Forwarded from Код в каске — герои цифровизации девелопмента
Про ИИ говорят много. Про то, где он реально помогает девелоперам — значительно меньше.
На карточках собрали конкретные сценарии, которые уже используют наши клиенты: с форматом и ожидаемым эффектом. Большинство из них запускается на базе того, что у девелопера уже есть: внутренние документы, регламенты, данные из CRM.
💬 Листайте и оставляйте заявку, чтобы связаться с нашим экспертом и обсудить внедрение ИИ в вашей компании
На карточках собрали конкретные сценарии, которые уже используют наши клиенты: с форматом и ожидаемым эффектом. Большинство из них запускается на базе того, что у девелопера уже есть: внутренние документы, регламенты, данные из CRM.
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
❤6
Nocode умер, да здравствует nocode
Всю дорогу разработчики пытались упрощать создание программ. Начинали с Assembler, с каждым новым языком программирования повышали уровень абстракции, создавали библиотеки / фреймворки для упрощения и ускорения разработки.
В итоге мы дошли от Assembler до Python, Go, TypeScript и других языков. Попытались пойти дальше и сделать инструменты nocode — ещё одну абстракцию, которая позволит создавать системы не программистам.
В итоге получали очень нишевый инструмент автоматизации или очередной язык программирования мышкой с проблемами версионируемости и наблюдаемости. Характерный пример — n8n. Кто на нём пытался собрать что-то больше прототипа, неизбежно сталкивался с множеством проблем, которые решались большими костылями.
С приходом кодинговых агентов целесообразность в ноукоде драматически упала: агенты кратно лучше работают с кодом, чем с платформами ноукода, е2е реализуют более сложные системы без болей ноукода, так как системы построены на коде, для которого придумали механизмы версионирования, стабильного обновления и наблюдаемости.
Но все же возникает вопрос, как построить систему с идеологией ноукода, где разрабатывают и обновляют не программисты, есть простой деплой без девопсов и наглядная визуализация. При этом без минусов ноукода, описанных выше.
Этот подход — Spec-Driven Development.
Давайте вспомним подход enterprise-компаний: есть бизнес аналитики, которые формируют требования и скоуп, есть системные аналитики и архитекторы — они придумывают, как система вписывается в текущий ландшафт и взаимодействует с другими системами. Программисту в таких компаниях остаётся транслировать проработанные требования в код, доработав детали, которые не учли на этапе проектирования.
В итоге получается, что текущие процессы компании уже заточены под формирование требований и только процесс создания кода остаётся всё ещё на людях. А что, если принять документацию как код, и на её основе генерировать код с помощью агентов.
В итоге мы получим новый уровень абстракции nocode в виде спецификации и детерминированную реализацию в формате кода и тестов, которая лишена минусов ноукод-систем. При этом полностью отходим от участия кодера (намеренно использовал эту формулировку вместо «разработчика») в создании кода.
Возникает справедливое возражение: агенты же нейрослоп кодовый генерируют. Через некоторое время это невозможно будет поддерживать.
Да, всё так. Поэтому нужно строить принципы-правила-навыки, по которым агент будет работать. То есть задача разработчика смещается от ручной трансляции требований из спецификации в код в создание конвейера для агентов, мониторинга качества «продукции» и оперативного реагирования на нарушение технологического процесса.
Как это реализовать, поделюсь в следующем посте. Чтобы сузить скоуп, расскажу про агентские автоматизации, а не системы общего назначения.
#александр_опрышко
Всю дорогу разработчики пытались упрощать создание программ. Начинали с Assembler, с каждым новым языком программирования повышали уровень абстракции, создавали библиотеки / фреймворки для упрощения и ускорения разработки.
В итоге мы дошли от Assembler до Python, Go, TypeScript и других языков. Попытались пойти дальше и сделать инструменты nocode — ещё одну абстракцию, которая позволит создавать системы не программистам.
