Блог
Статьи о Claude Code, Codex, AI-агентах для кода и контроле расходов на LLM.
Function calling и tool use: как устроить цикл агента
Разбираем function calling: схема инструмента, цикл вызова, результаты и ошибки. Показываем, чем отличаются форматы Messages и Chat Completions.
Когда fine-tuning не нужен: что проверить до обучения модели
Четыре альтернативы fine-tuning: примеры во входе, структурированный вывод, RAG и выбор модели. Решение принимается по тестовому набору.
Структурированный JSON-ответ через tool use и проверку схемы
Как получать JSON-объекты от LLM через tool use: ограничить схему, проверить бизнес-правила и повторить запрос без бесконечного цикла.
RAG на LLM API: как собрать поиск, цитаты и проверку ответа
Пошаговая схема RAG: подготовка документов, поиск, ранжирование, контекст, цитаты и раздельная оценка retrieval и генерации.
Длинный контекст или RAG: как выбрать подход для данных
Выбираем между длинным контекстом и RAG по размеру корпуса, обновляемости, цене ошибки и повторяемости запросов. Даём план короткого эксперимента.
Промпты для AI-агентов: цель, ограничения и остановка
Как написать промпт для AI-агента: задать проверяемую цель, границы доступа, правила инструментов и условие остановки без расплывчатых инструкций.
Почему команде трудно доверять AI-коду и как с этим работать
Практическая заметка о доверии к коду от AI-агентов: откуда берётся сомнение, какие правила помогают команде и что проверять в pull request.
Как ревьюить код агента: шесть проверок до слияния
Чеклист ревью кода, написанного AI-агентом: границы изменения, опасные действия, тесты, размер diff и признаки уверенного вымысла.
Computer use: как автоматизировать браузер через LLM
Разбираем browser automation с LLM: цикл скриншот-действие, песочница, условия остановки, проверка результата и случаи, когда нужен обычный API.
Бот для ревью PR на LLM: код и GitHub Actions
Разбираем каркас бота для ревью pull request: как ограничить diff, вызвать LLM, проверить ответ и опубликовать полезный комментарий.
Автоматическое code review с LLM: конвейер для pull request
Как построить LLM-конвейер ревью pull request: собрать контекст, отделить сигнал от догадки, ограничить ключ и передать решение человеку.
AI-агенты в CI: где запускать и как контролировать расход
Как подключить AI-агента к CI без лишних прогонов: выбрать триггер, ограничить область, настроить отдельный ключ и разбирать расход по журналу.
Паттерны AI-агентов: ReAct, Plan-Execute и Reflexion
Как выбрать паттерн AI-агента под задачу: сравниваем ReAct, Plan-Execute и Reflexion, их риски, контроль шагов и проверку результата.
Eval-ы для AI-агентов: как ловить регрессии в проде
Как построить eval-ы для AI-агента: собрать набор примеров, задать проверку, отделить релизный барьер от наблюдения и разбирать дрейф.
Вайб-кодинг для 1С с Claude Code: подготовка
Как подготовить конфигурацию 1С для работы с агентом: выгрузить файлы, описать границы, проверять изменения в Конфигураторе и не потерять контроль.
Нейросеть для вайб-кодинга: как выбрать
Выбираем модель для вайб-кодинга по сценарию: учебная задача, прототип, отладка и рефакторинг. Без универсального рейтинга и цен в тексте.
Курсы вайб-кодинга: когда они нужны
Как оценить курс по вайб-кодингу, чему учиться самостоятельно и почему git, тесты и работа с ключами важнее набора модных промптов.
Codex бесплатно: где проходит граница
Разбираем, почему бесплатная установка Codex и бесплатные вызовы модели не одно и то же, и как проверить вариант с API-ключом без региональных обещаний.
Claude Code, Cursor, Windsurf и Copilot
Сравниваем подходы к агентной разработке: терминал, IDE и помощник в редакторе. Выбираем по задаче, контролю изменений и способу проверки.
Бесплатный вайб-кодинг: что проверить
Как отличить бесплатный интерфейс от бесплатного доступа к модели, выбрать инструмент для старта и не потерять контроль над ключом и расходом.