💵 Зарплата 9 тысяч евро на валютной удаленке

На линкедине мне пишут эйчары с предложениями поработать. Вилки в среднем от 4 до 7к$ — это выше чем на РФ рынке, но требуется хорошее знание языка, работа не из РФ и мэтч по culture fit. Иногда приглашают на ооооочень интересные позиции. Как, например, эта:

Role: Senior Full-stack Engineer
Compensation: €6K – €9K monthly + stock options
Location: Europe (EU, UK, Serbia)
Stack: TypeScript, MongoDB, Playwright/Vitest, AWS ECS, and GitHub for CI/CD

Я, конечно, сразу перевёл евро в рубли, посчитал и уже радовался.

Подготовка
Когда начал готовиться к собесу понял, что не всё так просто))
Сам проект = AI-сервис для быстрой работы с аудио + видео.

Я вбил в Клод роль интервьюера и спросил, какие могут быть вопросы и задания. Он накидал терминов и вопросов по обработке видео и аудио и сразу стало понятно: на беке будет непросто. Сервисы по обработке файлов, сложный пайплайн вместе с AI, ретраи, стриминг и всё такое. Но и фронт там не сильно проще. Нужно разбираться в кодеках, библиотеках для аудио. В общем, куча всего.

Я поверхностно всё прочитал и ознакомился: проект максимально необычный, с таким я на практике сталкивался всего один раз. Потом набросал в Miro потенциальную архитектуру системы: сервисы бека, фронт, ML-сервисы, все интеграции, API, workflow, диаграммы последовательностей.

Делал это всё, чтобы на интервью можно было говорить о технических моментах как будто я уже это проектировал. Ну и продукт изучил максимально посмотрел, на какой он стадии, что подкинуло мне вопросов для самого интервью.
(не забываем задавать вопросы — это даёт бонус поинты)

Долгожданное интервью
Прошло супер просто, классно и на лёгкой волне.
Поговорили про их продукт, про мой опыт. Технических вопросов почти не было = это был просто диалог. CTO хотел узнать два вещи:

1. Как я подхожу к проектированию — весь флоу от и до, на каких стадиях что делаю, как смотрю на сложные технические аспекты при проектировании архитектуры.
2. Сложные trade-offs из моего опыта — что делал и почему.

Честно говоря, на втором вопросе немного растерялся в этот момент. Никогда подобных вопросов не задавали. Начал вспоминать кейсы. Быстро вспомнил, как проектировал большое e-commerce приложение: почему выбирал между монолитом и микросервисами на беке и стоит ли использовать микрофронты.

Потом поспрашивал про проект сам — мне реально был интересен продукт. Как у них работают ML-сервисы, какой план на ближайшие полгода-год.


Итого
Всё прошло гладко и без сложностей. Уверен, сейчас джунов за 30 тысяч рублей изничтожают на собесах в 10 раз сильнее, а тут просто разговор.
На таких позициях смотрят на другое: как ты думаешь, как действуешь в сложных ситуациях, как проектируешь и как чётко умеешь донести свою точку зрения. Никто не спросит:

как работает event loop в Node.js.

Через пару дней пригласили на следующий этап с лайфкодингом.
Собес есть в записи, подрежу и ориентировочно в мае выложу.

Ускорить работу с помощью ИИ в 3 раза

Подъехали первые отзывы по прохождению моего курса по ИИ.

Владислав @Vlad_Pv, Руководитель MLOps направления

Данный курс помог собрать мне в голове целостную картинку - как подходить к AI разработке. После этого курса я понял - что использовал все возможности AI инструментов только на 5% - это сильно повысило эффективность. В своей профессии я часто собеседую людей, и когда даю задания по вайбкодингу (например, с собрать MVP) - почти никто не использует те возможности инструментов, которые есть.
Этот действительно поможет вам прокачаться в разработке - рекомендую!

Анатолий @anknnv Frontend-разработчик

Недавно начал пользоваться Курсором и не понимал многого. Контест, агенты и прочее было для меня как темный лес. Использовал просто как Константин в уроках говорит "как Google" и сталкивался с различными проблемами: ответ абстрактный, решение неверное и самое главное токены быстро улетали и подписка кончалась за несколько дней.

В курсе нашел для себя нужную информацию. Понял как как фиксить баги с меньшей головной болью. Разработка новых фич и отладка ускорилась в разы.

