Интересный взгляд от Github на Platform Engineering в эпоху AI:
https://githubnext.com/projects/continuous-ai/
«Классические» платформы всегда event-driven, они предоставляют сервис в ответ на некий API-запрос, будь то вызов REST API или push в репозиторий.
С появлением понятия «агент» платформа может выполнять некоторую активность постоянно — переход от вызовов API к постоянному сервису. Робот-пылесос убирающий квартиру постоянно, а не только по запросу.
Промежуточным шагом к этому были операторы и шедулеры — условный cert-manager не просто выписывает тебе сертификат LetsEncrypt, а поддерживает его в актуальном состоянии.
Auto-scaling group или HPA не просто масштабирует нагрузки, а поддерживает оптимальное количество мощностей для них.
И то и другое — это по сути классическая работа operations. Написание автоматизации и ее конфигурирование — классическая работа разработки.
Если рассматривать результат работы agentic AI как некую активность над вверенным ему ресурсами (или шире — объектами), платформенную инженерию можно осмыслить по новому.
Не доставка товаров курьером по кнопке, а непрерывная доставка JIT.
Не сканирование кода на уязвимости по созданию PR, а непрерывное сканирование и их устранение. Раньше мы рассматривали dependabot и vulnerabot как ботов. Кажется теперь можно рассматривать их как first class citizen в платформах
https://githubnext.com/projects/continuous-ai/
«Классические» платформы всегда event-driven, они предоставляют сервис в ответ на некий API-запрос, будь то вызов REST API или push в репозиторий.
С появлением понятия «агент» платформа может выполнять некоторую активность постоянно — переход от вызовов API к постоянному сервису. Робот-пылесос убирающий квартиру постоянно, а не только по запросу.
Промежуточным шагом к этому были операторы и шедулеры — условный cert-manager не просто выписывает тебе сертификат LetsEncrypt, а поддерживает его в актуальном состоянии.
Auto-scaling group или HPA не просто масштабирует нагрузки, а поддерживает оптимальное количество мощностей для них.
И то и другое — это по сути классическая работа operations. Написание автоматизации и ее конфигурирование — классическая работа разработки.
Если рассматривать результат работы agentic AI как некую активность над вверенным ему ресурсами (или шире — объектами), платформенную инженерию можно осмыслить по новому.
Не доставка товаров курьером по кнопке, а непрерывная доставка JIT.
Не сканирование кода на уязвимости по созданию PR, а непрерывное сканирование и их устранение. Раньше мы рассматривали dependabot и vulnerabot как ботов. Кажется теперь можно рассматривать их как first class citizen в платформах
GitHub Next
GitHub Next | Continuous AI
GitHub Next Project: Exploring LLM-powered automation in platform-based software collaboration
Мне кажется, половина восторгов вокруг LLM связаны с тем что они постоянно исподволь и умело хвалят человека у клавиатуры, даже если он пишет полнейшую хрень.
В обычном цикле работы «гипотеза - реализация - оценка» напрочь ломается последний шаг, если его явно не выносить за рамки чата с LLM.
При этом, не важно занимаешься ли ты оценкой своей работы по факту — ты так или иначе ее получаешь в любом случае, и она в любом случае будет носить некоторый объективный характер.
В случае с LLM положительное подкрепление получаешь сразу же, при этом независимо от того что вы оба написали — если не развита саморефлексия, получится «я герой, и гитхаб не пустой, но время потрачено, а результата нет»
В обычном цикле работы «гипотеза - реализация - оценка» напрочь ломается последний шаг, если его явно не выносить за рамки чата с LLM.
При этом, не важно занимаешься ли ты оценкой своей работы по факту — ты так или иначе ее получаешь в любом случае, и она в любом случае будет носить некоторый объективный характер.
В случае с LLM положительное подкрепление получаешь сразу же, при этом независимо от того что вы оба написали — если не развита саморефлексия, получится «я герой, и гитхаб не пустой, но время потрачено, а результата нет»
😐2👍1😁1