Гриненко про

Владимир Гриненко
  • 0.0 (0)
  • Technology
  • Updated Weekly

Владимир Гриненко про ИИ, технологии, образование и бизнес

  1. 10h ago

    AI-агенты в разработке: почему программистам больше не платят за код | Глеб Михеев, Сбер

    Telegram-канал — https://t.me/devspottingЧат сообщества — https://t.me/grinenko_pro Сайт — https://grinenko.pro Coding agents уже умеют за часы делать то, на что раньше уходили месяцы работы команды. Но означает ли это, что разработчики становятся не нужны — или, наоборот, инженер наконец перестаёт быть «человеком, который пишет код» и поднимается на уровень продукта, архитектуры и управления агентами? Говорим с Глебом Михеевым https://glebmikheev.ru — разработчиком с более чем 20-летним опытом, который сейчас развивает ГигаАгента в Сбере, — о новой роли инженера, экономике софта в эпоху AI и о том, почему главный дефицит теперь не код, а понимание того, что и зачем нужно построить. Глеб работал в NVIDIA, основал и девять лет развивал собственную компанию по заказной разработке, затем работал в Skillbox и Сбере. Сейчас развивает ГигаАгента — автономного AI-агента Сбера — и руководит программным комитетом AgenticDevConf. Автор Telegram-канала «Уставший техдир» https://t.me/tired_glebmikheev и подкаста «Фичи Катятся» ⁨@tired_glebmikheev⁩. ТАЙМКОДЫ 00:00 — В этом выпуске 00:44 — Кто такой Глеб Михеев: NVIDIA, свой бизнес, Skillbox и Сбер 04:18 — Как coding agents вернули Глеба из менеджмента в разработку 07:33 — Переход в GigaChat и работа над автономным агентом 10:04 — Зачем идти в Individual Contributor внутри бигтеха 14:17 — Лидерство без административной власти 17:09 — Как самостоятельные инженеры работали ещё до AI 20:21 — Почему coding agents возвращают эпоху универсальных инженеров 22:00 — Product engineer вместо фронтендера и бэкендера 25:40 — Реальна ли компания на миллиард долларов из одного человека 33:14 — Почему AI увеличивает количество попыток, но не количество хороших идей 36:36 — Стартап теперь можно проверить за вечер 38:49 — Как Глеб за два дня сделал продукт вместо нескольких месяцев работы команды 42:32 — Бизнес или найм: где сегодня проще зарабатывать 48:07 — Что будет с SaaS, когда производство софта станет дешёвым 50:35 — Во что инвестировать, если любой эксперт может собрать конкурентный продукт 52:32 — Зачем Сберу делать собственного автономного агента 55:27 — Зачем нужны национальные и суверенные AI-модели 01:02:45 — Можно ли просто взять открытую модель и дообучить её 01:13:49 — Почему технологическая независимость может быть важнее цены 01:18:24 — Станут ли фундаментальные модели новой стратегической технологией 01:24:14 — Модели превращаются в commodity, а ценность переезжает в harness? 01:29:50 — Почему мы используем лишь небольшую часть возможностей современных моделей 01:34:35 — Зачем вообще нужен персональный AI-ассистент 01:38:22 — Где проактивные агенты действительно полезны 01:40:18 — «Цифровые сотрудники»: фантазия или следующая стадия AI 01:42:24 — Почему сейчас нужно инвестировать в R&D и совершать ошибки 01:46:20 — Как должно измениться образование в эпоху AI 01:50:48 — За какие навыки теперь будут платить инженерам 01:53:44 — Главный навык будущего — работать в неопределённости 01:55:51 — Итоги ССЫЛКИ ГОСТЯ • Telegram — «Уставший техдир» https://t.me/tired_glebmikheev • YouTube — @tired_glebmikheev • GitHub — https://github.com/glebmachine • Сайт — https://glebmikheev.ru О ПОДКАСТЕ «Гриненко про» — подкаст о практическом применении искусственного интеллекта, разработке и людях, которые прямо сейчас меняют IT-индустрию. Telegram-канал — https://t.me/devspotting Чат сообщества — https://t.me/grinenko_pro Сайт — https://grinenko.pro