Как кончится подписка на Курсор планирую изучать Клауд код и посмотреть ролик про него. Спасибо большое за советы и практические уроки. Жду также уроки по MCP и практику по проектированию целого приложения, уж очень интересно было бы посмотреть))

27

Сегодня стал на год старше и вот какие невероятные инсайты я понял:

1. Нужно хорошо спать
2. Кушать вкусную еду
3. Делать бегит и спорт

А серьезно за год супер много поменялось. Оказалось развивать свои продукты, обучать людей и вести ютуб гораздо в разы сложнее чем просто сидеть на зп на трех работах.

Я стартовал свою первую работу верстальщиком в 18 лет.
Сейчас уже 9 лет в IT.
Что понял за это время:

1. Скиллы важны. Но умение продавать важнее.
Деньги приходят от умения продавать себя.
Можно быть сильным разработчиком и сидеть на 100к.
А можно быть просто нормальным и зарабатывать в разы больше, потому что умеешь себя продать.

2. Адаптация решает.

Сейчас всё меняется слишком быстро: технологии, требования, найм. И не важно какой рынок был вчера и как звали на тысячи собесов с зп 900к.
Те, кто цепляются за «как было раньше» выпадают из игры.
Выживут те, кто умеет быстро перестраиваться.

3. Фронтенд = мертв.
За последний год я устроил 20 человек.
И честно это было очень сложно.

Сейчас начал работать с фуллстеками и бекендерами и это в разы проще, чем пробиваться через 5к откликов на каждой позиции.

Цели на следующий год:
Кайфовать
Вкусно кушать
Путешествовать
Может даже найти себе тарелочницу

Собес на 600к. Техничка.

Сходил на собеседование по этой вакансии, на деле оказалось очень просто. Было ощущение что знаю больше про агентную архитектуру чем собеседующий.

Вкратце сам собес был такой:

1. Рассказ о себе о опыте
2. Секция фронтенд
- Архитектура фронтенда (FSD, feature-based, микрофронты, монорепа)
- как внедрить кнопку контекстного меню с LLM во все приложения фронта (перечислить)
3. ИИ секция
- Как проектировал ИИ-ассистента? ( RAG, данные, чанки, векторные БД )
- с какими ошибками сталкивался у агентов?
- оркестрация агентов (LangChain, LangGraph)
- мульти-агентная архитектура
4. Бекенд секция
- транзакции
- kafka vs rabbitMq
- базовый питон
- как общаются микросервисы?

Сам собес в открытый доступ выкладывать не планирую, а думаю оставить его только в рамках своего курса.

Фронтенд мертв. Что дальше ?

За месяц пообщался с 10 разными фронтами и у всех плюс минус одна проблема:

Фронт вакансий супер мало, хочется развиваться но непонятно куда

На счет рынка действительно все супер плохо по 5к откликов на вакансию, жесткий демпинг по зп и так далее.

Выбираться из этого я рекомендую переходом в фуллстек/бек. Самый быстрый способ. Выучить ноду/питон/гошку и работа явно быстрее найдется в разы.

Само обучение может занять от 1.5 до 3-4 месяцев. В случае с нодой супер быстро, но вакансий поменьше чем на том же питоне.

Плюс учитывая развитие ИИ все это можно выучить супер быстро и пойти работать клепать апишки.

Как я вижу самые популярные и интересные решения для ИИ приложений делаются на питоне + тайпскрипте. Как один из вариантов погружения.

Адаптироваться в любом случае придется, если хотите находить новые проекты или апать зарплату.

Использование нейронок в закрытом контуре

У многих компаний есть NDA по запрету отправки кода в внешние LLM.

Почему?
1. Безопасность
За счет данных кодовой базы можно найти утечки и поломать приложение. Учитывая современные гибридные войны этот аспект очень важно учитывать.
2. Коммерческая тайна
Стратегические планы.
Сведения о партнёрах и контрактах.
Тендеры и переговоры.
Что угодно может повлиять на работе компании в дальнейшем.

Как крупные компании решают эту проблему ?
Крупные компании идут другим путём: запускают модели прямо на своих серверах. Qwen и Llama самые популярные варианты на текущий момент.

