Построение команд по модели TeamTopologies - это основной фреймворк в современной крупной организации.

Почему вообще возникла Team Topologies
Классическая проблема больших инженерных организаций:
команды организованы по компонентам (backend team, frontend team, DB team, infra team)
чтобы сделать одну фичу, нужно пройти через 5 команд
результат:
долгое time-to-market
постоянные блокеры
высокая когнитивная нагрузка

Современный менеджмент утверждает, что нужно выделять платформенные команды/команды и это позволит убрать те самые узкие места, расписанные выше (и да, позволяет) уж я то про платформы знаю. Приносит ли новые задачи? Ну не без этого😁

И тут ребята из нашего PR сделали целый, блин, фильм о том, как развиваются повторы в Авито, откуда и как и почему они стали такими!

Почему это важно?
Я часто говорю, что все платформы проходят один жизненный цикл: нет ничего и любое улучшение радикальный буст, затем стагнация и замедление, все платформы обрастают огромным количеством фичей, затем падение и возвращение к истокам (делать меньше, но лучше).

Короче, фильм по продакшену топ, ребята в кадре - топ, сама идея - огнище!


Ютуб - https://youtu.be/WS27Nkx2lyU
ВК - https://vkvideo.ru/video-152990965_456240085
РТ - https://rutube.ru/video/private/73a155b6d1b8cd54a5ebc000f3d3e8af

Что такое Team Topologies и почему про это говорят все, кто строит платформы
Если коротко: Team Topologies - это способ проектировать организацию так же осознанно, как мы проектируем архитектуру системы.

Идея простая:
оргструктура должна соответствовать потокам ценности.

1️⃣ Четыре типа команд
1. Stream-aligned team
Команда, выровненная по потоку ценности (фича, продукт, сегмент клиентов).
Это не «команда фронта» или «команда базы».
Это команда, которая отвечает за ценность целиком.
Главное:
минимальные зависимости
end-to-end ответственность
быстрая доставка
👉 Это базовая ячейка организации.

2. Platform team
Команда, создающая внутренний продукт для других команд.
Не «саппорт».
Не «инфраструктура ради инфраструктуры».
А именно продуктовая платформа, которая снижает когнитивную нагрузку stream-aligned команд.
Если платформа не упрощает жизнь - это фигово.

3. Enabling team
Команда-ускоритель.
Помогает другим командам освоить новую технологию, практику, подход.
Не забирает ответственность, а прокачивает capability.
Это временное взаимодействие, а не вечный костыль. Если вечный костыль - то ваши команды недостачно компетентны.

4. Complicated-subsystem team
Команда для действительно сложной области (алгоритмы, ML, биллинг, компиляторы и т.д.).
Создается тогда, когда сложность оправдана.
Не когда «нам просто так удобнее».

2️⃣ Когнитивная нагрузка - главный враг
Один из ключевых концептов Team Topologies - cognitive load.
Каждая команда должна:
понимать свой домен
понимать систему
понимать инструменты
Если нагрузка превышает способность команды, то скорость падает, качество падает, люди выгорают.
👉 Задача орг.дизайна — ограничить когнитивную нагрузку.
Именно поэтому:
платформа скрывает сложность
enabling команды помогают освоить новое, а
сложные подсистемы изолируются

3️⃣ Типы взаимодействий между командами
Team Topologies описывает 3 устойчивых режима взаимодействия:
Collaboration
Совместная работа для открытия нового.
Временная. Такая проектная команда.
X-as-a-Service
Одна команда предоставляет сервис другой.
Четкие API. Минимальные зависимости.
Facilitating
Помощь и прокачка capability.
👉 Важно: взаимодействие должно быть осознанным и выбранным, а не случайным.

4️⃣ Почему это важно?

Платформа без продуктового мышления превращается в бюрократию.
Stream-aligned команды без автономии превращаются в «ждунов инфраструктуры».
Все начинают мешать всем и суть работы каждого менеджера сводится к тому, чтобы иметь побольше точке контроля для «метания всем».
Team Topologies дает язык:
чтобы обсуждать структуру
чтобы снижать зависимость
чтобы проектировать организацию под поток ценности

5️⃣ Главная мысль
Вы не можете масштабировать delivery, если не проектируете команды так же тщательно, как проектируете микросервисы.
Орг-структура - это архитектура.
И она влияет на скорость сильнее, чем технологии.

