроить его для меня, и локально и на стороне сервиса.
Короче, если ваш продукт сложный для онбординга и настройки - упрощайте его с помощью вот таких инструментов, которые построят связь между агентом вашего клиента и вашим сервисом.
#aicoding@the_ai_architect
Лайк, репост,
Моему подходу Plan & Act примерно 8 месяцев уже и он претерпел значительные изменения:
- на старте это был workflow заточенный именно под Claude Code и актуальные в сентябре модели - Sonnet 4 и GPT 5: приходилось почти вручную выполнять декомпозицию задач в отдельные файлы, потому что большие задачи на имплементации sonnet не переваривал. Приходилось сильно запариваться над вычищением плана с GPT 5. Уже тогда на старте у меня был процесс верификации реализованной задачи
- какое-то время зимой я не использовал этот подход, но потом, когда пришлось шиппить много и быстро, вернулся к нему и понял, что codex'у не нужна декомпозиция задач и нет необходимости заморачиваться с этим. Так же упростился процесс подготовки плана, потому что на тот момент уже появилась модель GPT 5.2
- с февраля примерно я занимаюсь улучшением Plan & Act, делился им с некоторыми людьми, в том числе с @gleb_pro_ai
Сейчас Plan & Act состоит из: подготовка черновика плана -> создание плана (implementation plan с milestones) -> имплементация -> проверка на соответствие написанного кода плану -> code review по написанному коду, ну и конечно же исправление косяков в лупе, после каждой проверки.
Итог - выполненная задача от и до. После реализации я иду сам тыкать эту фичу в UI и убеждаюсь что она работает так, как было задумано. Если что-то не так, то это исправляется фоллоу-аппом.
На такую задачу я обычно трачу 1-2 часа максимум на подготовку, и остальные 1-2 часа агент тратит на реализацию, и 1 час максимум на проверку вручную. В до AI эпоху на такие задачи тратится обычно от 4 до десятков рабочих человеко-часов
- на днях вот ещё попробовал superpowers brainstorm скилл, мне понравился, похоже на мою стадию подготовки draft, так что позаимствовал подходы оттуда
- планирую ещё добавить полноценную стадию QA отдельным агентом. В одном проекте у меня уже есть подход, где для тестирования агент создает отдельный мир в БД и гоняет вдоль и поперек integration, e2e тесты (в т. ч. где агент сам ходит по сайту через свой браузер), но об этом расскажу как нибудь в следующий раз.
#aicoding@the_ai_architect
Лайк, репост,
✔️ Тимур Хахалев про AI Coding, подписывайтесь!
- на старте это был workflow заточенный именно под Claude Code и актуальные в сентябре модели - Sonnet 4 и GPT 5: приходилось почти вручную выполнять декомпозицию задач в отдельные файлы, потому что большие задачи на имплементации sonnet не переваривал. Приходилось сильно запариваться над вычищением плана с GPT 5. Уже тогда на старте у меня был процесс верификации реализованной задачи
- какое-то время зимой я не использовал этот подход, но потом, когда пришлось шиппить много и быстро, вернулся к нему и понял, что codex'у не нужна декомпозиция задач и нет необходимости заморачиваться с этим. Так же упростился процесс подготовки плана, потому что на тот момент уже появилась модель GPT 5.2
- с февраля примерно я занимаюсь улучшением Plan & Act, делился им с некоторыми людьми, в том числе с @gleb_pro_ai
еще вот @yatimur прикольного планировщика сделал. Я гоняю — хорошо работает, могу рекомендовать (только сетап геморройный)
Сейчас Plan & Act состоит из: подготовка черновика плана -> создание плана (implementation plan с milestones) -> имплементация -> проверка на соответствие написанного кода плану -> code review по написанному коду, ну и конечно же исправление косяков в лупе, после каждой проверки.
Итог - выполненная задача от и до. После реализации я иду сам тыкать эту фичу в UI и убеждаюсь что она работает так, как было задумано. Если что-то не так, то это исправляется фоллоу-аппом.
На такую задачу я обычно трачу 1-2 часа максимум на подготовку, и остальные 1-2 часа агент тратит на реализацию, и 1 час максимум на проверку вручную. В до AI эпоху на такие задачи тратится обычно от 4 до десятков рабочих человеко-часов
- на днях вот ещё попробовал superpowers brainstorm скилл, мне понравился, похоже на мою стадию подготовки draft, так что позаимствовал подходы оттуда
- планирую ещё добавить полноценную стадию QA отдельным агентом. В одном проекте у меня уже есть подход, где для тестирования агент создает отдельный мир в БД и гоняет вдоль и поперек integration, e2e тесты (в т. ч. где агент сам ходит по сайту через свой браузер), но об этом расскажу как нибудь в следующий раз.
#aicoding@the_ai_architect
Лайк, репост,
Пришла в голову идея подсчитать, сколько у меня стоят сессии имплементации плана по Plan & Act. Посчитал, получились интересные числа (на картинке), и пришла идея написать этот пост, который скорее всего заставит некоторых подгореть
И так, сколько я трачу ресурсов на работу по Plan & Act с codex.
На подготовку к задаче я трачу 1-2 часа, потом передаю задачу в работу codex'у, он её выполняет 1-2 часа, и потом я вручную протыкиваю задачу в UI и убеждаюсь что всё работает так, как было задумано. Если нет, то исправляем. Трачу на это ещё 1 час, примерно. Итого: 2-3 часа на одну задачу чисто моего времени.
Теперь на конкретном примере из недавней практики:
Пользователь может писать в ТП через телеграм бота. На другой стороне (в веб приложении) сидит оператор и общается с этим пользователем. Назовём эту систему inbox.
Нужно сделать вот что: уведомления о новых сообщениях от пользователей присылать в телеграм чатик; дать возможность отвечать через реплай в этом телеграм чатике, соответственно, вся переписка через этот чат должна проходить через этот inbox; добавить дебаунс и отправлять уведы в чатик только спустя 30 сек от последнего сообщения.