  2. Aug 20

    LLM и мышление | философ Андрей Морозов

    Что такое мышление, если большую часть времени мы действуем по привычным схемам, а LLM уже умеют воспроизводить почти любую описанную практику? Разбираемся, зачем бизнесу корпоративный философ, почему определения и метрики одновременно помогают и ограничивают нас и где проходит граница между накопленным знанием и созданием принципиально нового. Говорим с Андреем Морозовым — корпоративным философом, который в аспирантуре занимался компьютерным зрением и машинным обучением, затем прошёл путь от разработчика и тимлида до CTO, бизнеса и управленческого консалтинга — о философском мышлении в бизнесе, способности LLM мыслить и навыках, которые останутся людям. По второму образованию Андрей — психолог-консультант; до философского консультирования также занимался маркетинговыми и стратегическими исследованиями. В ЭТОМ ВЫПУСКЕ — Чем мышление отличается от знания большого количества фактов — Почему мы воспринимаем мир через «схемы» и как они предопределяют наши решения — Что такое философское мышление и зачем бизнесу постоянно спрашивать «зачем?» — Закон Гудхарда — Может ли LLM мыслить, удивляться и создавать новое — Почему нейросеть можно представить как «идеального отличника», прочитавшего почти всё — Где проходят границы между алгоритмом, творчеством, субъектностью и свободой воли — Какие навыки сохраняют ценность рядом с ИИ: креативность, коммуникация и критическое мышление ТАЙМКОДЫ 00:00 — Хайлайты выпуска 00:35 — Кто такой корпоративный философ 02:04 — От инженера к философскому консультированию 03:11 — Почему история философии — ещё не философское мышление 04:00 — Отличник против троечника 14:23 — Что происходит, когда привычная картина мира перестаёт работать 18:04 — Мышление как создание новой схемы 21:01 — Что такое философское мышление: три уровня взгляда на проблему 25:34 — Как определения заранее программируют решения бизнеса 29:23 — Как компании конструируют проблемы 33:05 — Метрики, закон Гудхарда и хрупкие модели реальности 38:32 — Чем на практике занимается корпоративный философ 41:14 — Коучи, эзотерика, серебряные пули и страх неопределённости 47:52 — Философ как «психотерапевт для бизнеса» 56:51 — Почему невозможно один раз всё обдумать и выйти из рутины 01:01:12 — AGI без определения и гонка компаний за ИИ 01:09:14 — Способны ли LLM мыслить 01:17:31 — Где нейросеть перестаёт быть «идеальным отличником» 01:26:14 — Свобода воли, субъектность и технологическая сингулярность 01:38:53 — Как философ смотрит на прогнозы будущего 01:48:39 — Заменят ли LLM самих философов 01:52:36 — Как ИИ меняет маркетинговые исследования и работу с пользователями 01:57:06 — Три навыка для эпохи ИИ 02:12:04 — Как Андрей сам использует нейросети в работе 02:14:35 — Зачем делать конференцию про ИИ, если LLM уже знают почти всё 02:23:28 — Что нейросети всё-таки не заменят ССЫЛКИ ГОСТЯ • Telegram-канал Chief Philosophy Officer — https://t.me/chief_philosophy_officer • Конференция «Разработка будущего» — https://future.jokerconf.com/ О ПОДКАСТЕ «Гриненко про» https://grinenko.pro/ — подкаст о людях, технологиях и практиках вокруг искусственного интеллекта. Telegram-канал — https://t.me/devspotting Чат сообщества — https://t.me/grinenko_pro Ведущий: Владимир Гриненко

  3. Aug 13

    Внедрение ИИ в компании: как перестроить команды и процессы | Дмитрий Бобылёв, CEO Fast Forward