Если вы строите:
продуктовую IT-организацию
…и при этом не думаете про Team Topologies - вы почти гарантированно платите «налог на сложность».

А как у вас там?
🦄 - ооо, все так и работает
😎 - ну мы где-то близко к этому
❤️ - пу-пу-пууу…стыдно признаться

#пятничное

Все мы немножко тигр…😁

2 недели с ридером

Моя первая и последняя электронная книга была OnyxBook
И она прожила со мной 10 и 11 классы, когда я гонял на электричке в школу в Москве.
Читал я тогда невероятно много: садишься такой утром на электричку в 6:35 и в школе ты оказываешься в 8:30.

Затем чтение было только с телефона, планшета или бумажные книги.

И вот чуть больше 2-х недель назад мне достается новый OnyxBook.
Короче, это кайф!

1.
Вечером почитать - подсветочку мягкую включил, «теплый свет» установил и кайфуешь!
2.
Книжку какую-то почитать захотел, ЛитРес или Я.Книги установил и все синхронизировалось со смартфоном.
3.
Как синхронизировалось? Так ты к WiFi по красоте подключился и кайфуешь.
4.
А еще глаза не устают и PDFки читать сплошное наслаждение.
5.
Ну и отдельное удовольствие, что телефон у тебя где-то там сам лежит и ничто тебя СДВГШника этакого не отвлекает.

Я не знал этого!!!
Колитесь, кто как я?
❤️ - если не знал
😎 - если знал раньше
🦄 - впервые слышишь про инди-игры/музыку

Так много вопросов, так мало ответов… Учитывая, что подобные люди строят все свои процессы на попытках попасть в наиболее вероятные события + психология + эмпатия. То при наличии эмпатии я бы ставку делал на этот гибрид человека и ИИ 😬

Первый магазин без продавцов появился в СССР

Как вы помните в 2018 году Амазон с помпой запустил магазин без продавцов: заходи и бери.
А затем с помпой мы узнали, что не было там никакого ИИ, а только много- много индусов…

Однако еще в 1962 году в СССР в Москве был открыт магазин «Прогресс»: магазин полностью без людей. Офигеть? Не то слово.

Отдельно мне очень нравится простота решения: по сути, стояли кастомизированные вендинговые аппараты, через которые реализовывалась продукция (молоко, хлеб, крупы и прочее). Никакого тебе ИИ, никакого тебе компьютерного зрения и вот этого вот всего. Чистая механика.

В общем, сама эта история мне безумно нравится.

В итоге, магазин не взлетел по нескольким причинам:
1.
В маркетинг в те времена точно не умели. И о магазине газеты впервые написали через полгода после его запуска. Через полгода! Офигеть просто!
2.
Вендоматы были уникальны, посетители их часто ломали и ремонт обходился дорого. Потому что для снижения костов требовалось масштабирование.
3.
Ну и важная причина провала всех трансформаций - культура. Культура в те времена была такой, что продавец - важный элемент: он принимал решения кто и что получит и прочее. А раз нет продавца, то и масштабирование под вопросом.

Менеджерские бои - практика переговоров на кейсах из ИТ

• КРОК приглашает на бизнес-игру Менеджерские бои, где участники смогут прокачать свои переговорные и управленческие скилы, а также получить обратную связь от экспертов-практиков.

• Будет полезно руководителям проектов, тимлидам технических и бизнес-команд

• 26 марта, 18:30 (МСК)

• Офлайн, офис КРОК

Регистрация открыта, участие бесплатное, количество мест ограничено.

Реклама. ЗАО "КРОК Инкорпорейтед". ИНН: 7701004101. Erid: 2W5zFK5qNmP

Давнееенько у нас не было обзоров книг.
И тут недавно ребята из издательства Питер подогнали мне чудесную книгу по System Design «нового поколения», то есть GenAI.
Книга - это попытка адаптировать классическое system design интервью под новую реальность GenAI: LLM-приложения, RAG-архитектуры, агенты, оценка качества и стоимость инференса. Полезно как структурированный чек-лист, но это скорее введение, чем глубокий инженерный разбор.
Хотя как менеджер я обожаю эту серию книг, она позволяет погрузиться во множество разных тем.