По трудозатратам, GPT оценил такую задачу (с учётом фиксов после имплементации, но без учёта рисерчей и планирования) в 14-20 человеко-часов. Claude оценил в 5-7 рабочих дней
Сколько такая задача будет стоить для работодателя, если он даст её "аналоговому" разработчику, который будет писать код вручную?
Предположим, такой разработчик для работодателя стоит 350к руб в мес после налогов. Ставка в час 2к руб. 2к руб * 24 часа работы = 48 тыс руб или $533 по нынешнему курсу.
Сколько такая задача будет стоить для работодателя, если он даст её "цифровому" разработчику, который будет использовать AI агентов для реализации?
Имплементация этой задачи, в пересчёте на плату по api, стоит $23.27 (77.7M tokens) в Codex (модели GPT 5.4 High и 5.3 Codex High).
Разработчик, который будет ставить эту задачу и проверять потом, стоил бы 2к руб * 3 часа = 6к руб = $66. В сумме, с учётом затрат на агентов: $90.
Итог: задача, выполненная человеком стоит $533 и занимает 3 рабочих дня. Задача, выполненная агентом под контролем человека стоит $90 и занимает менее 1 рабочего дня. Разница в 5 раз.
Вот такие дела
#aicoding@the_ai_architect
Лайк, репост,
Типичная проблема программирования - работа с велосипедами.
С ai coding стала еще актуальнее.
ты работаешь, поймал поток и спустя время осознаешь, что только что сделал решение, которое скорее всего можно было бы поискать в опен сорсе и интегрировать себе.
Происходит эта проблема потому, что в моменте сложно отдать себе отчёт в том, что ты прямо сейчас создаёшь велосипед 🚴♂️, когда ты увлечен вайбкодингом.
И вот мои размышления по этому поводу.
За "сделать свой велосипед":
- полный кастом, можно сделать именно так, как тебе нужно
- не зависишь от внешнего подрядчика
Против:
- нужно потратить ресурсы на разработку. Конечно с меньше чем если бы это нужно было делать руками, а не с ai, но всё же
- нужно поддерживать это в будущем самому
- придётся наступать на грабли, которые до тебя скорее всего уже прошли
За внешнее решение:
- Можно сэкономить ресурсы
- Не нужно наступать на грабли
- Не нужно поддерживать это решение
Против внешнего решения:
- Нужно разбираться в чужом софте
- Возможно придётся идти на компромисс по функционалу
- Есть вероятность того что мейнтенер забросит проект
- Есть вероятность что мейнтейнера взломают, риск supply chain особенно актуален в последнее время.
вы как к этому относитесь? где та грань между "буду пилить свой велосипед" и "лучше интегрирую чужой"?
С ai coding стала еще актуальнее.
ты работаешь, поймал поток и спустя время осознаешь, что только что сделал решение, которое скорее всего можно было бы поискать в опен сорсе и интегрировать себе.
Происходит эта проблема потому, что в моменте сложно отдать себе отчёт в том, что ты прямо сейчас создаёшь велосипед 🚴♂️, когда ты увлечен вайбкодингом.
И вот мои размышления по этому поводу.
За "сделать свой велосипед":
- полный кастом, можно сделать именно так, как тебе нужно
- не зависишь от внешнего подрядчика
Против:
- нужно потратить ресурсы на разработку. Конечно с меньше чем если бы это нужно было делать руками, а не с ai, но всё же
- нужно поддерживать это в будущем самому
- придётся наступать на грабли, которые до тебя скорее всего уже прошли
За внешнее решение:
- Можно сэкономить ресурсы
- Не нужно наступать на грабли
- Не нужно поддерживать это решение
Против внешнего решения:
- Нужно разбираться в чужом софте
- Возможно придётся идти на компромисс по функционалу
- Есть вероятность того что мейнтенер забросит проект
- Есть вероятность что мейнтейнера взломают, риск supply chain особенно актуален в последнее время.
вы как к этому относитесь? где та грань между "буду пилить свой велосипед" и "лучше интегрирую чужой"?
Claude Code стал лучше. Опять. Его случайно опенсорснули
Как и год назад, кто то из команды Anthropic случайно включил сорс-мапы в релиз и благодаря этому красавчику мы теперь имеем возможность изучить Claude Code получше.
Вот что из интересного удалось нарыть:
- Buddy — тамагочи AI компаньон прямо в Claude Code. Судя по всему, это прекол для 1 апреля
- Kairos — persistent assistant. Насколько я понял, это альтернатива openClaw. Ну не смогли Анты игнорить спрос на такой продукт
- Ultraplan — режим планирования, в котором предлагается дать CC 10-30 минут времени для того чтобы передать подготовку плана в web и там Opus 4.6 подготовил план и вернул обратно. Зачем передавать в веб? Не понятно
- Undercover — режим "маскировки", насколько я понял, нужен для тех случаев, когда сотрудники Anthropic работают над публичными репозиториями и не хотят, чтобы их Claude Code был раскрыт. В таком режиме детерменированно вырезаются соавторства, имена моделей и т. д.
Ещё мне стало интересно, а как работает телеметрия в Claude Code?
На самом деле, ничего сверх-секретного нет. Флаги DISABLE_TELEMETRY и CLAUDE_CODE_DISABLE_NONESSENTIAL_TRAFFIC отключают всю телеметрию (об этом было известно давно).
А как Claude Code определяет, что вы пользуетесь двумя аккаунтами с одного устройства?
В файле ~/.claude.json поле userID - это randomBytes(32).toString('hex'), который генерится один раз и является вашим device id.
Исходный твит. А тут народ уже собрал все интересные детали в одном месте.
#aicoding@the_ai_architect
Лайк, репост,
✔️ Тимур Хахалев про AI Coding, подписывайтесь!
