Размышляя об эффективности обвязки

Сейчас типичное использование инструментов для работы с кодинговыми агентами выглядит так: кто готов платить за жирную подписку, сидит на самой мощной модели, а кто пытается экономить — использует дорогую модель для планирования и что-то попроще для генерации кода.

Еще есть сценарии, когда обвязка выбирает модель на свое усмотрение (даже сам ChatGPT использует маленькую модель-роутер, чтобы принять решение, в каком режиме «думать» над вашим промптом).

Но почему-то (по крайней мере, насколько мне известно) инструменты вроде Claude Code или Codex не применяют подобный подход для оптимизации контекста.

Типичный ризонинг любой задачи выглядит примерно так:

кожаный попросил добавить кнопку, сейчас пойму, что у нас тут за проект. Для этого получу листинг файлов в корне... Ага, вижу README, почитаю. Хм, ничего полезного. Почитаю package.json. Ага, похоже, используется какая-то библиотека. Поищу ее документацию в интернете. Нашел 20 релевантных сайтов, первый в выдаче выглядит подходящим, качаю его... Так, вижу ссылку на документацию, качаю ее. Нашел ссылку на нужную страницу, читаю документацию... Хорошо, теперь поищу исходники, для этого получу листинг папки src. Так, вижу файлы, погрепаю их в поисках строки button. Нашел 45 файлов со вхождением, почитаю их... Примерно понятно, как использовать button, теперь ищу, куда именно добавить кнопку, для этого почитаю еще 50 файлов...

и так далее.

А потом все эти скачанные результаты веб-поиска вместе с HTML-разметкой, запуски консольных команд (например, для установки зависимостей с кучей выхлопа) и прочитанные наугад файлы попадают в контекст и гоняются с каждым запросом до конца выполнения задачи.

Сначала от избыточного контекста модель тупеет, а потом и вовсе срабатывает механизм компактизации, убивая заодно и кэширование.

А пользователь все это оплачивает.

Хотя кажется, что было бы гораздо эффективнее готовить контекст до того, как он попадет в медленную и дорогую модель: сначала супер-быстрая и дешевая моделька могла бы взять на себя тул-коллинг (включая даже вызов MCP) и обработку ответов, выкинуть явно лишнее, оптимизировать нужное, и передавала бы в большую только действительно релевантный код.

Плюсы очевидны, минусов, кроме минорного оверхеда на быструю модель, вроде нет. Что я упускаю? Делает ли так кто-нибудь?

@devspotting

TurboQuant

Похоже, у обладателей топовых макбуков появилась возможность запускать пригодные для кодинга модели локально.

Google Research опубликовали статью, описывающую алгоритм квантизации для сжатия KV-кэша без потерь в качестве (по крайней мере, на приведенных бенчмарках), а сообщество уже реализовало его для MLX и во всю квантует модели. Полагаю, сегодня-завтра увидим их на Hugging Face.

Обещают экономию памяти в ~6 раз и 8-кратное ускорение инференса.

Начинаю задумываться, не поменять ли ноут по такому поводу.

Кто там переживал, что токены подорожают? :)

@devspotting

Spec Driven Development: понимаем, чего хотим

Писать PRD (документ с описанием что, зачем и для кого) до написания кода — отличная практика, которая старше самого программирования.

Но, увы, подход далеко не всегда применяется. И если у человека обычно есть контекст, он сомневается и задает вопросы, то нейронка знает ровно то, что написано в промпте. Внятная формулировка цели становится критичной.

Но тут есть две проблемы:
Во-первых, лень расписывать подробности. Переделывать потом дороже, но кого это останавливает?
Во-вторых, мы сами зачастую не понимаем, чего хотим (или хотим не того, что реально нужно).

Пока «работаешь в поле», кажется, что уж топы корпораций точно понимают, куда всё движется. Вот взять хотя бы визионера Альтмана и сервис Sora. От релиза Android-приложения до закрытия сервиса — 4 месяца.

Есть мнение, воля и принятие решений — это то, что ИИ у нас не отнимет. Ученые, впрочем, не уверены, есть ли свобода воли и у человека (а политики, похоже, совершенно убеждены в ее отсутствии).