В итоге получали очень нишевый инструмент автоматизации или очередной язык программирования мышкой с проблемами версионируемости и наблюдаемости. Характерный пример — n8n. Кто на нём пытался собрать что-то больше прототипа, неизбежно сталкивался с множеством проблем, которые решались большими костылями.
С приходом кодинговых агентов целесообразность в ноукоде драматически упала: агенты кратно лучше работают с кодом, чем с платформами ноукода, е2е реализуют более сложные системы без болей ноукода, так как системы построены на коде, для которого придумали механизмы версионирования, стабильного обновления и наблюдаемости.
Но все же возникает вопрос, как построить систему с идеологией ноукода, где разрабатывают и обновляют не программисты, есть простой деплой без девопсов и наглядная визуализация. При этом без минусов ноукода, описанных выше.
Этот подход — Spec-Driven Development.
Давайте вспомним подход enterprise-компаний: есть бизнес аналитики, которые формируют требования и скоуп, есть системные аналитики и архитекторы — они придумывают, как система вписывается в текущий ландшафт и взаимодействует с другими системами. Программисту в таких компаниях остаётся транслировать проработанные требования в код, доработав детали, которые не учли на этапе проектирования.
В итоге получается, что текущие процессы компании уже заточены под формирование требований и только процесс создания кода остаётся всё ещё на людях. А что, если принять документацию как код, и на её основе генерировать код с помощью агентов.
В итоге мы получим новый уровень абстракции nocode в виде спецификации и детерминированную реализацию в формате кода и тестов, которая лишена минусов ноукод-систем. При этом полностью отходим от участия кодера (намеренно использовал эту формулировку вместо «разработчика») в создании кода.
Возникает справедливое возражение: агенты же нейрослоп кодовый генерируют. Через некоторое время это невозможно будет поддерживать.
Да, всё так. Поэтому нужно строить принципы-правила-навыки, по которым агент будет работать. То есть задача разработчика смещается от ручной трансляции требований из спецификации в код в создание конвейера для агентов, мониторинга качества «продукции» и оперативного реагирования на нарушение технологического процесса.
Как это реализовать, поделюсь в следующем посте. Чтобы сузить скоуп, расскажу про агентские автоматизации, а не системы общего назначения.
#александр_опрышко
👍13❤8
Как ИИ работает в девелопменте: 8 практических сценариев
Девелоперы накапливают огромные объёмы информации: регламенты, проектную документацию, BIM-отчёты, записи звонков и переписки в CRM. Эти данные находятся в разрозненных источниках, поэтому ручной поиск отнимает время. Сотрудники тонут в операционке, а решения принимаются медленнее.
Ускорить работу с данными и автоматизировать частотные операции, помогают AI-решения. Наш опыт показывает, что большинство прикладных сценариев внедрения строятся на двух механиках:
▫️ анализ базы знаний и контекстный поиск по корпоративным источникам;
▫️ генерация текстовых и визуальных материалов на основе реальных данных компании.
В статье показали 8 рабочих сценариев, для трёх основных этапов: продажи и маркетинг, строительство и эксплуатация.
Например, AI-ассистент во время разговора подсказывает менеджеру ответы по ипотеке и юридическим нюансам. А помощник жителей составляет и регистрирует обращение в УК по короткому голосовому сообщению вроде: «В лифте нет света».
Для каждого решения разобрали требования к данным, сроки запуска проекта и ожидаемый бизнес-эффект.
💬 Заходите почитать
Девелоперы накапливают огромные объёмы информации: регламенты, проектную документацию, BIM-отчёты, записи звонков и переписки в CRM. Эти данные находятся в разрозненных источниках, поэтому ручной поиск отнимает время. Сотрудники тонут в операционке, а решения принимаются медленнее.
Ускорить работу с данными и автоматизировать частотные операции, помогают AI-решения. Наш опыт показывает, что большинство прикладных сценариев внедрения строятся на двух механиках:
▫️ анализ базы знаний и контекстный поиск по корпоративным источникам;
▫️ генерация текстовых и визуальных материалов на основе реальных данных компании.