Как и год назад, кто то из команды Anthropic случайно включил сорс-мапы в релиз и благодаря этому красавчику мы теперь имеем возможность изучить Claude Code получше.
Вот что из интересного удалось нарыть:
- Buddy — тамагочи AI компаньон прямо в Claude Code. Судя по всему, это прекол для 1 апреля
- Kairos — persistent assistant. Насколько я понял, это альтернатива openClaw. Ну не смогли Анты игнорить спрос на такой продукт
- Ultraplan — режим планирования, в котором предлагается дать CC 10-30 минут времени для того чтобы передать подготовку плана в web и там Opus 4.6 подготовил план и вернул обратно. Зачем передавать в веб? Не понятно
- Undercover — режим "маскировки", насколько я понял, нужен для тех случаев, когда сотрудники Anthropic работают над публичными репозиториями и не хотят, чтобы их Claude Code был раскрыт. В таком режиме детерменированно вырезаются соавторства, имена моделей и т. д.
Ещё мне стало интересно, а как работает телеметрия в Claude Code?
На самом деле, ничего сверх-секретного нет. Флаги DISABLE_TELEMETRY и CLAUDE_CODE_DISABLE_NONESSENTIAL_TRAFFIC отключают всю телеметрию (об этом было известно давно).
А как Claude Code определяет, что вы пользуетесь двумя аккаунтами с одного устройства?
В файле ~/.claude.json поле userID - это randomBytes(32).toString('hex'), который генерится один раз и является вашим device id.
Исходный твит. А тут народ уже собрал все интересные детали в одном месте.
#aicoding@the_ai_architect
Лайк, репост,
Не шутка! Ребята из Codex выпустили плагин для Claude Code.
Состоит из нескольких команд:
/codex:review — запускает read-only Codex review./codex:adversarial-review — запускает управляемый code review с возможностью задать вопросы по имплементации./codex:rescue — передает задачи в CodexМенеджить джобы в бэкграунде можно с помощью
/codex:status, /codex:result, и /codex:cancelУстановить:
/plugin marketplace add openai/codex-plugin-cc
/plugin install codex@openai-codex
/codex:setup
Инструкция тут
Примечательно, что codex exec запускается не просто из bash, а через .mjs скрипт на 1k строк 🙂
#aicoding@the_ai_architect
Лайк, репост,
Anthropic выпустили статью о том как их разраб создал себе harness для выполнения длительных задач по кодингу.
Harness design for long-running application development
Думаю, те кто находятся на таком же уровне владения ai coding как я, уже сталкивались с проблемами, описанными в статье.
Автор рассказывает о том, как он пришёл к такому сетапу выполнения больших задач: planner (создает спеки по задаче из промпта пользователя), generator (пишет код) и evaluator (проводит независимое тестирование предыдущего шага).
Вот что мне показалось примечательным:
◾️
Автор статьи признает, что Claude из коробки склонен сглаживать углы, поэтому даже evaluator (у которого свой контекст!) пропускал многие баги.
Кто бы мог подумать! А мог бы просто пересесть на codex с GPT 5.4 ))
◾️ Автор говорит, что в начале ему приходилось сильно декомпозировать задачи (с поколением 4.5), а с выходом Opus 4.6 надобность в этом отпала.
Тут соглашусь - даже с предыдущим поколением GPT 5.2-5.3 необходимость в сильной декомпозиции задач действительно отпала
◾️ Ну и конечно же сам факт того, что ребята пришли к той системе, с которой я работаю примерно с сентября 🙂 В декабре видос об этом записывал.
Сейчас я уже на второй версии этого подхода — собрал в skill для codex, результат шикарный, каждая задача выполняется ровно так, как было задумано!
#aicoding@the_ai_architect
Лайк, репост,
✔️ Тимур Хахалев про AI Coding, подписывайтесь!
Harness design for long-running application development
Думаю, те кто находятся на таком же уровне владения ai coding как я, уже сталкивались с проблемами, описанными в статье.
Автор рассказывает о том, как он пришёл к такому сетапу выполнения больших задач: planner (создает спеки по задаче из промпта пользователя), generator (пишет код) и evaluator (проводит независимое тестирование предыдущего шага).
Вот что мне показалось примечательным:
◾️
Out of the box, Claude is a poor QA agent. In early runs, I watched it identify legitimate issues, then talk itself into deciding they weren't a big deal and approve the work anyway. It also tended to test superficially, rather than probing edge cases, so more subtle bugs often slipped through
Автор статьи признает, что Claude из коробки склонен сглаживать углы, поэтому даже evaluator (у которого свой контекст!) пропускал многие баги.
Кто бы мог подумать! А мог бы просто пересесть на codex с GPT 5.4 ))
◾️ Автор говорит, что в начале ему приходилось сильно декомпозировать задачи (с поколением 4.5), а с выходом Opus 4.6 надобность в этом отпала.
Тут соглашусь - даже с предыдущим поколением GPT 5.2-5.3 необходимость в сильной декомпозиции задач действительно отпала
◾️ Ну и конечно же сам факт того, что ребята пришли к той системе, с которой я работаю примерно с сентября 🙂 В декабре видос об этом записывал.
Сейчас я уже на второй версии этого подхода — собрал в skill для codex, результат шикарный, каждая задача выполняется ровно так, как было задумано!
#aicoding@the_ai_architect
Лайк, репост,
dogfooding — это практика использования собственного продукта или услуг для улучшения этого продукта или услуг
В последние пару дней я занимаюсь подготовкой своей платформы к своему курсу.
Я не фронтендер, не маркетолог, не инфоцыган, я бэкендер. Поэтому я не знаю точно, как должен выглядеть правильный лендинг, платформа для курсов. Но у меня есть примерное понимание этого, поэтому процесс создания этого всего у меня выглядит примерно так:
1. Обрисовать свою идею в codex — рассказать продуктовую часть (формат курса) и попросить создать модель для моей текущей платформы, где я уже продаю воркшопы
2. Обсудить это и сохранить в план
3. Запустить в имплементацию
4. Спустя 1-1.5 часа получить готовый результат (в это время я занимаюсь другими своими делами) и идти протыкивать в интерфейсе.
