#post #claude

Обновил версию.

Появился скилл для подготовки рилиза и плагин теперь ориентирован на запуск параллельных агентов + мелкие изменения для более комфортной работы.

https://github.com/Dmatryus/dm-cc-assistant/releases/tag/v0.2.1

#post #claude

🚀 dm-cc-assistant v0.3.0 — Autonomous Epic Lifecycle

Большая итерация плагина для Claude Code. Шаг от «помощника по чеклистам» к *автономному оркестратору эпика*.

_«Долго думаем → автономно делаем → структурированный отчёт → диалог.»_

4 команды вместо 7:
• /backlog — двухуровневая модель эпик/подзадача + sync с docs
• /plan — 7-фазное планирование активного эпика
• /execute — *автономный параллельный прогон* в git worktree'ах
• /release — готовит материалы локально, не релизит сам

Главная новинка — /execute: один pre-execute confirm, и агент сам гонит подзадачи волнами параллельно в отдельных worktree'ах, мёрджит между волнами с 3-уровневой резолюцией конфликтов (combine → auto-pick → user dialog только для high-stakes), запускает code-review, собирает агрегированный отчёт и ведёт 4-шаговый финальный диалог.

Что ещё:
• Двухуровневая модель backlog'а (E-001 с подзадачами E-001.1)
• [Priority] теги в ARCHITECTURE §9 / §10
• Edit log convention для всех генерируемых файлов
• Auto-archive в /release при ## Done > 5

Breaking: удалены /research, /review, /update-docs, /release full — поглощены новыми командами. Авто-миграция backlog'а из v0.2 — внутри /backlog (4 опции: Migrate / Wipe / Keep-legacy / Abort).

🔗 [GitHub Release](https://github.com/Dmatryus/dm-cc-assistant/releases/tag/v0.3.0)
🔗 [Migration guide](https://github.com/Dmatryus/dm-cc-assistant/blob/main/.task/migration-v0.3.0.md)

Я - клиент 😊

Последствия вайбкодинга


Вайбкодинг — это генерация на ощущениях, без осмысления того, что получается. Вот к чему это приводит.

LLM обесценила производство кода, но не его осмысление. Генерировать стало почти бесплатно, понимать — нет. Кода прибывает больше, чем человек успевает рассмотреть.

Главный дефицит — внимание, а не понимание. Нельзя неправильно понять то, на что не смотрел. Под сроками внимание утекает в результат: цели достигаются, но за фасадом успеха копится долг.

Модель не спасёт от неэффективного использования — и не должна. LLM стохастична: гарантию вероятностный процесс не даёт в принципе. Дисциплина — это слой снаружи генератора, а не внутри него. И чем мощнее модель, тем больше она производит на единицу твоего внимания — потребность в дисциплине не падает, а растёт.

Внимание стоит тратить на источник, а не на продукт. Не досматривать сгенерированный код, а вкладываться вверх по течению — в описательную документацию: как устроен проект, из чего состоит, что переиспользуемо, что неизменно. Документация первична: не код документируется потом, а код порождается из документации. Это работа, которую нельзя отдать агенту. Человек владеет источником, агент — порождением. Отдашь структуру модели — она заполнит её правдоподобной мутью.

Нейрокод правдоподобно врёт. Обычное легаси честно уродливо — беспорядок сам сигналит, где опасно. Нейрокод выглядит чисто, но может делать не то, что о себе сообщает: за ним нет автора-носителя намерения. Интуиция «чисто — значит норм» ломается.

Как вы поняли, вайбкодинг сейчас для меня важная тема (дед хайпует). Так что вот вам спизженные мемы по теме.

Вышел scikit-learn 1.9.

Это не релиз про «новую модную модель», а про то, что библиотека становится удобнее для реальной ML-разработки.

Главное:

• experimental callbacks

Теперь можно вешать callbacks на estimator-ы через set_callbacks() и отслеживать ключевые этапы fit.

Из коробки есть ProgressBar для прогресса и ScoringMonitor для логирования метрик.

• лучшее HTML-представление моделей

В Jupyter estimator-ы теперь показывают больше полезной информации после fit: fitted attributes, типы, значения, output features у трансформеров и пайплайнов.

Для сложных Pipeline, ColumnTransformer и FeatureUnion это реально удобнее, чем вручную копаться в атрибутах.

• новый sparse_interface

Появилась настройка:

sklearn.set_config(sparse_interface="sparray")

Она позволяет управлять тем, возвращает scikit-learn старые SciPy sparse matrix или новые sparse array.

Пока default остаётся spmatrix, но дальше библиотека будет постепенно двигаться к sparray.

• больше поддержки Array API

Часть моделей и метрик теперь лучше работает с Array API-compatible inputs.

• Narwhals как новая лёгкая зависимость

Она нужна, чтобы проще поддерживать разные dataframe-библиотеки, например pandas и polars, особенно в связке с set_output.


Обновление:

pip install --upgrade scikit-learn

https://blog.scikit-learn.org/updates/release-1-9/

Кажется началось...