Тем ироничнее, что нейронки — идеальный инструмент, чтобы понять, чего ты все-таки хочешь.

По статистике 62% топ-менеджеров советуются с LLM при принятии решений.

Но мы ведь инженеры, так что просто спросить совета у LLM в чате — не наш путь. Нам нужна система.

И мы ведь программисты, поэтому использовать существующие системы нам мешает NIH-синдром. В результате таких систем бесконечное количество. И я, конечно, написал и свою, но пока давайте посмотрим на мейнстрим.

Наверное, самый популярный фреймворк — Superpowers. Появился в октябре 2025, 114k звезд на github на момент написания поста. В комплекте полный воркфлоу от мозгового штурма и планирования до TDD, git-веток и ревью кода с использованием субагентов. Навыки активируются автоматически при релевантных задачах или вызываются слеш-командами.

Аналог — Spec kit от github — август 2025, 82k звезд. Тут набор CLI-команд на python для генерации спек и планов, без полной автоматизации.

Свежая вариация на тему — Get shit done появилась всего 3 месяца назад, но уже 42k звезд. Позиционирует себя для случаев, когда заранее неизвестно, что именно делать и/или требования меняются в процессе. Но 3 месяца — это бесконечно долго, так что уже вышла GSD2 — автономный CLI-инструмент на базе PI SDK.

Еще один вариант — BMAD method — 42k звезд. Идея в том, чтобы супер-подробно обдумать план со всех сторон (используются разные роли), описать все в документации, разбить на задачи и затем методично реализовать продукт целиком. Но тут есть риск устать еще на этапе проектирования.

И, наконец, OpenSpec, 34k звезд. Основная фишка во внесении модификаций через обновление спек, после чего агент начинает переписывать код. Кмк, хорошо подходит для работы с большими существующими кодовыми базами.

Подытоживая
Когда ничего не понятно — начинать с GSD, а когда общее направление вырисовывается — улучшать с Superpowers или OpenSpec.

Но важно не переусложнять — если делаете что-то совсем простое, то достаточно встроенного режима планирования в вашем приложении для агентского кодинга.

А еще не бойтесь собрать флоу специально под себя. Как это сделать — поговорим в будущих постах.

И, конечно, в посте далеко не полный список (а каждый день появляются новые решения), так что делитесь тем, что лучше всего работает для вас.

@devspotting

Нейро-мастермайд

В комментариях ко вчерашнему посту про Spec driven development Леша не согласился с тезисом, что нейронки — идеальный инструмент, чтобы понять, чего ты хочешь. Конечно, на вкус и цвет фломастеры разные, но я решил рассказать про еще один способ получить от LLM помощь в поиске таких ответов.

Идея появилась за завтраком с нашей общей с Лешей бывшей коллегой Жанной Кругловой. Она из разработчика и менеджера ушла в коучинг и рассказывала, как проводит мастермайнды для C-level руководителей. Это чем-то похоже на брейншторм, только вместо хаотичного сбора случайных идей эксперты с разным опытом помогают друг другу решить личные запросы на регулярных структурированных встречах.

Конечно, сразу захотелось навайбкодить себе нейро-мастермайнд @tdttMasterMindBot. Я уже упоминал его в посте «Ролевые игры с моделями», расскажу чуть подробнее.

Если просто задать LLM вопрос, то ответ будет усредненным и стерильно-корректным, чтобы никого не задеть и получить максимальную оценку на пост-трейне. В таком режиме модель восхищается любой самой дикой идеей и совершенно не позволяет взглянуть на проблему под разными углами.

Поэтому подход мастермайнда с несколькими виртуальными экспертами отлично решает проблему.

Флоу в боте устроен очень просто:
1. Пользователь формулирует свой запрос
2. Агент-ведущий подбирает подходящих экспертов так, чтобы они имели разные взгляды на тему и раскрывали ее с разных сторон
3. Пользователь либо соглашается с предложенным составом, либо его корректирует
4. Эксперты по очереди высказываются, исходя из своей роли
5. В процессе можно что-то докинуть в обсуждение. Параллельно бот собирает факты из ответов пользователя и добавляет их в контекст всех сессий.
6. После завершения сессии ведущий суммаризирует обсуждение и отдает отчет
7. В любой момент к завершенной сессии можно вернуться и продолжить

Под капотом модель Gemini 3 Flash, бот живет в Яндекс Облаке (так что модель периодически понимает, что ее вызывают из неподдерживаемой страны и ругается). Исходники на гитхабе.