System Design для эпохи GenAI
Все привыкли к классическим вопросам на system design интервью:
- спроектируйте Twitter
- спроектируйте YouTube
- спроектируйте Uber
Но последние пару лет компании начали задавать другой тип задач:
спроектируйте AI-чат ассистента
спроектируйте RAG-поиск по документам
спроектируйте AI-копилота для разработчиков
И вот тут многие кандидаты ломаются.
Почему?
Потому что классическая архитектура (API + база + кэш) внезапно превращается в:
User → Gateway → Orchestrator → LLM → Retrieval → Vector DB → Tools → Evaluation
И вот именно эту новую архитектуру книга и пытается разобрать.

Основная идея книги
Авторы говорят простую вещь:
GenAI-системы - это не просто “вызов LLM API”.
Это полноценная распределённая система.
И в ней появляются новые архитектурные компоненты.
Например.
1. Retrieval (RAG)
LLM сам по себе туповат.
Он знает интернет до даты обучения.
Поэтому почти любая реальная система делает:
Query
→ Embedding
→ Vector search
→ Context
→ LLM
Книга разбирает:
как хранить embeddings
как масштабировать vector search
как строить pipeline retrieval

2. Оркестрация моделей
LLM редко работает один.
Обычно это:
Router
→ model A (cheap)
→ model B (smart)
→ tools
Причина банальная.
LLM дорогой.
Поэтому архитектура всегда балансирует:
качество vs стоимость vs latency

3. Оценка качества
Самая сложная часть GenAI-систем.
В классических сервисах есть метрики:
latency
error rate
throughput
А в LLM-системах появляется ад.
Например:
- hallucination rate
- factual accuracy
- grounding
- response quality
И это очень плохо измеряется.
Книга показывает базовые подходы:
LLM-as-judge
human evaluation
golden datasets

4. Стоимость
GenAI архитектура - это экономика.
Каждый запрос стоит денег.
Поэтому появляются решения:
кэширование ответов
prompt compression
routing моделей
batching
На интервью это любят спрашивать.

Что в книге хорошо
1️⃣ Хорошая структура для интервью
Если вам задают вопрос:
Спроектируйте AI-ассистента
книга дает простой фреймворк:
User interaction
Retrieval layer
LLM orchestration
Tools
Evaluation
Cost control
Это полезно.

2️⃣ Понятный чек-лист архитектуры
После книги начинаешь автоматически думать:
где embeddings?
где кэш?
где evaluation?
где rate limiting?

3️⃣ Актуальность
Большинство книг по system design написаны до эпохи LLM.
А здесь фокус именно на GenAI-архитектуре.

Где книга слабая

1️⃣ Мало глубины.
Например vector search объясняется очень поверхностно.
Нет разбора:
HNSW
IVF
ANN tradeoffs

2️⃣ Мало production-кейсов.
Реальные системы:
Copilot
Perplexity
ChatGPT
имеют гораздо более сложные пайплайны.

3️⃣ Почти нет темы агентов
А именно туда сейчас движется индустрия.

Если раньше system design интервью проверяло:
умеешь ли ты масштабировать сервис
то теперь проверяют:
умеешь ли ты проектировать AI-системы.
И там появляются новые вопросы:
как уменьшить hallucinations
как контролировать стоимость токенов
как строить RAG
как оценивать качество
И это новый слой архитектуры.

🔥 - если читал и зашло
❤️ - если забрал в бэклог
🦄 - если читал и не зашло

У вас в работе бывает режим «автопилота»?

Ну то есть когда все задачи решаются по знакомому сценарию:
тот же фреймворк, тот же подход, те же аргументы на встрече.
И в целом все работает.
Но иногда прилетает задача из серии «так, а это вообще как решать?»

И тут внезапно обнаруживается интересная вещь:
мозг начинает скрипеть как старая дверь.

Потому что большую часть времени мы тренируем только харды:
архитектуры, метрики, процессы, фреймворки.

А вот мышцу нестандартного мышления — почти нет.
Поэтому мне понравилась идея одного спецпроекта —
OUT OF THE BOX от команды КРОК.

Они собрали реальные нешаблонные кейсы из практики по разным направлениям.
Смысл простой:
чтобы их решить — придется реально вылезти из привычной коробки и посмотреть на задачу под другим углом.

Причем там есть разные категории кейсов — можно выбрать что-то из своей области или наоборот пойти в противоположную сторону и проверить себя.

За интересные решения, кстати, до 30 марта дают призы.

Я вот думаю попробовать кейс из секции soft.
Люблю такие задачи — они обычно ломают привычную логику сильнее всего.

Если интересно — посмотреть кейсы можно тут