    ИИ уже радикально ускоряет производство, но чтобы получить реальный эффект, приходится заново разбираться с устройством команд, корпоративными знаниями, данными, контролем качества и самой ролью человека в производственном процессе. Говорим с Дмитрием Бобылёвым — CEO и главным экспертом управленческого консалтинга FastForward — о том, как внедрять ИИ в уже работающие компании, почему организационный контекст становится одним из главных активов бизнеса и как может выглядеть AI-first организация, если строить её с нуля. О ГОСТЕ Дмитрий прошёл путь от разработчика до вице-президента по информационным технологиям СберМаркета, где руководил командой из более чем 1 000 человек. Сейчас строит AI-first консалтинг. Автор канала «Боб в помощь» https://t.me/ZhogloTech. В ЭТОМ ВЫПУСКЕ — Как внедрять ИИ через конкретную бизнес-боль, а не абстрактную «AI-трансформацию» — Почему накопленный контекст компании становится ценнее погони за новыми моделями и инструментами — Как выращивать внутренних AI-амбассадоров и что делать с сопротивлением сотрудников — Почему производство становится дешевле, а постановка задачи и валидация — важнее — Что произойдёт с программистами, которым нравится писать код руками — Как могут измениться роли, оргструктура и место самых опытных инженеров в производственной цепочке — Что Дмитрий перестроил бы в большой технологической компании, если бы снова управлял командой из 1 000+ человек — Почему при всей AI-революции требования к хорошему менеджменту практически не меняются ТАЙМКОДЫ 00:00 — Хайлайты выпуска 00:28 — Дмитрий Бобылёв 01:45 — Почему AI-консалтинг сложно продавать через обещания 04:20 — ИИ возвращает разработку к здравому смыслу 06:51 — Почему классическому консалтингу придётся перестраиваться 13:58 — AI-лабы и внутренние эксперты в компании 16:04 — Как выглядит AI-first консалтинг 20:33 — Главный актив компании — организационный контекст 25:00 — Почему сотрудники не хотят «выгружать» свои знания 27:22 — Внедрение ИИ через конкретную боль и быстрый результат 33:22 — SDLC схлопывается, а валидация становится важнее 39:02 — Что делать, если программисту нравится писать код руками 41:48 — Как изменится оргдизайн компаний в 2026–2030 годах 47:36 — Почему самых опытных людей нужно ставить на валидацию результата 50:53 — Код становится commodity: где остаётся инженерное мастерство 57:07 — Как ИИ меняет диагностику компаний и производство 01:01:22 — Почему ручное ревью перестаёт масштабироваться 01:09:13 — Передача знаний и зависимость компаний от моделей 01:13:19 — Что в управлении не меняется из-за ИИ 01:16:06 — Как строить AI-first компанию с нуля 01:25:32 — Что Дима сделал бы иначе, снова управляя 1 000+ людьми 01:29:59 — Новый BI: данные, метаслой и «окно-оракул» 01:34:03 — Как перестроить обучение и развитие сотрудников 01:36:53 — Инфраструктура, безопасность и выбор моделей 01:42:23 — Итоги ССЫЛКИ ГОСТЯ • FastForward — https://ff.pro/ • Telegram Дмитрия Бобылёва — https://t.me/zhoglo • Канал «Боб в помощь» — https://t.me/ZhogloTech О ПОДКАСТЕ «Гриненко про» — подкаст о том, как искусственный интеллект меняет разработку, продукты и работу технологических команд. https://grinenko.pro Telegram-канал — https://t.me/devspotting Чат сообщества — https://t.me/grinenko_pro Ведущий: Владимир Гриненко

  4. Aug 6

    Разработка AI-продуктов: контекст, evals и агенты | Федя Морозов, CTO ботов поддержки, Т-Банк