Получилось достаточно забавно, периодически пользуюсь. И, конечно, повторить это поведение можно просто с помощью промпта в любом LLM-чате.

А если у вас есть запрос для настоящего мастермайнда — пишите Жанне @ZhannaKruglova, она будет рада.

@devspotting

Исследуем границы возможностей нейросетей. Часть про книги.

90% нового контента в интернете генерится нейронками. Мы уже обсуждали изображения и поэзию, сегодня предлагаю поговорить про генерацию прозы.

Корал Харт, писательница из ЮАР, за 8 месяцев сгенерировала более 200 романов (почти по роману в день!) разных жанров под разными псевдонимами, опубликовала их на Amazon и заработала на этом миллионы долларов. Теперь она ведет суперуспешные курсы, где учит других авторов генерить книги.

Пока она давала интервью об этом журналисту из Нью-Йорк Таймс, Claude написал ей еще одну книгу (Корал считает, что Claude пишет лучше всего).

Одна из проблем, с которой она столкнулась — цензура нейросетей мешает писать интимные сцены. Она запустила целый курс «Write Dirty With Me» о том, как все-таки заставить ИИ не стесняться секса. Хотя мы-то с вами знаем, что делать!

Но это всё где-то в Африке, а буквально на днях случилась драма уже в России.
Ксения Буржская — писательница, поэтесса, евангелист ИИ и соавтор библии Алисы в интервью по случаю выхода ее нового романа «Дегустация» рассказала, как использовала нейронки при написании книги:

Напиши мне структурный план романа полностью, по главам, вернее, по сериям, потому что это сериал. Вот тебе подробный синопсис, и учти, что в конце каждой серии нужен клиффхэнгер.

При этом Ксения противник маркировки «написано с помощью ИИ», так что признание вызвало знатные бурления в интернете: взгляд Галины Юзефович и пост Ксении с оправданиями объяснением ситуации. А рецензии на Яндекс Книгах звучат примерно как «не читал, но нейрослоп осуждаю».

Буржская, кстати, говорит, что Gemini справляется с любовными сценами вполне неплохо, и между прочим, все мы дрочим генерим тексты, просто не все в этом признаются. Странно, что посты для канала я все еще пишу сам. Пойду руки помою...

И хотя мне кажется, что Электровафин @electroVafinBot из поста про telegram-ботов получился почти как живой, мои попытки заставить нейронку написать новый «Москва-Петушки» пока создают скорее рассеянного с улицы Бассейной.

Но хочется, конечно, попробовать собрать агентский пайплайн из автора, экспертов-консультантов, редакторов и корректоров. Тем более, что с момента эксперимента Корал Харт вышли новые версии моделей.

А для вас важно, чтобы кожаный автор страдал в процессе создания интересной книги? Должны ли генерированные тексты маркироваться или сегодня это уже примерно как признаваться, что книга написана с использованием текстового процессора?

@devspotting

🍿 #WatchAndVibe. Выпуск 6.

Вышло интервью Лекса Фридмана с одним из важнейших людей в ИИ-индустрии — CEO NVIDIA Дженсеном Хуангом.

https://www.youtube.com/watch?v=vif8NQcjVf0

За 2.5 часа они успели обсудить перспективы ИИ и NVIDIA (Хуанг аргументирует, почему продолжит расти), инференс в космосе, будущее программирования, сознание, мораль и как он все это вывозит.

Дженсен допускает мысль, что AGI уже де-факто достигнут, но повторить успех NVIDIA у него нет шансов — как удобно, когда с терминами так и не определились.

Отдельный инсайт про игру в долгую — благодаря видеокартам дети привыкают, что NVIDIA делает лучшее железо. Вырастая и приходя в разработку, дата-саенс или науку, они уже лояльны и по умолчанию выбирают стек, которому привыкли доверять.