5. Собрать самые критичные нюансы, которые мне не нравятся и вернуться к кодексу
6. Обсудить, как тут, вот тут, и здесь сделать лучше
7. Создать новый план и запустить имплементацию.
И так по кругу.
Как только результат меня устраивает, уточняю мелочи и готовлюсь к сливанию кода в общую ветку.
Далее, запустить ревью с разных "углов", чтобы узнать, как текущий proof of concept можно довести до production-ready решения и собрать несколько развесистых планов (задач) по рефакторингу. Это может включать в себя пересмотр архитектуры, моделей данных, миграций и т. д.
Прокрутить рефакторинги по отложенной схеме и проверить работу платформы ещё раз. Если устроит — можно релизиться.
В моём курсе по ai coding для программистов мы начнём обучение с основных важных "кирпичиков", необходимых для работы с ai coding agents и вообще с ai.
К концу курса мы уже будем собирать свои workflows, как тот, что я описал выше.
Если вам интересен такой курс, пройдите короткий опрос (занимает 1 минуту) в моём боте и получите скидку после открытия продаж.
stay tuned.
продажи открыты
В последние пару дней я занимаюсь подготовкой своей платформы к своему курсу.
Я не фронтендер, не маркетолог, не инфоцыган, я бэкендер. Поэтому я не знаю точно, как должен выглядеть правильный лендинг, платформа для курсов. Но у меня есть примерное понимание этого, поэтому процесс создания этого всего у меня выглядит примерно так:
1. Обрисовать свою идею в codex — рассказать продуктовую часть (формат курса) и попросить создать модель для моей текущей платформы, где я уже продаю воркшопы
2. Обсудить это и сохранить в план
3. Запустить в имплементацию
4. Спустя 1-1.5 часа получить готовый результат (в это время я занимаюсь другими своими делами) и идти протыкивать в интерфейсе.
5. Собрать самые критичные нюансы, которые мне не нравятся и вернуться к кодексу
6. Обсудить, как тут, вот тут, и здесь сделать лучше
7. Создать новый план и запустить имплементацию.
И так по кругу.
Как только результат меня устраивает, уточняю мелочи и готовлюсь к сливанию кода в общую ветку.
Далее, запустить ревью с разных "углов", чтобы узнать, как текущий proof of concept можно довести до production-ready решения и собрать несколько развесистых планов (задач) по рефакторингу. Это может включать в себя пересмотр архитектуры, моделей данных, миграций и т. д.
Прокрутить рефакторинги по отложенной схеме и проверить работу платформы ещё раз. Если устроит — можно релизиться.
В моём курсе по ai coding для программистов мы начнём обучение с основных важных "кирпичиков", необходимых для работы с ai coding agents и вообще с ai.
К концу курса мы уже будем собирать свои workflows, как тот, что я описал выше.
stay tuned.
продажи открыты
Вот такой заголовок GPT 5.4 придумал для моего дашборда со статистикой по гитхабу.
Ринат @llm_under_hood запустил челлендж (суть - показать свою статистику по гиту: коммиты, проекты, loc), а Нейро Ковальский (@neuraldeep) передал мне эстафету, так что делюсь своей статистикой!
Продолжение в комментах
Можно заметить, что как и у многих, больше всего кода стало генериться начиная с октября-ноября — тогда как раз появились наконец-то крутые модели и мы их уже хорошо освоили.
Поделитесь своей статистикой в комментах, а эстафету я передаю @deksden_notes, @etechlead, @ilya_kruglov, @nyxandro
Решил я тут поставить клешню (openclaw) второй раз в жизни (первый раз было 26 января)
Кейс - дать клешне доступ к git repo и общаться с ним через чатик, просить вносить изменения в репо (это не кодинг, только некоторые заметки). Инпут - фото, аудио. Модель - z.ai (у меня годовая подписка на самом жирном тарифе простаивает)
Решил ставить клешню на VPS, взял один из своих на 3 vcpu, 4 GB ram.
Открыл codex app и попросил его настроить мне клешню. Выбрали конфиги, запустили openclaw, итог — 3 ядра и 4 GB ram загружены, сервер завис.
Ок, поехали пробовать следующую клешню.
Мне подсказали попробовать nullclaw — написано на zig, жрет 1mb памяти и бинарник весит 678 kb!
Ок, выбрали с кодексом настройки для этой клешни, поотправлял ему сообщения, вроде всё работает и даже аудио читается, но вот на запрос "посмотри какие файлы у тебя доступны" бот отвечает "ща посмотрю" и замолкает.
Пошли с кодексом разбираться и наткнулись на баг этой клешни — что то связанное со стримингом, через конфиг починить не получилось, кодекс предложил пропатчить исходники и починить это.
Ну здесь я уже понял, что я напишу этот пост в канал и спрошу вас, дорогая аудитория:
а вы пользуетесь клешней? если да то какой именно? есть что-то, что не нужно настраивать так долго?
у меня требования по функционалу простые: z.ai в качестве движка, groq для распознавания аудио, работа через telegram, возможность работы с bash, поиск в интернете, открытие ссылок и другие дефолтные команды
Кейс - дать клешне доступ к git repo и общаться с ним через чатик, просить вносить изменения в репо (это не кодинг, только некоторые заметки). Инпут - фото, аудио. Модель - z.ai (у меня годовая подписка на самом жирном тарифе простаивает)
Решил ставить клешню на VPS, взял один из своих на 3 vcpu, 4 GB ram.
Открыл codex app и попросил его настроить мне клешню. Выбрали конфиги, запустили openclaw, итог — 3 ядра и 4 GB ram загружены, сервер завис.
Ок, поехали пробовать следующую клешню.