История о том, как «вайбкодинг» окончательно победил здравый смысл.
Вчера проводили экспертный созвон. Собрались DS’ы, чтобы помочь молодому фаундеру. Парень пилит стартап: поиск багов и проблем на сайтах с помощью LLM. Благое дело.
Начало стандартное: парень открывает презентацию и начинает яростно «продавать» нам инвесторский питч. Мы его мягко тормозим: «Друг, мы тут DS-инженеры, продавать не надо. Расскажи техническую суть, где затык?»
Он объясняет: «Ну, я закидываю в LLM разные факты, а она мне подсвечивает какую-то незначительную дичь вместо реальных проблем».
Окей, классика. Просим показать пример: что уходит на вход и что получается на выходе. И тут начался чистый киберпанк.
Вместо того чтобы открыть логи или скопировать готовый пример, парень открывает Cursor AI и просит нейросеть… найти этот пример в коде. Говорит: «Так быстрее, чем я сам искать буду».
Ладно, глубокий вдох. Спрашиваем: «А почему просто не посмотреть логи в БД?»
Ответ: «Ну, в интерфейсе это можно глянуть, но он сейчас почему-то упал. А в DataGrip открывать… там очень сложная структура, я не разберусь».
Пока он это говорил, Cursor закономерно ушел в астрал. Нейросеть не понимает, где лежат нужные ключи, потому что в проекте вообще нет никакой структуры. Что делает наш фаундер? Он просто копирует приватный ключ, пачку паролей прямо в окно чата Курсора и отправляет. Тут даже сама модель офигела и выдала системное предупреждение в духе: «Чувак, у тебя всё нормально? Ты мне только что все доступы и секреты слил».
Мы у экрана тихо сползаем под стол. Но ладно, магия вайбкодинга активировалась, Cursor начал пыхтеть. Проект не просто большой — он огромный, запутанный, без единой строчки документации и DDL-схем таблиц. Нейросеть 15 минут генерировала около 20 SQL-запросов, металась по углам, искала этот несчастный пример… и не смогла.
Итог первой части марлезонского балета: мы 15 минут сидели и смотрели, как ИИ пытается раскопать артефакты другого ИИ, чтобы просто увидеть ОДИН пример плохой работы (ради чего созвон и собирался). Не увидели.
Окей, заходим с другой стороны. Пытаемся понять логику: «Ладно, бог с ними, с логами. Ты сам-то понимаешь, как модель должна искать проблемы? Какой промт? Что в контекст передаешь?»
Показывает промт. Это гигантская простыня текста в стиле «делай хорошо, плохо не делай».
Спрашиваем: «А в самом запросе данные какие?»
Ответ: «У меня идея — передавать туда ВООБЩЕ ВСЕ СЫРЫЕ ДАННЫЕ, пусть LLM сама разбирается».
Мы: «А ты сам эти сырые данные видел? Сам сможешь в них разобраться?»
Фаундер, на полном серьезе: «Ну так LLM же сама всё может!»
В этот момент где-то в мире заплакал один Илья Суцкевер. Слушать это было физически больно.
Естественно, парня мы без помощи не оставили и насыпали нормальной инженерной базы:
- Переписать промт, урезать воду и сделать жесткий Few-Shot / One-Shot с четкими примерами «как надо» и «как не надо».
- Собрать наконец Golden Dataset для нормальной оценки ответов.
- Прикрутить Langfuse, чтобы видеть трейсы и понимать, куда улетают токены.
- Хватит пихать терабайты сырого мусора в контекст. Даже если данные структурированы, сделайте сначала первичный код-анализ, найдите паттерны, напишите эвристики и шлите в LLM подсказки о сработках, а не весь дамп базы.
Но судя по тому, что проект полностью написан нейронкой без контроля человека, а любое действие приводит к 15-минутному ступору Курсора — через месяц активных правок эта конструкция окончательно схлопнется под собственным весом.
Кстати, тут стартаперы уже вовсю выкатывают вакансии (как на картинке). Ищут крепких синьоров, чтобы отрефакторить то, что они там «навайбкодили». Чувствую, это будет главный тренд в найме на ближайшие пару лет.

Вот лупы,
Что строят агентские лупы,
Что строят другие агентские лупы,
Что делают код, обойдемся без глупой
Рифмы в доме, что строит допустим Джек

Полезное

Про «породы котов»: почему классификация не работает (1/3)

Читал «Herding Cats» Рейнуотера — книга про менеджмент программистов, само название отсылает к безнадёжности затеи пасти кошек. Там есть классификация «пород»: архитектор, лихач, волшебник, минималист, разгильдяй и ещё десяток. Штука цепляющая, но как инструмент нерабочая.

Разберу в трёх частях: почему не работает, что я собрал вместо, и что при этом отвалилось.

Итак, три дефекта.

Категории не взаимоисключающие. Черты всех пород находятся в одном человеке в разной пропорции. Классификация, под которую попадает каждый, не предсказывает ничего.

Нет процедуры измерения. Как отличить «художника» от «учёного», кроме вкуса наблюдателя, — не сказано.

Описание перемешано с оценкой. «Разгильдяй» — это не наблюдение, а раздражение, оформленное как термин. Такой ярлык говорит больше о процессе, чем о человеке: если я устойчиво вижу в человеке разгильдяя, это данные о том, что моя система не даёт ему сигнала о качестве.

По сути дефект один: наблюдения у Рейнуотера дименсиональные, а оформление категориальное. Психометрика этот переход прошла давно — от четырёх темпераментов и MBTI к чертам, где нет «экстраверта», есть степень выраженности.

Практическая разница не косметическая. С типами комплементарность команды — это подбор пар людей по интуиции. Со шкалами — арифметика профиля: смотришь не «кого с кем поставить», а какие шкалы в сумме провалены. А ещё можно оценивать от наблюдаемых фактов, а не ощущений.

Дальше — что получилось вместо пород.

#post #techlead