Так что же такое этот ваш AGI? Достигли? Достигнем?

@devspotting

Воскресный #digest №6

На этой неделе мы много успели:

• Порассуждать о том, почему бы не поставить быструю и дешевую модель оптимизировать контекст для медленной и дорогой.

• Обрадоваться TurboQuant от Google Research для квантования моделей без потери качества (оказывается, исследование вышло год назад, но про него только сейчас написали в блоге).

• Изучить популярные фреймворки для Spec Driven Development: Superpowers, Spec kit, GSD, BMAD и OpenSpec.

• Рассмотреть нейро-мастермайнд как способ понять, чего ты хочешь.

• Обсудить писательство с нейронками (но так и не выяснили, должен ли автор страдать, чтобы результат считался настоящим).

• Посмотреть интервью с Дженсеном Хуангом, который продает детям NVIDIA с молоком матери видеокартами.

Что вам понравилось? О чем написать на следующей неделе?

@devspotting

В этом году участвую сразу в двух активностях на CodeFest: провожу мастер-класс «От вайбкодера к контекст-инженеру» и в новом формате — разборошной по теме «Использование AI в SDLC».

Если вы тоже там будете — давайте развиртуализируемся!

@devspotting

Нафига Figma?

В далеком 2021 году, почти в прошлой жизни, моя команда экспериментировала с синхронизацией кода с макетами в Figma. Боль для продуктовой компании была очень понятна: после того как макет превращается в живой сервис, исчезает источник истины. Чему верить при внесении изменений: макету или реализации в коде?

Тогда мы покрыли какое-то количество кейсов, Серега Савельев даже рассказывал про результаты на ЯСубботнике, но до полной автоматизации было далеко. Чуть позже появились десятки (возможно, сотни) подобных решений.

А потом пришли LLM-агенты.

И вот на прошлой неделе Figma выпустила недостающие части для вайб-дизайна: дополнили Figma MCP инструментами и набором скиллов, чтобы агент мог полностью контролировать холст и использовать компоненты из вашей дизайн-системы.

И там все как у людей: теперь агент знает, какие компоненты есть в дизайн-системе, но все равно чаще предпочитает создать их с нуля, чем воспользоваться готовыми. Если только не ткнуть носом. Совсем как было у нас с общей библиотекой компонентов.

Понятно, что аналоги были. Понятно, что шероховатости дошлифуют и можно ожидать, что за ближайшие несколько месяцев связка полностью заработает (как раз и бесплатный период закончится).

Но... зачем это всё теперь? Ладно еще собрать интерактивный сторибук со всеми состояниями компонентов / экранами и сценариями приложения, но если уж дизайнит агент, почему бы ему не делать это сразу в коде? Какой смысл в лишнем слое сегодня?

@devspotting

Недавно анонсировал свой мастер-класс «От вайбкодера к контекст-инженеру» на CodeFest в Новосибирске.

Теперь есть повод встретиться с читателями из Питера — в июне на Saint TeamLead Conf расскажу про «От хайпа к культуре: нанимаем ИИ в компанию» с точки зрения руководителя.

Кто-нибудь планирует посетить? Давайте знакомиться вживую!

TRIBE v2

Одна запрещенная организация пошла еще дальше в своем лютейшем экстремизме и научилась предсказывать вашу реакцию на любой контент.

А чтобы этим бесовским изобретением могли пользоваться сразу все экстремисты мира, они опубликовали модель, код и подробную научную работу.

TRIBE v2 — симулятор мозговой активности на основе fMRI-данных, способный к zero-shot предсказаниям реакции на визуальные и аудиальные стимулы для новых людей и языков.

Открытие важно для науки, медицины и моего завтрашнего поста, но, конечно, использовать будут в первую очередь маркетологи, чтобы у нас совсем не осталось шансов прекратить скроллить алгоритмические ленты, и политики (потому что они тоже маркетологи).

Как считаете, есть ли грань между качественным контентом и нейробиологическим манипулированием?

@devspotting

Исследуем границы возможностей нейросетей. Первоапрельская часть про юмор.