    Как превратить недетерминированную LLM в продукт, которому можно доверить ответы и действия с реальными последствиями?  Разбираем инженерный путь от классического чат-бота и точечных LLM-классификаторов до полноценной агентной системы: контроль качества, разметку, гардрейлы, A/B-эксперименты, контекст и инструменты. Говорим с Федей Морозовым — CTO в Т-Банке и разработчиком инфраструктуры одной из крупнейших рекомендательных систем — о безопасном внедрении генеративных моделей, устройстве команд и личных принципах делегирования задач агентам. В ЭТОМ ВЫПУСКЕ — Как измерять качество генеративного продукта, работающего с реальными пользователями — Почему наивный LLM-as-a-judge создаёт второй слой галлюцинаций — Как выстроить пирамиду разметки и контролировать качество самих оценщиков — Какие гардрейлы нужны агенту, способному выполнять действия — Почему контекст и правильные инструменты важнее выбора конкретной модели — Как внедрять LLM постепенно, не разрушая работающую систему — Когда достаточно гибридного workflow, а когда нужен полноценный агент — Как использовать агентов в разработке, управлении командой и повседневной жизни — Какие решения и части собственного голоса не стоит делегировать — Какие навыки сохранят ценность, когда большую часть кода начнут писать агенты ТАЙМКОДЫ 00:00 — Хайлайты выпуска 00:50 — Начало 01:17 — Знакомство с Федей Морозовым 02:15 — Что генеративные модели изменили в ML-продуктах 05:43 — Avito.Tech.Conf 06:31 — Может ли банковский бот выполнять действия 09:09 — Главные риски генеративного продукта 11:49 — Как построить пирамиду оценки качества 15:10 — Почему наивный LLM-as-a-judge не работает 18:53 — Как устроена поддержка Т-Банка 23:25 — Гардрейлы, авторизация и детерминированные проверки 27:07 — A/B-эксперименты и контролируемые выкладки 31:57 — Почему контекст и тулы важнее модели 34:21 — Безопасная точка внедрения LLM: классификация запросов 36:47 — Гибридные сценарии вместо полного перехода на агентов 42:36 — Как перейти к полноценному агенту 45:18 — PydanticAI, Qdrant, Python, n8n и текстовые файлы 46:53 — Кто должен входить в команду AI-продукта 50:07 — Почему генеративная поддержка всё ещё остаётся ресёрчем 52:39 — Заменит ли диалоговый интерфейс кнопки и приложения 56:45 — Персональные ассистенты, доступ к данным и контроль 01:04:49 — Единственная вещь, которую Федя не делегирует агентам 01:12:11 — Как агент освобождает руководителя от рутины 01:19:05 — Агенты в разработке и архитектурных решениях 01:27:59 — Идеальный процесс разработки новой фичи 01:30:24 — Какие навыки останутся важными для разработчиков 01:34:29 — Что стоит делегировать агентам 01:34:58 — Итоги grinenko.pro Telegram-канал — https://t.me/devspotting Чат сообщества — https://t.me/grinenko_pro

  5. Jul 25

    AI-разработка в продакшне: почему обвязка важнее моделей | Алексей Ярошевич, руководитель команды Я Банка, ex-CTO Я Образования