Мне подсказали попробовать nullclaw — написано на zig, жрет 1mb памяти и бинарник весит 678 kb!
Ок, выбрали с кодексом настройки для этой клешни, поотправлял ему сообщения, вроде всё работает и даже аудио читается, но вот на запрос "посмотри какие файлы у тебя доступны" бот отвечает "ща посмотрю" и замолкает.
Пошли с кодексом разбираться и наткнулись на баг этой клешни — что то связанное со стримингом, через конфиг починить не получилось, кодекс предложил пропатчить исходники и починить это.
Ну здесь я уже понял, что я напишу этот пост в канал и спрошу вас, дорогая аудитория:
а вы пользуетесь клешней? если да то какой именно? есть что-то, что не нужно настраивать так долго?
у меня требования по функционалу простые: z.ai в качестве движка, groq для распознавания аудио, работа через telegram, возможность работы с bash, поиск в интернете, открытие ссылок и другие дефолтные команды
Успейте попробовать Codex App (приложение) с удвоенными лимитами до 2 апреля.
Обзорное видео на мой текущий инструмент! Показал так же какого уровня задачи я с ним делаю.
Гоу смотреть!
Лайк, репост,
Как получить первое место в популярном бенчмарке
1. Загружаем себе датасеты бенчмарка (они публичны)
2. Проходим их вне конкурса и собираем для себя успешные "траектории"
3. Зашиваем эти успешные траектории в свой coding agent в виде скилла
4. При запуске benchmark harness, мы в качестве имени модели передаём туда зашифрованную xor строку вида <model>T<task-name>
5. Наш coding agent незаметно деобфусцирует имя модели и подкидывает нужный скилл модельке
6. Наш агент успешно проходит задачу
7. На всякий случай добавляем sleep(), чтобы не выделяться ещё и по скорости прохождения
8. Повторяем тоже самое для всех задач бенча
9. Готово! вы на 1 месте в terminal bench!
представили, если бы кто-то так сделал?
а openblock и представлять не надо, вчера они открыли публичный доступ к своему агенту ob1 и в течение дня их разоблачили.
тут можно почитать расследование
вообще конечно сильный кек произошел, я не ожидал, что эти бенчи можно настолько легко облапошить.
как им теперь доверять?
получается, что сейчас любая команда, которая хочет засветиться, может изучить открытые бенчи, собрать "траектории" и дальше с помощью своей смекалочки придумать способ облапошить организаторов?
1. Загружаем себе датасеты бенчмарка (они публичны)
2. Проходим их вне конкурса и собираем для себя успешные "траектории"
3. Зашиваем эти успешные траектории в свой coding agent в виде скилла
4. При запуске benchmark harness, мы в качестве имени модели передаём туда зашифрованную xor строку вида <model>T<task-name>
5. Наш coding agent незаметно деобфусцирует имя модели и подкидывает нужный скилл модельке
6. Наш агент успешно проходит задачу
7. На всякий случай добавляем sleep(), чтобы не выделяться ещё и по скорости прохождения
8. Повторяем тоже самое для всех задач бенча
9. Готово! вы на 1 месте в terminal bench!
представили, если бы кто-то так сделал?
а openblock и представлять не надо, вчера они открыли публичный доступ к своему агенту ob1 и в течение дня их разоблачили.
тут можно почитать расследование
вообще конечно сильный кек произошел, я не ожидал, что эти бенчи можно настолько легко облапошить.
как им теперь доверять?
получается, что сейчас любая команда, которая хочет засветиться, может изучить открытые бенчи, собрать "траектории" и дальше с помощью своей смекалочки придумать способ облапошить организаторов?
За вторую половину 2025-го с помощью ai в личном github я сделал в десятки раз больше коммитов, чем за всё время использования github (а это более 5 лет)
На вскидку, метрики сейчас у меня такие. На те задачи, на которые я бы потратил 40-60 часов разработки, сейчас я трачу 8-16 часов; на те, где я тратил бы 8-16 часов сейчас я трачу 2-3 часа
Это даже не столько про повысившуюся скорость создания коммитов, сколько про то, что я в руки получил инструмент, который дает мне возможность творить и реализовывать любые мои идеи, которые раньше я никогда бы не подумал трогать:
- Свитчер инпутов монитора (на rust писал впервые, код не смотрел, приложение успешно выполняет мои задачи каждый день)
- Плагин для OBS, который добавляет блюр на фон (ещё не готов)
- мой сайт ai.khakhalev.com с приложением для покупки и просмотра воркшопов
и кучу всякого более мелкого.
До появления моего канала я помогал людям в коммьюнити разобраться с AI, потом создал канал и продолжил это делать тут.
За 1.5 года существования вас собралось тут уже почти 7.5 тыс человек. Я считаю это огромным успехом и спасибо большое вам за то что остаетесь со мной!
За последнее время я заметил, что многие люди ищут материалы, которые позволят им быстро вкатиться в AI coding, сразу начать применять полученные знания на практике и видеть результат.
Эти люди не хотят тратить годы драгоценного времени на получение опыта, проходить этоть путь в одиночку и я их прекрасно понимаю.
Так у меня появилась идея создать курс для новичков в AI coding, который поможет им сэкономить время и поставит их на правильный путь.
Точный план у меня ещё не готов, но я планирую что это займет 6-8 недель, за это время я научу вас использовать ai coding на профессиональном уровне.
Старт планирую сделать в апреле. Формат - теория + практика, домашняя работа, созвоны каждую неделю. За время курса мы будем работать над проектом (каждый над своим), который будет расти вместе с нами.
Мы разберемся с кодинговыми агентами, научимся использовать ai coding системно, надёжно и эффективно.
После прохождения этого курса вы точно:
- повысите качество генерируемого кода AI, который можно будет спокойно поддерживать в дальнейшем
- избавимся от галлюцинаций AI
- научим агента учитывать все требования вашего ТЗ
- научитесь правильно проверять работу после агентов
- научитесь правильно обрабатывать техдолг
Всё это я использую в своей работе и учу этому людей, которые приходят ко мне на консультации.