Шутка ли — первого апреля пишу в Телегу.
Конечно, было бы гораздо смешнее, если бы сегодня запретили парковочный мессенджер. Впрочем, хватает и новостей, что опсосы будут брать дополнительную оплату за международный трафик в международной сети интернет.

Вообще-то я стендапер, а бизнес и программирование — так, для души.
Так что я, разумеется, исследовал возможности LLM для генерации шуток. Ничего смешного!

Почему нейросети не умеют в юмор

LLM уже вполне в состоянии объяснить, в чем прикол, но не в состоянии придумывать шутки сами.
INB4: нет, это не skill issue, настройка температуры не помогает. Не помогает даже промпт «ты гениальный стендапер, король постиронии и мастер сарказма».

Это не останавливает разных иноагентов от попыток использовать ChatGPT, но такие эксперименты — только людей смешить.

Юмор глубоко субъективен, контекстуален и строится на сложной игре ожиданий, эмпатии и культурного бэкграунда.
Мало того, что непонятно, как скорить результат (что одному асессору смешно, то стендаперу — баян), так еще и остаются все те же проблемы, по которым нейронки не справляются с поэзией:
* токены лишают LLM слуха, что критично для каламбуров. Мой самый любимый мне рассказал когда-то Дима @dimaom: «каламбур (а телом бел)»
* модели стремятся к статистически наиболее вероятному продолжению, а суть панча — в сломе ожидания.

На эту тему есть достаточно много исследований и экспериментов. Из свежего — Quipslop от Theo (open-source проект, где одни модели придумывают панчи, а другие модели и люди их оценивают) и исследование Алексея Тихонова на основе полученных данных. Спойлер: Gemini справляется лучше остальных как по мнению людей, так и по версии других нейронок.

Так научатся ли нейронки шутить в конце концов?

Я склонен считать, что таки да:
1. Можно обучить специализированные модели
2. По-настоящему мультимодальные модели могут решить проблему с восприятием звучания и подачей
3. Я не зря вчера рассказал про TRIBE V2 — LLM сможет использовать виртуальную модель мозга в качестве абсолютного, масштабируемого и объективного «оценщика». Вместо того чтобы спрашивать человека «Смешно ли это?», сеть будет напрямую смотреть, вызывает ли сгенерированный контент активацию в центрах удовольствия симулированного мозга.

Ну хорошо, в будущем ржака, а что же делать сейчас?

В книгах про написание шуток вам расскажут, что весь юмор работает по одной схеме и чтобы его сочинять, можно использовать стандартный алгоритм и «подводящие упражнения» (конкретные шаги могут чуть отличаться от автора к автору, но общий смысл у всех совпадает).

Так вот, сегодняшние нейронки вполне в состоянии нагенерить «запчастей»: придумать сетап, извлечь из него ключевые темы, сгенерировать к ним ассоциации и анти-ассоциации, поскорить эти ассоциации, подобрать омонимы, придумать неочевидные аналогии.
Не знаю, насколько это действительно поможет, но пропаганда других стимуляторов вдохновения нынче запрещена.

Перестанет ли быть смешной шутка, если вы узнаете, что ее сочинила нейронка?

@devspotting

Qwen3.6-Plus — топовая модель бесплатно

Alibaba выкатила Qwen3.6-Plus и сразу предоставила её бесплатно на OpenRouter — можно подключить в Claude Code, OpenClaw, Pi, Cursor или любой другой OpenAI-совместимый инструмент.

Модель заточена под агентные задачи. Утверждается, что особенно хороша для фронтенд-разработки. Контекстное окно — 1М токенов.

Что по приборам
- SWE-bench Verified (реальные задачи из GitHub-репозиториев): 78.8% — на уровне или выше Claude 4.5 Sonnet и GPT-5
- GPQA (задачи аспирантского уровня по физике, химии, биологии): 90.4% — топ-SOTA на момент релиза

Из интересного: модель поддерживает preserve_thinking — контекст цепочки рассуждений сохраняется между вызовами. Для агентных пайплайнов это важно: не нужно каждый раз «разогревать» её заново.

Важный момент: бесплатный тир на OpenRouter означает, что данные промптов идут на дообучение модели.