В статье показали 8 рабочих сценариев, для трёх основных этапов: продажи и маркетинг, строительство и эксплуатация.
Например, AI-ассистент во время разговора подсказывает менеджеру ответы по ипотеке и юридическим нюансам. А помощник жителей составляет и регистрирует обращение в УК по короткому голосовому сообщению вроде: «В лифте нет света».
Для каждого решения разобрали требования к данным, сроки запуска проекта и ожидаемый бизнес-эффект.
Please open Telegram to view this post
VIEW IN TELEGRAM
❤8🔥5
Forwarded from Код в каске — герои цифровизации девелопмента
Покупатели часто выбирают квартиры вечером, ночью или в выходные, когда отдел продаж не на связи. Если в этот момент клиент не получает быстрый ответ на вопрос, его интерес остывает.
Мы запустили ИИ-ассистента для девелоперов, который помогает сохранить конверсию воронки продаж и разгрузить менеджеров.
🟢 Ассистент круглосуточно консультирует пользователей, подбирает подходящие лоты по свободному запросу и переводит диалог в запись на просмотр, когда клиент готов.
🟢 Покупатели, которые еще не готовы к разговору с отделом продаж, могут задать вопросы о проекте, ценах и условиях, не опасаясь навязчивых звонков.
🟢 Первичные справочные диалоги ассистент берет на себя, поэтому менеджер подключается сразу к разговору с теплым клиентом.
😎 Подключим ассистента за 2 дня, а если он не принесет больше лидов, пилот будет за наш счёт. Оставить заявку
Мы запустили ИИ-ассистента для девелоперов, который помогает сохранить конверсию воронки продаж и разгрузить менеджеров.
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥8👍2
KTS × Selectel создали ИИ-поиск для компаний, где каждый ответ нужно подтвердить документом
В строительстве, производстве, добывающей отрасли и финансах сотрудники работают с большими массивами регламентов, ГОСТов и внутренних документов. При подготовке отчёта, прохождении проверки или аудита данные приходится искать в нескольких системах и сверять с первоисточниками. На это может уходить до нескольких часов в день.
Совместное решение KTS и Selectel помогает значительно сократить время поиска информации. Сотрудник задаёт вопрос на естественном языке и получает структурированный ответ со ссылкой на документ и конкретную страницу.
Также ассистент умеет:
— подключаться к wiki, СЭД, файловым хранилищам и нормативным источникам;
— суммаризировать длинные документы;
— выделять тезисы, обязательства и риски;
— экспортировать ответы в Word и PDF;
— учитывать права пользователей через системы управления доступом (IAM и SSO).
Безопасность заложена в архитектуру решения на нескольких уровнях. Система автоматически маскирует чувствительные данные, а встроенные механизмы контроля (guardrails) проверяют запросы и ответы ИИ на соответствие заданным политикам безопасности.
ИИ-ассистент может закрывать большинство рутинных типовых запросов. Благодаря готовой инфраструктуре KTS AI Platform пилот можно запустить за две недели.
Проверьте решение на собственных документах: загрузите их в настроенную базу знаний и оцените качество ответов.
Протестировать ИИ-ассистента
В строительстве, производстве, добывающей отрасли и финансах сотрудники работают с большими массивами регламентов, ГОСТов и внутренних документов. При подготовке отчёта, прохождении проверки или аудита данные приходится искать в нескольких системах и сверять с первоисточниками. На это может уходить до нескольких часов в день.
Совместное решение KTS и Selectel помогает значительно сократить время поиска информации. Сотрудник задаёт вопрос на естественном языке и получает структурированный ответ со ссылкой на документ и конкретную страницу.
Также ассистент умеет:
— подключаться к wiki, СЭД, файловым хранилищам и нормативным источникам;
— суммаризировать длинные документы;
— выделять тезисы, обязательства и риски;
— экспортировать ответы в Word и PDF;
— учитывать права пользователей через системы управления доступом (IAM и SSO).