Если вам интересен такой курс, то пройдите опрос в моём боте (он займёт около 1 минуты) и получите скидку, как только я открою продажи.
продажи открыты.
По всем вопросам можно писать мне в личку @yatimur
Лайк, репост,
✔️ Тимур Хахалев про AI Coding, подписывайтесь!
На вскидку, метрики сейчас у меня такие. На те задачи, на которые я бы потратил 40-60 часов разработки, сейчас я трачу 8-16 часов; на те, где я тратил бы 8-16 часов сейчас я трачу 2-3 часа
Это даже не столько про повысившуюся скорость создания коммитов, сколько про то, что я в руки получил инструмент, который дает мне возможность творить и реализовывать любые мои идеи, которые раньше я никогда бы не подумал трогать:
- Свитчер инпутов монитора (на rust писал впервые, код не смотрел, приложение успешно выполняет мои задачи каждый день)
- Плагин для OBS, который добавляет блюр на фон (ещё не готов)
- мой сайт ai.khakhalev.com с приложением для покупки и просмотра воркшопов
и кучу всякого более мелкого.
До появления моего канала я помогал людям в коммьюнити разобраться с AI, потом создал канал и продолжил это делать тут.
За 1.5 года существования вас собралось тут уже почти 7.5 тыс человек. Я считаю это огромным успехом и спасибо большое вам за то что остаетесь со мной!
За последнее время я заметил, что многие люди ищут материалы, которые позволят им быстро вкатиться в AI coding, сразу начать применять полученные знания на практике и видеть результат.
Эти люди не хотят тратить годы драгоценного времени на получение опыта, проходить этоть путь в одиночку и я их прекрасно понимаю.
Так у меня появилась идея создать курс для новичков в AI coding, который поможет им сэкономить время и поставит их на правильный путь.
Точный план у меня ещё не готов, но я планирую что это займет 6-8 недель, за это время я научу вас использовать ai coding на профессиональном уровне.
Старт планирую сделать в апреле. Формат - теория + практика, домашняя работа, созвоны каждую неделю. За время курса мы будем работать над проектом (каждый над своим), который будет расти вместе с нами.
Мы разберемся с кодинговыми агентами, научимся использовать ai coding системно, надёжно и эффективно.
После прохождения этого курса вы точно:
- повысите качество генерируемого кода AI, который можно будет спокойно поддерживать в дальнейшем
- избавимся от галлюцинаций AI
- научим агента учитывать все требования вашего ТЗ
- научитесь правильно проверять работу после агентов
- научитесь правильно обрабатывать техдолг
Всё это я использую в своей работе и учу этому людей, которые приходят ко мне на консультации.
продажи открыты.
По всем вопросам можно писать мне в личку @yatimur
Лайк, репост,
5 ценностных моделей AI для бизнеса
OpenAI выпустили сильную статью (у многих будет настольным "учебником" на ближайшее время) и главная мысль там очень простая:
Когда-то в 90-х ритейл не "ускорился с помощью интернета", а стал e-commerce.
Интернет сначала улучшал отдельные куски старой модели: баннеры, email-рассылки, сайт-витрина.
А потом просто появилась новая модель бизнеса.
OpenAI говорят, что с AI сейчас происходит примерно то же самое.
Большинство компаний пока внедряют AI как набор use case: делаем ai rag chatbot, покупаем подписки copilot, подключаем mcp. Это может давать локальную пользу, но не меняет сам бизнес. В статье они предлагают смотреть на AI не как на набор пилотов, а как на 5 value models.
1. Workforce Empowerment
AI становится рабочим инструментом для широкой команды, а не игрушкой для пары энтузиастов.
2. AI Native Distribution
AI начинает менять то, как клиенты находят, сравнивают и выбирают продукты.
3. Expert Capability Expansion
AI усиливает экспертов и убирает bottleneck в сложной аналитической и творческой работе.
4. Systems and Dependency Management
AI помогает безопасно менять связанные между собой системы: код, документы, правила, процессы.
5. Agent-Led Operations
AI-агенты начинают вести end-to-end workflows, но только если уже есть зрелый контроль и инфраструктура.
---
Каждый из этих пунктов для меня интересен, но я хочу обратить внимание на следующие два:
AI Native Distribution
Раньше борьба была за трафик на сайт и конверсию в воронке. Теперь, часть выбора и покупки начинает происходить прямо внутри чата с AI. Вопрос уже не только в том, насколько у тебя хороший лендинг.
Вопрос в том, попадешь ли ты вообще в момент выбора.
Кто будет контролировать этот слой:
ChatGPT, Gemini, платежка, протокол, платформа, сам продавец или чей-то агент? У нас в РФ, насколько мне известно, одними из первых это запустили ВкусВилл – они зарелизили свой mcp для заказа продуктов, а недавно ещё и Яндекс выпустили свой протокол для агентов YCP Саша Поляков писал про эти события, добавил ссылки на посты.
Systems and Dependency Management
Идея такая: нужно работать не просто с генерацией кода, а со всей системой в целом.
Ускорив у разрабов процесс написания кода, мы можем заметить, как быстро копится тех. долг, потому что у нас отсутствовали системные подходы к ревью, тестированию, релизам и т. д. (в статье это называется governance)
Авторы предлагают выбрать один из высокозависимых доменов, построить граф зависимостей, определить пути согласований и разобраться с тем, что вообще произойдет, если вы попытаетесь ускорить генерацию кода.
То есть, ценность AI здесь уже не в генерации, а в управлении изменениями.
Вот это уже гораздо ближе к реальной трансформации бизнеса.
В целом, что OpenAI предлагают делать?
1. Сначала массово давать команде рабочие AI-flow, а не ждать магии от пары power users.