Кто-нибудь уже пробовал? Как вам?

@devspotting

Когда подорожают токены?

В комментариях в этом канале и среди коллег часто звучит теория, что вот сейчас ушлые корпораты подсадят всех на иглу дешевого инференса, а потом (когда нас заменят на нейронки), ка-а-а-ак поднимут цены!

Предлагаю по случаю пятницы обсудить эту перспективку.

Самый популярный аргумент звучит так: подписки дотируются, чтобы захватить рынок и подсадить. И это правда. Исследователь под ником she-llac выяснил: Claude Max ($200/мес) дает эквивалент API вплоть до $3 600+ в месяц при теплом кэше. Claude Pro ($20) — в 16–37 раз дешевле, чем платить по API. То есть да — лаборатории сейчас банчат нейро-стафф по дешману.

Дальше — парадокс Джевонса: чем дешевле ресурс, тем больше его потребляют. Дешевые токены порождают новые SaaS, агентные пайплайны и прочие сценарии использования — спрос растет быстрее, чем падает цена. В результате у компаний появляется возможность для поднятия цен.

Наконец, более сложные модели объективно дороже, а дальнейшее масштабирование требует железа на порядки больше — квадратичный рост вычислений ради линейного прироста качества.

И что же? Остается срочно навайбкодить себе единорога, пока лавочка не закрылась?

Почему я в это не верю
Для начала такой факт: с 2023 по 2026 год цена за токен упала в 1000+ раз. GPT-4 стоил $30/60 за 1M токенов — сегодня Qwen3.5 или Gemma 3n дают сопоставимые возможности за $0.02–0.03. И тенденция скорее ускоряется:

- Железо — H100 → Blackwell → Rubin: каждое поколение дает 2–3x токенов/доллар. HBM4 поднимает утилизацию чипов до 90%.
- Альтернативные чипы — TPU, специализированный AI-silicon: Midjourney уже сэкономил $16M/год, просто сменив железо.
- Алгоритмы — дистилляция снижает затраты в 10–100x, модели становятся меньше и умнее одновременно. TurboQuant, придуманный для оптимизации KV-кэша, в сообществе уже пробуют применять для сжатия весов.
- Инфраструктура — batch API дает скидку 50%, кэширование контекста режет реальные расходы в разы. Stateless/elastic инференс убивает idle-costs.

Общий тренд: снижение цены на порядок ежегодно — быстрее, чем в PC или интернете в эпоху доткома.

Открытые модели и локальный инференс
Уже сейчас на пусть и недешевом, но все еще бытовом железе можно запустить Gemma 4, Nemotron, gpt-oss и целый зоопарк от китайских лабораторий.

Судя по всему, к моменту, когда пессимисты ожидают повышения цен, на средних ноутбуках можно будет запускать модели уровня Claude Sonnet 4.5.

Конкуренция между OpenAI, Anthropic, Google, DeepSeek и прочими китайцами — структурная. Ни один из них не может поднять цены, не потеряв рынок. А с открытыми весами у корпоративных пользователей появляется полноценная альтернатива.

В конце концов, на интернет ведь тоже всех подсадили, но мы спокойно берем безлимитные мобильные пакеты и смотрим 4k-видео в метро (не в Москве, конечно, откуда тут мобильный интернет в 2026?).

Так что я ожидаю, что для бытовых задач мы получим модели в разы мощнее нынешних SOTA за пренебрежительно дешевую подписку, а для промышленного использования стоимость токенов будет иметь примерно такое же значение, как сейчас стоимость трафика для SaaS-компаний — да, петабайты стоят денег, но это точно не фактор, который определяет финмодель.

Разубедите?

@devspotting

🍿 #WatchAndVibe. Выпуск 7.

В сегодняшнем выпуске интервью Джека Дорси (создателя Твиттера и Block) и Рулофа Боты о том, как Джек видит будущее компаний, где на смену иерархии приходит ИИ.

https://www.youtube.com/watch?v=YTVSwOY19Qs

Поводом для разговора стали изменения в Block и статья Джека «From Hierarchy to Intelligence» — про поиск оптимальной системы управления от Римской империи и исследований МакКинзи до отказа от иерархии в пользу нейросетей.