Безопасность заложена в архитектуру решения на нескольких уровнях. Система автоматически маскирует чувствительные данные, а встроенные механизмы контроля (guardrails) проверяют запросы и ответы ИИ на соответствие заданным политикам безопасности.
ИИ-ассистент может закрывать большинство рутинных типовых запросов. Благодаря готовой инфраструктуре KTS AI Platform пилот можно запустить за две недели.
Проверьте решение на собственных документах: загрузите их в настроенную базу знаний и оцените качество ответов.
Протестировать ИИ-ассистента
🔥12
Запустили AI-ассистента для ФК «Динамо» Москва
ФК «Динамо» Москва — один из самых известных футбольных клубов России с большой аудиторией болельщиков. У клуба много информационных поводов, а у пользователей регулярно возникают повторяющиеся вопросы: когда следующий матч, где купить билеты, что нового в команде, какие товары доступны в магазине.
Чтобы быстрее обрабатывать такие запросы и снизить нагрузку на поддержку, мы запустили для ФК «Динамо» Москва AI-ассистента. Он уже работает в онлайн-чате на сайте и во внутреннем портале для болельщиков.
Ассистент помогает подобрать товары в интернет-магазине, рассказывает новости, показывает расписание матчей, объясняет, как купить билеты, и предоставляет статистику по игрокам.
Решение разработали за несколько дней на собственной платформе AI Assistant. Агент интегрирован с внутренними системами ФК «Динамо» Москва, поэтому получает актуальные данные в реальном времени и передаёт их в LLM модели для формирования ответа.
Для команды клуба мы также сделали административную панель. В ней можно настраивать сценарии, отслеживать работу ассистента и контролировать качество ответов.
Сейчас вместе с ФК «Динамо» Москва продолжаем расширять функциональность ассистента и добавлять новые точки его присутствия.
ФК «Динамо» Москва — один из самых известных футбольных клубов России с большой аудиторией болельщиков. У клуба много информационных поводов, а у пользователей регулярно возникают повторяющиеся вопросы: когда следующий матч, где купить билеты, что нового в команде, какие товары доступны в магазине.
Чтобы быстрее обрабатывать такие запросы и снизить нагрузку на поддержку, мы запустили для ФК «Динамо» Москва AI-ассистента. Он уже работает в онлайн-чате на сайте и во внутреннем портале для болельщиков.
Ассистент помогает подобрать товары в интернет-магазине, рассказывает новости, показывает расписание матчей, объясняет, как купить билеты, и предоставляет статистику по игрокам.
Решение разработали за несколько дней на собственной платформе AI Assistant. Агент интегрирован с внутренними системами ФК «Динамо» Москва, поэтому получает актуальные данные в реальном времени и передаёт их в LLM модели для формирования ответа.
Для команды клуба мы также сделали административную панель. В ней можно настраивать сценарии, отслеживать работу ассистента и контролировать качество ответов.
Сейчас вместе с ФК «Динамо» Москва продолжаем расширять функциональность ассистента и добавлять новые точки его присутствия.
👍6🔥3❤2
Какие процессы можно автоматизировать поверх корпоративной базы знаний от KTS × Selectel
ИИ-поиск помогает сотрудникам быстрее находить и проверять информацию. Следующий уровень работы с корпоративными знаниями — автоматизированные цепочки под конкретные процессы компании.
Решение KTS и Selectel можно использовать для различных сценариев:
— подготовки черновиков документов;
— проверки отчётной документации;
— контроля контрактов с поставщиками;
— мониторинга рисков;
— поиска аналогов неисправностей;
— поддержки сотрудников по вопросам техники безопасности и обслуживания оборудования.
Такие цепочки сокращают ручную работу в регламентированных операциях и ускоряют подготовку и согласование документов.