2. Потом выбирать несколько конкретных направлений с ROI: distribution, экспертные bottlenecks, отдельные workflow.
3. Дальше реинвестировать эти победы в фундамент: data quality, identity, integration, observability, control.
4. И только потом лезть в high-dependency systems и end-to-end agentic operations.
Короче: главная ошибка — смотреть на AI как на набор фич и пилотов. Главная возможность — увидеть в нем новую модель дистрибуции, новую модель управления изменениями и, в итоге, новую модель бизнеса.
В комменты скину отличную презентацию по этой статье
Лайк, репост,
✔️ Тимур Хахалев про AI Coding, подписывайтесь!
OpenAI выпустили сильную статью (у многих будет настольным "учебником" на ближайшее время) и главная мысль там очень простая:
Когда-то в 90-х ритейл не "ускорился с помощью интернета", а стал e-commerce.
Интернет сначала улучшал отдельные куски старой модели: баннеры, email-рассылки, сайт-витрина.
А потом просто появилась новая модель бизнеса.
OpenAI говорят, что с AI сейчас происходит примерно то же самое.
Большинство компаний пока внедряют AI как набор use case: делаем ai rag chatbot, покупаем подписки copilot, подключаем mcp. Это может давать локальную пользу, но не меняет сам бизнес. В статье они предлагают смотреть на AI не как на набор пилотов, а как на 5 value models.
1. Workforce Empowerment
AI становится рабочим инструментом для широкой команды, а не игрушкой для пары энтузиастов.
2. AI Native Distribution
AI начинает менять то, как клиенты находят, сравнивают и выбирают продукты.
3. Expert Capability Expansion
AI усиливает экспертов и убирает bottleneck в сложной аналитической и творческой работе.
4. Systems and Dependency Management
AI помогает безопасно менять связанные между собой системы: код, документы, правила, процессы.
5. Agent-Led Operations
AI-агенты начинают вести end-to-end workflows, но только если уже есть зрелый контроль и инфраструктура.
---
Каждый из этих пунктов для меня интересен, но я хочу обратить внимание на следующие два:
AI Native Distribution
Раньше борьба была за трафик на сайт и конверсию в воронке. Теперь, часть выбора и покупки начинает происходить прямо внутри чата с AI. Вопрос уже не только в том, насколько у тебя хороший лендинг.
Вопрос в том, попадешь ли ты вообще в момент выбора.
Кто будет контролировать этот слой:
ChatGPT, Gemini, платежка, протокол, платформа, сам продавец или чей-то агент? У нас в РФ, насколько мне известно, одними из первых это запустили ВкусВилл – они зарелизили свой mcp для заказа продуктов, а недавно ещё и Яндекс выпустили свой протокол для агентов YCP Саша Поляков писал про эти события, добавил ссылки на посты.
Systems and Dependency Management
Идея такая: нужно работать не просто с генерацией кода, а со всей системой в целом.
Ускорив у разрабов процесс написания кода, мы можем заметить, как быстро копится тех. долг, потому что у нас отсутствовали системные подходы к ревью, тестированию, релизам и т. д. (в статье это называется governance)
Авторы предлагают выбрать один из высокозависимых доменов, построить граф зависимостей, определить пути согласований и разобраться с тем, что вообще произойдет, если вы попытаетесь ускорить генерацию кода.
То есть, ценность AI здесь уже не в генерации, а в управлении изменениями.
Вот это уже гораздо ближе к реальной трансформации бизнеса.
В целом, что OpenAI предлагают делать?
1. Сначала массово давать команде рабочие AI-flow, а не ждать магии от пары power users.
2. Потом выбирать несколько конкретных направлений с ROI: distribution, экспертные bottlenecks, отдельные workflow.
3. Дальше реинвестировать эти победы в фундамент: data quality, identity, integration, observability, control.
4. И только потом лезть в high-dependency systems и end-to-end agentic operations.
Короче: главная ошибка — смотреть на AI как на набор фич и пилотов. Главная возможность — увидеть в нем новую модель дистрибуции, новую модель управления изменениями и, в итоге, новую модель бизнеса.
В комменты скину отличную презентацию по этой статье
Лайк, репост,
openai сделали очередной it's revolution, johnny
у них очередное минорное обновление модели gpt 5 которое в который раз является революционным (для меня точно)
https://developers.openai.com/api/docs/guides/latest-model
gpt 5.4 стала офигенно умной моделью (еще лучше чем 5.2) и офигенной в задачах по кодингу (тут еще до конца не уверен, но как минимум не хуже 5.3 codex)
в codex cli добавили Fast mode - за x3 usage вы получите ускоренную генерацию токенов и более быстрое выполнение ваших задач. Почему это важно? Потому что за один рабочий час вы сможете тестировать больше гипотез и выполнять больше задач. Это точно стоит того, чтобы потратить больше денег
просто попробуйте, потом скажете спасибо
важно - забудьте про курсор, используйте codex в cli / vscode / jetbrains / или в app (под macos или под windows (вышло только вчера))
пишу пост в 01:26 потому что я заигрался с моделькой и хочу поделиться первыми впечатлениями сразу
Лайк, репост,
✔️ Тимур Хахалев про AI Coding, подписывайтесь!
у них очередное минорное обновление модели gpt 5 которое в который раз является революционным (для меня точно)
https://developers.openai.com/api/docs/guides/latest-model
gpt 5.4 стала офигенно умной моделью (еще лучше чем 5.2) и офигенной в задачах по кодингу (тут еще до конца не уверен, но как минимум не хуже 5.3 codex)
в codex cli добавили Fast mode - за x3 usage вы получите ускоренную генерацию токенов и более быстрое выполнение ваших задач. Почему это важно? Потому что за один рабочий час вы сможете тестировать больше гипотез и выполнять больше задач. Это точно стоит того, чтобы потратить больше денег
просто попробуйте, потом скажете спасибо
важно - забудьте про курсор, используйте codex в cli / vscode / jetbrains / или в app (под macos или под windows (вышло только вчера))
пишу пост в 01:26 потому что я заигрался с моделькой и хочу поделиться первыми впечатлениями сразу
Лайк, репост,
С какими типичными проблемами сталкиваются разрабы при попытке внедрить AI Coding
1. Отсутствие тестов и документации.