Главная задача привычной корпоративной иерархии — управление потоками информации: вся цепочка менеджеров передает информацию от рядовых сотрудников к руководству и обратно — белковый MapReduce.

Дорси считает, что в современных компаниях, вместо того чтобы полагаться на людей для передачи информации по цепочке, можно использовать ИИ. В результате каждый сотрудник — от CEO до аналитика — получает возможность напрямую «общаться» с интеллектом компании, задавать вопросы и получать доступ ко всему контексту работы организации.

В результате управленческая структура упраздняется, и на смену ей приходят три базовые роли:

1. IC (Individual Contributor — индивидуальный контрибьютор / строитель): это инженеры, дизайнеры, продавцы — те, кто непосредственно создает продукт. Благодаря AI-агентам один такой специалист теперь может выполнять объем работы, который раньше требовал целой команды. *Ключевые и незаменимые человеческие навыки здесь: креативность, вкус и здравый смысл*.
2. DRI (Directly Responsible Individual — непосредственно ответственный): человек, отвечающий за конечный результат для клиента. Он формирует стратегию и собирает команду из IC для решения конкретной задачи. *Главные навыки: ответственность и умение добиваться результата*.
3. Играющий тренер: это роль, заменяющая традиционных менеджеров. Тренер развивает навыки других людей, но делает это не через указания, а на собственном примере, выполняя работу вместе с командой. Это не структура подчинения, а скорее временное назначение. *Ключевые навыки: эмпатия, коучинг и развитие человеческого потенциала*.

Дорси убежден, что топ-менеджмент (включая его самого) должен уметь совмещать все три роли.

Помимо вопросов про изменение структуры управления ведущий расспросил Джека о том, как быть CEO. Среди советов — практика 10-дневных ретритов безмолвной медитации.

Приятного просмотра!

@devspotting

И бонусная подборка от Аркадия IT ХудРука — уж больно мне льстит быть в одном списке с Вадимом Макишвили! 🙂

Подборка контента на выходные для вдохновения

* 36 / Вадим Макишвили
Выдержанный коньяк! Пересматриваю, кажется, уже в третий раз. Как для разработчиков, так и для менеджеров. Если вы спикер, то это еще и отличный урок по публичным выступлениям. Если зайдет, то есть продолжение (42).

Формула оценки проекта: первоначальная оценка проекта, умноженная на половину длины окружности, плюс две недели

* There and back again, или Нужно ли становиться руководителем / Виталий Харисов, Владимир Гриненко

Отличный гайд для начинающих руководителей, но подойдет и тем, кто хочет двигаться дальше.

Если совсем заскучали по программированию, то решать задачи, которые ставит бизнес, можно не только с помощью написания кода, но и в том числе "программируя на людях".

* Что на самом деле важно в разработке? / Владимир Гриненко
Для тех, кто ищет смыслы. И не только в разработке.

Мудрый руководитель - это не только тот, с кем в кайф работать, но и иногда человек, который может спасти вам жизнь буквально.

Напишите в коменты, что из этого отзывается

Воскресный #digest №7

На этой неделе в канале вышли:

• Анонсы мастер-класса «От вайбкодера к контекст-инженеру» и разборошной «Использование AI в SDLC» на CodeFest, а также доклада «От хайпа к культуре: нанимаем ИИ в компанию» на Saint TeamLead Conf.

• Рассуждение, нужна ли вообще Figma.

• Обзор модели TRIBE v2, которая предсказывает реакции мозга на разные типы контента.

• Первоапрельское исследование про границы возможностей LLM в юморе. Спойлер: шутить нейросети пока не умеют, но лучше всех это не умеет Gemini.

Ранее в этой же рубрике мы обсуждали генерацию изображений, написание стихов и создание книг.

• Новость про релиз модели Qwen3.6-Plus, заточенной под агентные пайплайны и доступной бесплатно на OpenRouter.

• Спор о том, когда лаборатории подсадят всех на иглу и поднимут цены на токены. Мой тейк — инференс продолжит дешеветь.