В совместном решении KTS отвечает за платформенный слой: мы разрабатываем ассистентов на базе собственного решения AI Platform. Настраиваем RAG (Retrieval-Augmented Generation), сценарий и логику работы агента, встроенные механизмы контроля (guardrails) и интеграции с источниками данных и корпоративными системами.
Наш партнёр Selectel обеспечивает инфраструктуру: ассистент может быть развернут как в облаке, так и в контуре заказчика — в этом случае Selectel предоставляет серверы с GPU (графическими процессорами) в аренду, размещая и обслуживая их на площадке клиента.
Обработка данных и эксплуатация — совместная зона: Selectel держит ресурсы и связность, а KTS контролирует индекс, качество и сценарии.
✅ Протестировать решение на собственных документах
ИИ-поиск помогает сотрудникам быстрее находить и проверять информацию. Следующий уровень работы с корпоративными знаниями — автоматизированные цепочки под конкретные процессы компании.
Решение KTS и Selectel можно использовать для различных сценариев:
— подготовки черновиков документов;
— проверки отчётной документации;
— контроля контрактов с поставщиками;
— мониторинга рисков;
— поиска аналогов неисправностей;
— поддержки сотрудников по вопросам техники безопасности и обслуживания оборудования.
Такие цепочки сокращают ручную работу в регламентированных операциях и ускоряют подготовку и согласование документов.
В совместном решении KTS отвечает за платформенный слой: мы разрабатываем ассистентов на базе собственного решения AI Platform. Настраиваем RAG (Retrieval-Augmented Generation), сценарий и логику работы агента, встроенные механизмы контроля (guardrails) и интеграции с источниками данных и корпоративными системами.
Наш партнёр Selectel обеспечивает инфраструктуру: ассистент может быть развернут как в облаке, так и в контуре заказчика — в этом случае Selectel предоставляет серверы с GPU (графическими процессорами) в аренду, размещая и обслуживая их на площадке клиента.
Обработка данных и эксплуатация — совместная зона: Selectel держит ресурсы и связность, а KTS контролирует индекс, качество и сценарии.
Please open Telegram to view this post
VIEW IN TELEGRAM
👍7🔥4
MCP для Яндекс Трекера пробил 100 звёзд на GitHub⭐️
Когда-то давно мы сделали сервер для собственных процессов: с ним AI-ассистенты создают и обновляют задачи, дополняют описания, оставляют комментарии и фиксируют затраты времени прямо в Трекере.
Потом открыли код на GitHub. И теперь видим больше 100 звёзд и радуемся, что инструмент пригодился и другим командам.
К первой сотне выпустили обновление 0.8.0. Главное изменение: MCP научился работать с проектами, портфелями и целями. Добавили 39 инструментов для поиска, создания, обновления и удаления этих сущностей, а также работы с комментариями.
Теперь агенту можно поручить создать проект, обновить статус цели или собрать информацию по портфелю. Меньше данных придётся переносить вручную между AI-ассистентом и Трекером.
В релизе есть и другие изменения. Полный список собрали в changelog.
Спасибо всем, кто пользуется сервером, ставит звёзды и помогает его развивать! 💚
Когда-то давно мы сделали сервер для собственных процессов: с ним AI-ассистенты создают и обновляют задачи, дополняют описания, оставляют комментарии и фиксируют затраты времени прямо в Трекере.
Потом открыли код на GitHub. И теперь видим больше 100 звёзд и радуемся, что инструмент пригодился и другим командам.
К первой сотне выпустили обновление 0.8.0. Главное изменение: MCP научился работать с проектами, портфелями и целями. Добавили 39 инструментов для поиска, создания, обновления и удаления этих сущностей, а также работы с комментариями.
Теперь агенту можно поручить создать проект, обновить статус цели или собрать информацию по портфелю. Меньше данных придётся переносить вручную между AI-ассистентом и Трекером.
В релизе есть и другие изменения. Полный список собрали в changelog.
Спасибо всем, кто пользуется сервером, ставит звёзды и помогает его развивать! 💚
🔥16👍7😁2❤1