Причина - мы привыкли хранить всю информацию о проекте у себя в голове и в чатиках с коллегами. Тесты привыкли проводить вручную, либо заменить их вычиткой и компиляцией кода в голове.
С агентами очень важно выстраивать такой цикл, в котором агент сможет увидеть результат своей работы, выполнив пару bash команд; получить фидбек и пойти исправить код.
Это ключевое требование, о котором я говорю на своих консультациях по AI coding.
2. Отсутствие линтеров/форматтеров
Есть разрабы, которые придерживаются некоторых правил по код стилю, но проверяют эти стили они вручную, вычитывая каждый символ и заворачивают код ревью, если в конце файла есть одна пустая строка, вместо двух.
Я помню, как впервые офигел от того, что разраб клиента, который принимал мой код, завернул мой PR из-за того что у меня отступы были сделаны не так, как ему нравится :))
Причина - не все ещё приняли тот факт, что в ближайшем будущем на код уже не надо будет смотреть круглыми сутками и поэтому не нужно писать код по линейке.
Как только разрабы избавятся от этой привычки, они внезапно обнаружат, как много свободного времени у них появилось.
Используйте линтеры только для того, чтобы этот инструмент проверял, например, наличие неиспользуемых кусков кода, наличие "as any" (в typescript) и прочих вещей, которые будут снижать дрифт кода и скорость роста тех. долга.
3. Страх дать компьютеру решить проблему, с которой разраб сам не справился
Причина - большинство программистов считают, что если они лично не справились с задачей, то этот ваш AI уж точно её не осилит, ведь это всего лишь имитация человека (разве робот может написать симфонию?)
Здесь надо иметь мужество переступить свою гордость и страх и дать железяке хотя бы порисерчить причину проблемы (внезпано окажется, что это проблему можно решить), а потом ещё и дать AI решить её.
Вторая часть, кстати, тоже является проблемой, потому что многие разработчики считают, что написать git commit message так же как они, не сможет ни одна железяка :))
Не все программисты ещё принимают тот факт, что большую часть их работы может выполнять AI уже сегодня. Здесь важно не обижаться на прогресс и не отрицать его, а потратить время на обучение AI coding и применять его на практике, чтобы не остаться за бортом через годик-другой.
Лайк, репост,
✔️ Тимур Хахалев про AI Coding, подписывайтесь!
1. Отсутствие тестов и документации.
Причина - мы привыкли хранить всю информацию о проекте у себя в голове и в чатиках с коллегами. Тесты привыкли проводить вручную, либо заменить их вычиткой и компиляцией кода в голове.
С агентами очень важно выстраивать такой цикл, в котором агент сможет увидеть результат своей работы, выполнив пару bash команд; получить фидбек и пойти исправить код.
Это ключевое требование, о котором я говорю на своих консультациях по AI coding.
2. Отсутствие линтеров/форматтеров
Есть разрабы, которые придерживаются некоторых правил по код стилю, но проверяют эти стили они вручную, вычитывая каждый символ и заворачивают код ревью, если в конце файла есть одна пустая строка, вместо двух.
Я помню, как впервые офигел от того, что разраб клиента, который принимал мой код, завернул мой PR из-за того что у меня отступы были сделаны не так, как ему нравится :))
Причина - не все ещё приняли тот факт, что в ближайшем будущем на код уже не надо будет смотреть круглыми сутками и поэтому не нужно писать код по линейке.
Как только разрабы избавятся от этой привычки, они внезапно обнаружат, как много свободного времени у них появилось.
Используйте линтеры только для того, чтобы этот инструмент проверял, например, наличие неиспользуемых кусков кода, наличие "as any" (в typescript) и прочих вещей, которые будут снижать дрифт кода и скорость роста тех. долга.
3. Страх дать компьютеру решить проблему, с которой разраб сам не справился
Причина - большинство программистов считают, что если они лично не справились с задачей, то этот ваш AI уж точно её не осилит, ведь это всего лишь имитация человека (разве робот может написать симфонию?)
Здесь надо иметь мужество переступить свою гордость и страх и дать железяке хотя бы порисерчить причину проблемы (внезпано окажется, что это проблему можно решить), а потом ещё и дать AI решить её.
Вторая часть, кстати, тоже является проблемой, потому что многие разработчики считают, что написать git commit message так же как они, не сможет ни одна железяка :))
Не все программисты ещё принимают тот факт, что большую часть их работы может выполнять AI уже сегодня. Здесь важно не обижаться на прогресс и не отрицать его, а потратить время на обучение AI coding и применять его на практике, чтобы не остаться за бортом через годик-другой.
Лайк, репост,
вы знаете, что я уже много раз хвалил codex, и я задумался о том, что сейчас в моих задачах как будто бы вообще никаких фундаментальных проблем не осталось. и вот это как будто бы вообще нереально, так что решил спросить у своей аудитории, что вы думаете по этому поводу.
какие у вас сейчас есть актуальные проблемы с ai coding? что не получается? что не работает?
а может быть у вас страх чистого листа и вы не знаете с чего начать?
расскажите об этом и расскажите свой опыт - вы новичок или уже синьор в ai coding
на всякий случай напоминаю, у меня в чатах (комментах) мат запрещен
ниже будет опрос
какие у вас сейчас есть актуальные проблемы с ai coding? что не получается? что не работает?
а может быть у вас страх чистого листа и вы не знаете с чего начать?
расскажите об этом и расскажите свой опыт - вы новичок или уже синьор в ai coding
на всякий случай напоминаю, у меня в чатах (комментах) мат запрещен
ниже будет опрос
