Не весь код, который ИИ пишет быстро, так же хорошо переживает реальную разработку

🔄 Обновили устаревшую статью (ссылка).

ℹ️ В новой статье на Хабре наш CTO Илья разбирает DatePicker как удобный пример большой инженерной развилки:

🔼 Развилка 1

Когда можно взять ИИ как быстрый черновик.

🔽 Развилка 2

Когда без жесткой системы, проверок и архитектурных рамок дальше лучше не идти.

ℹ️ Материал будет полезен frontend-разработчикам, тимлидам, тем, кто собирает UI-компоненты, работает с accessibility и пробует внедрять ИИ в продакшн-разработку.

В статье - по делу:
➡️ где ИИ-драфтинг ускоряет работу, а где начинает копить техдолг;
➡️ почему доступный интерфейс не рождается только из хорошего промта;
➡️ как команда выстроила для ИИ внешний контур проверки с тестами, типизацией и сборкой;
➡️ зачем раскладывать компонент на ядро, представление и связующий слой;
➡️ как понять, какой подход подходит именно вашей задаче.

🔗 Читать статью на Хабре!

Как дела с агентами? AI-агенты чаще всего ломаются не потому, что «глупый»

Потому, что контекст был собран как попало:
❌ В задаче есть цель, но нет границ.
❌ Есть код, но нет причины, почему он такой.
❌ Есть issue, но нет истории решений.
❌ Есть тесты, но неясно, какие из них правда защищают от регресса.

С Claude, Codex и другими агентами проблема становится заметнее: они могут дольше работать автономно, ходить по файлам, запускать команды, дробить задачу на подзадачи, но если входной контур мутный, агент просто быстрее уедет не туда.

Рабочий минимум перед запуском агента:
➡️ Что нужно изменить.
➡️ Что нельзя трогать.
➡️ Как проверить результат.
➡️ Где риск отката.
➡️ Что делать, если контекст противоречит сам себе.

⚠️ LLM - усилитель сигнала, но плохой судья, если сигнал грязный.

🖥 Что еще почитать? «ПЯТЬ УРОВНЕЙ ПРОДАЮЩЕГО САЙТА» в нашем блоге!

Вредный совет из болотца рабочей культуры

🔥 Вредный совет оставили на картинке, а ниже - хороший совет от нас.

Берегите себя… и фиксируйте критерии до того, как задача превращается в ящерицу с языком.