• Очередной #WatchAndVibe, в котором создатель Twitter Джек Дорси рассказывает об отказе от менеджеров в пользу ИИ и «играющих тренеров». И бонусная подборка от IT ХудРука с докладами про устройство команд и смыслы в разработке.

Что вам больше всего откликнулось? О чем написать на следующей неделе?

@devspotting

GLM-5.1: новая SOTA-модель для разработки

Сегодня вышла GLM-5.1 от z.ai, которая бьет всех в SWE-Bench Pro и обгоняет Opus 4.6 в Terminal Bench 2.0. Контекстное окно — 200k.

Думаю, в этот раз первенство китайцев продлится недолго — со дня на день ждем ответочку от OpenAI и Anthropic. Но GLM — открытая модель, веса доступны на HuggingFace.

Авторы хвастаются, что новая модель не деградирует при длительных размышлениях. С одной стороны, звучит здорово, с другой — если высокие результаты на бенчмарках получились именно благодаря дополнительному времени (и токенам), то на практике использование может оказаться не таким уж приятным.

Отдельно интересно наблюдать, как меняется привычная схема: в Штатах релизится очередной флагман, спустя несколько месяцев выходит уступающая по бенчам модель из Поднебесной, а условные Антропики жалуются, что их дистиллировали в нарушение лицензии. Теперь списывать успех китайцев на дистилляцию станет посложнее.

Модель уже доступна в подписке и через API, в том числе через OpenRouter по цене $1 за 1M входящих и $3.2 за 1M исходящих токенов (то есть в 5/7.8 раз дешевле Clude Opus 4.6).

@devspotting

Фронтендеры — недопрограммисты

В Яндексе есть несколько внутренних социальных сетей: «рабочий инструмент» Этушка и анонимная имиджборда Ячан.

Сообщения на Ячане иногда бывают настолько... кхм... яркими, что в какой-то момент пришлось настроить автоматическое удаление старых постов, а в шапке повесить напоминание, что «существует техническая возможность деанонимизации».

Любое упоминание фронтенда на Ячане практически гарантированно приводит к комментариям в духе заголовка этого поста (впрочем, в былые времена главные срачи в Этушке тоже были вокруг фронтенда).

Но вот что интересно: уже и дедушка Кнут, и многие другие корифеи программирования делятся кейсами, когда нейронка помогла решить задачу, над которой они бились неделями (а иногда и годами), а Мифос и вовсе нашла дыры там, где не справились ни тысячи штатных безопасников, ни программы баг-баунти на миллионы долларов.

При этом Codex App разгоняет кулеры моего макбука из-за банального спиннера, в Алтасе не работают cmd + C / cmd + V на русской раскладке, а Claude Cowork люто лагает при большой истории сообщений, жрёт 2.5 ядра CPU на рендеринг интерфейса и часто крашится с потерей артефактов вывода (и это при том, что Мифос доступен команде уже больше месяца).

Так что пока я пишу пост про то, как все-таки получить от нейронки хороший фронтенд, предлагаю пятничный вопрос-размышление: как так-то?

PS: иллюстрация к посту сгенерирована Нанобананой на основе Катечкиной нетленки из Этушки (генерация бесконечно хуже оригинала).

@devspotting

🍿 #WatchAndVibe. Выпуск 8.

Давно здесь не было рекомендаций на русском. Так что сегодня рекомендую сразу два интервью с Андреем Бреславом (создателем Kotlin) про CodeSpeak — новый язык для spec-driven development здорового человека:

* Новый язык программирования для эпохи ИИ
* Ответы на вопросы по мотивам первого интервью

CodeSpeak создается для решения актуальных проблем разработки с ИИ-агентами: описывать компактные спеки, которые бы люди действительно читали, и которые бы позволяли избегать противоречий и не терять интенты пользователя.

Разработка сейчас в стадии альфа-превью, но кое-что уже можно попробовать.

Выглядит как следующий (и достаточно большой) шаг в развитии идей OpenSpec, которым я сейчас активно пользуюсь.

В интервью много размышлений о том, куда идет разработка и о задачах, которые предстоит решить.

Интересно? Написать про мои эксперименты с CodeSpeak?

@devspotting