    Что действительно ускоряет разработку с ИИ: новая модель, толпа субагентов или правильно собранная обвязка? Разбираем процесс AI-кодинга — от постановки задачи и подготовки контекста до тестирования, code review и ответственности за результат в продакшне. Говорим с Алексеем Ярошевичем — руководителем команды Яндекс Банка и ex-CTO Яндекс Образования — о harness и скиллах для кодинговых агентов, spec-driven development, изменении ролей в продуктовой команде и образовании в мире, где инструменты устаревают быстрее учебных программ. В ЭТОМ ВЫПУСКЕ — Интуиция при работе с моделями — Почему качество AI-разработки сегодня сильнее зависит от harness и контекста, чем от очередной модели — Когда skills экономят время, а когда ухудшают результат — Почему многоэтажная оркестрация агентов накапливает ошибки и расходует слишком много токенов — Как применять spec-driven development, тесты и контракты при работе с микросервисами — Что делать, когда модель не справилась: исправлять, декомпозировать или начинать заново — Как AI смещает узкие места разработки от написания кода к проверке качества и согласованию решений — Почему QA, ответственность и инженерная экспертиза остаются критически важными — Как меняются роли продакта, дизайнера и разработчика, когда прототип можно собрать за несколько минут — Чему учиться, если конкретные инструменты и навыки быстро устаревают — Как использовать модели для структурирования данных, анализа продукта и управления организацией — Какие рабочие роли и процессы, возможно, уже стали лишними, хотя компании пока этого не осознали ТАЙМКОДЫ 00:00 — Хайлайты выпуска 00:33 — Знакомство с гостем 02:10 — Алексей — AI-энтузиаст или скептик? 03:33 — Остался ли кайф от программирования вручную 05:35 — Почему всё упирается в harness, контекст и предсказуемость 07:59 — Рабочий баланс: написать самому, поручить модели или доработать вместе 10:38 — Cursor, Claude Code и постоянно меняющаяся обвязка 12:33 — Skills как новые CLI-утилиты и проблема публичных инструкций 18:36 — Почему Алексей пока не верит в оркестраторов и толпы субагентов 22:12 — Практический процесс: от задачи и контекста до готового кода 25:12 — Что делать, когда модель не справилась 28:00 — Spec-driven development, тесты и контракты микросервисов 30:31 — Несколько AI-сотрудников, ручная оркестрация и ответственность человека 36:53 — Модели вышли на плато? Где искать следующий скачок 39:31 — Как AI-разработка работает в реальной продуктовой команде 42:19 — Продакт, дизайнер и разработчик: прототип вместо идеи 46:00 — От тикета до pull request: когда задача действительно решается за 15 минут 48:35 — Почему стартап может выпускать AI-код без проверки, а enterprise — нет 55:47 — Кто должен проверять сгенерированный код и почему QA всё ещё нужен 59:23 — Главный затык AI-разработки: harness или мышление людей 59:57 — Как искусственный интеллект меняет образование 01:05:02 — Устаревают ли знания быстрее, чем человек успевает их получить 01:15:24 — Недооценённый сценарий LLM: структурирование данных 01:22:33 — Персональный AI-помощник для проектов, чатов и домашней жизни 01:28:10 — Какие люди и рабочие процессы уже могут быть не нужны. Итоги ССЫЛКИ ГОСТЯ • Telegram-канал • GitHub О ПОДКАСТЕ Telegram-канал — https://t.me/devspotting Чат сообщества — https://t.me/grinenko_pro Сайт — https://grinenko.pro

  6. Jul 18

    Автотесты с ИИ-агентами: как покрыть legacy и не сломать продукт | Дмитрий Андриянов, Яндекс 360

    Может ли ИИ-агент написать автотесты не хуже человека — и как заметить момент, когда он просто подгоняет проверки под зелёный статус? Разбираем практический подход к тестированию с нейросетями: от продуктовых сценариев и legacy-кода до CI, code review и evals. Говорим с Дмитрием Андрияновым — руководителем группы в Яндекс 360, экспертом по автоматизации тестирования и автором канала test_automation_pro — о том, как научить агентов командным практикам, выбрать подходящий уровень тестов и сохранить человеческую ответственность за решение «готово к продакшну». В ЭТОМ ВЫПУСКЕ — Почему тестировать нужно продуктовые сценарии, а не внутреннее устройство приложения — Как превратить правила и договорённости команды в инструкции для ИИ-агента — Как восстановить функциональные требования в большом legacy-проекте — Когда использовать модульные, интеграционные и E2E-тесты — Почему пирамида тестирования — это результат правильных решений, а не самостоятельная цель — Чем приёмочное тестирование отличается от регрессионного и где остаётся ответственность человека — Как встроить ИИ в CI, code review, анализ покрытия и разработку небольших задач — Почему доверие к агенту необходимо заново проверять после смены модели или системного промпта — Как evals помогают контролировать недетерминированные системы — Могут ли разработчики с ИИ заменить QA-команду — Когда агент сможет провести фичу от бизнес-требования до продакшна без участия разработчика ТАЙМКОДЫ 00:00 — Хайлайты и начало 01:25 — Дмитрий Андриянов: опыт в автоматизации тестирования 02:09 — Могут ли агенты писать тесты не хуже людей 05:33 — Почему тестировать нужно продуктовые сценарии 09:55 — Требования, разработчики и ответственность за качество 14:56 — Исчезнет ли QA из-за ИИ 15:14 — Как команда учит агента писать стабильные тесты 18:57 — Ошибки нейросети и проблема доверия 24:22 — Когда агент сможет выкатить фичу от идеи до продакшна 25:13 — Как подступиться к большому legacy-проекту 27:47 — Шаг первый: восстановить функциональные требования 29:39 — Как сделать приложение тестируемым 35:47 — Пирамида тестирования: результат, а не цель 37:20 — Рефакторинг для дешёвых и быстрых тестов 39:16 — Стоит ли временно покрывать legacy E2E-тестами 43:51 — Приёмочное и регрессионное тестирование 48:19 — ИИ в CI и автоматизации пайплайна 50:27 — Нейросетевое code review и бот, который делает задачи 52:52 — Что происходит с доверием после смены модели 55:35 — Evals для недетерминированных систем 58:29 — Как Дмитрий использует ИИ вне работы 01:02:42 — Как закрывать старые side-проекты за два-три дня 01:03:41 — Space Engineers, телеметрия и улучшение игрового скрипта 01:06:10 — Главный миф об автотестах 01:06:37 — Итоги ССЫЛКИ ГОСТЯ • Канал • GitHub • Habr • Доклад «Как сделать автотесты полезными. Эволюция автотестов в Яндекс ID» О ПОДКАСТЕ • Telegram-канал про ИИ • Чат сообщества • Сайт — grinenko.pro #автотесты #ИИагенты #тестирование #AIразработка #CodeReview

  7. Jul 9

    ИИ-продакт про работу, карьеру и будущее | Даниэль Левинишников, head of products, Т-Банк

    Говорим с Даниэлем Левинишниковым — руководителем AI-продуктов Т-Банка — о том, как AI меняет продуктовую разработку, клиентскую поддержку и структуру компаний; почему работа middle-менеджера должна исчезнуть; как проверять качество агентов; зачем пользователю сообщать, разговаривает он с человеком или нейросетью; почему идея и даже реализация продукта становятся commodity — и что тогда остается конкурентным преимуществом. Также поговорили про переход Даниэля в Higgsfield — самый быстрорастущий стартап в области генеративного видео. О 14–16-часовом рабочем дне в AI-стартапах, будущем интерфейсов, персональных базах знаний, MCP, агентной коммерции, GEO-оптимизации и профессиях, которые модели пока не способны заменить. В выпуске: — почему Даниэль считает, что его работа не должна существовать; — как AI трансформирует поддержку Т-Банка; — почему прозрачность в общении с ботом обходится компании в сотни миллионов рублей; — смогут ли 30 сильных IC заменить корпорацию из 3 000 сотрудников; — чему учиться начинающим продактам, инженерам и дизайнерам; — как выпускать MVP за выходные и проверять несколько гипотез в неделю; — почему пятилетние продуктовые стратегии теряют смысл; — можно ли долго работать по 14–16 часов в день и не выгореть; — какие интерфейсы исчезнут, а какие останутся; — как строить evals, когда у нового AI-продукта ещё нет данных; — почему классический поиск и SEO уступают место GEO; — что произойдёт с консалтингом, программированием и массовыми профессиями. Проекты Даниэля: Телеграм-каналСайтСтатья «Тебя нет в ответах ChatGPT. Пошаговый гайд, как это починить за один вечер»Репозиторий персонального сайта для GEO-оптимизации

  8. Jul 6

    AI-агент в продакшне: браузер, тулы и эвалы | Андрей Мелихов, DataLens, Yandex Cloud

    Обсуждаем создание AI-агента для BI-системы с Андреем Мелиховым, автором телеграм-канала melikhov_dev и разработчиком DataLens: почему агент живёт в браузере, как он вызывает тулы, строит чарты, работает с данными, проверяет себя через eval harness и почему просто прикрутить LLM в продакшне быстро превращается в большую инженерную задачу. Обсудили: — почему готовых фреймворков не хватает; — как устроены AI-агенты в браузере; — SSE-стриминг, BFF, tool calling и agent loop; — проблемы разных моделей и инференсов; — evals, LLM-as-a-judge и железного пользователя; — доверие к числам в BI и проверяемые чарты; — заменит ли GenBI аналитиков; — MCP, серверные агенты и будущие API; — как Claude Code, Codex, OpenCode и другие coding agents меняют разработку; — почему AI ускоряет разработчика в 3–5 раз, но задач становится только больше; — безопасность, permissions, sandboxing и корпоративные ограничения; — AI вне работы: ремонт, ресёрч, медицина, презентации, NotebookLM и новостные боты; — bus factor, spec-driven development и контекст для агентов. Больше про ИИ я пишу в Telegram-канале «Гриненко про»: https://t.me/devspotting, а обсудить нейронки можно в чате сообщества — https://t.me/grinenko_pro ТАЙМ-КОДЫ 01:24 — Андрей Мелихов 03:30 — Почему собрать агента за 15 минут не работает в продакшне 05:08 — Что такое DataLens и GenBI 06:29 — Почему нейронке нельзя просто скормить все данные 07:45 — Что значит «фронтендер» в Яндексе 09:31 — Браузерный state, сессии и Responses API 13:38 — Разные модели, инференсы и проблемы tool calling 16:14 — Первые ошибки: Vercel AI SDK, OpenAI SDK и свой слой 18:28 — Почему без evals нельзя развивать агента 20:33 — Eval harness, LLM-судья и железный пользователь 24:52 — Архитектура агента: BFF, SSE, тулы и agent loop 28:59 — Как агент строит интерактивные чарты в чате 31:06 — Классификатор запросов и отсечение не-BI вопросов 34:55 — Заменит ли GenBI аналитиков 38:51 — Доверие к цифрам: почему LLM не должна считать сама 41:38 — Тула-судья и проверка фильтров 43:38 — Стоимость диалогов и оптимизация контекста 47:55 — MCP, API и перенос агента на сервер 51:14 — Как AI-агенты меняют работу разработчика 54:35 — Flow: план → ревью → реализация → ревью второй моделью 56:46 — Автоматизация багрепортов и тикетов 59:07 — Дежурства, логи и нейронка как третья линия поддержки 01:04:46 — Безопасность coding agents: permissions, sandboxing, open source 01:09:49 — Родные harness’ы, универсальные агенты и бенчмарки 01:14:51 — Ускорение разработки в 3–5 раз 01:18:44 — AI вне работы: ремонт, медицина, презентации 01:21:07 — NotebookLM, подкасты и подготовка к докладам 01:22:09 — Бот для AI/Frontend-новостей 01:24:01 — Что будет с разработкой через 1–2 года 01:25:26 — Bus factor, spec-driven development и контекст для агентов 01:30:28 — Финал ССЫЛКИ ПО ТЕМАМ: DataLens: https://datalens.ru/ OpenAI Responses API: https://developers.openai.com/api/docs/guides/migrate-to-responses OpenAI Chat Completions: https://developers.openai.com/api/reference/chat-completions/overview/ LangGraph: https://docs.langchain.com/oss/python/langgraph/overview Vercel AI SDK: https://ai-sdk.dev/docs/introduction Langfuse: https://langfuse.com/docs Playwright: https://playwright.dev/ NotebookLM: https://notebooklm.google/ Telegram-канал «Гриненко про»: https://t.me/devspotting Ставьте лайк, подписывайтесь на канал и делитесь выпуском с теми, кто строит AI-агентов.

See All (23)

About

Владимир Гриненко про ИИ, технологии, образование и бизнес

Information

  • Creator
    Владимир Гриненко
  • Years Active
    2026
  • Episodes
    23
  • Rating
    Clean
  • Copyright
    2026 © Владимир Гриненко. Все права защищены.
  • Show Website
    Гриненко про