Пример:

from ollama import Client

client = Client(host='http://localhost:11434')

response = client.generate(
    model='qwen:7b-code',
    prompt="""Проанализируй код нашего микросервиса:
    
{SECRET_CODEBASE}

Найди уязвимости"""
)

Qwen наверное самый известный и на слуху. Одна из лучших open-source моделей для кода. Но есть подвох.
Кто пользовался говорят что модель «глуповата».

Все из-за того что локальная модель имеет небольшое контекстное окно.

Локальный Qwen видит только 32K токенов контекста.
Если ваш микросервис состоит из 20 файлов,
модель видит максимум 2-3 из них полностью.

Но это локальная модель поставленная на собественный компьютер. У больших компаний есть большие ресурсы. Они могут поставить мощную модель и потом "тюнить" ее под нужды.

Локальные модели будут глупее условного Клода. Но у крупных компаний есть большие ресурсы и они могут использовать fine tuning для улучшения качества кодинга.
Если есть данные на которых можно обучить ( десятки тысяч строк кода ), модель в крупной компании так и обучат.

MCP изнутри: составные части и пишем свой сервер
В прошлый раз разобрали зачем нужен MCP и какую проблему он решает. Сегодня смотрим что там внутри и как написать свой сервер с нуля.

Три участника: Host, Client, Server
Любая MCP-система состоит из трёх частей.
MCP Host = это приложение, в котором живёт AI-агент. Например Claude Desktop, Cursor. Хост запускает всё и управляет соединениями.

MCP Client = живёт внутри хоста и общается с сервером один-к-одному. Один клиент = одно соединение с одним сервером.
Клиент это посредник: передаёт запросы от агента и возвращает ответы обратно.

MCP Server = лёгкая программа/сервер, которую пишете вы. Она подключается к вашим данным (БД, API, файлы) и отдаёт их агенту.

Что умеет отдавать сервер : три примитива
Сервер может отдавать три вещи.
Tools = функции, которые AI вызывает сам. Запрос в базу, отправка письма, вызов API. Аналог POST-эндпоинта: что-то выполняется и возвращается результат.

Resources = данные, которые AI читает в контекст. Файл, строки из таблицы, содержимое документа. Аналог GET-эндпоинта: просто читаем, не меняем.

Prompts = готовые шаблоны для типовых задач. Стандартные заготовленные шаблоны для ваших целей.

Для большинства практических задач достаточно Tools. Их используем чаще всего.

Пишем свой MCP-сервер на TypeScript
Используем официальный SDK от Anthropic @modelcontextprotocol/sdk.

Пример: сервер с одним тулом, который возвращает данные по проекту из условной базы.

// Создаём сервер с именем и версией
const server = new McpServer({
  name: “vash-server",
  version: "3.2.2",
});

// Регистрируем тул функцию, которую сможет вызвать AI
server.tool(
  "get_project_data",                        // имя тула
  "Получить данные по проекту за период",    // описание для AI
  {
    project_name: z.string().describe("Название проекта"),
    month: z.string().describe("Месяц в формате YYYY-MM"),
  },
  async ({ project_name, month }) => {
    // Здесь ваша реальная логика: запрос в БД, вызов API и т.д.
    const data = await fetchFromDatabase(project_name, month);

    return {
      content: [{ type: "text", text: JSON.stringify(data) }],
    };
  }
);

Что тут происходит: создаём сервер, описываем тул с параметрами через Zod-схему (AI сам разберётся какие параметры передавать), внутри пишем любую логику.

И дальше подключаемся например к Claude desktop

{
  "mcpServers": {
    "vash-server": {
      "command": "node",
      "args": ["/путь/до/вашего/server.js"]
    }
  }
}

Теперь можно писать в чат: "выдай данные по проекту Альфа за январь 2025" и Claude сам вызовет ваш сервер.

1000 тулов MCP для ИИ-агента

Мы уже разобрались что такое MCP, из чего он состоит и как написать свой сервер. Но часто совершают серьезную ошибку при работе с MCP.

Этой ошибкой является дать агенту все доступные тулы и отправить работать. Агент не понимает контекст так, как понимаете его вы. Он выбирает тулы на основе описаний и текущего промпта. И может вызвать тул, который не предусматривался.
Но почему это так критично?

1. Безопасность
Каждый тул расширяет поверхность некорректного выполнения.
Представьте агент для аналитики продаж. Вы подключили ему MCP-сервер с тулами: get_sales_data, send_email, delete_records, update_user.
Агент хочет отправить отчёт вызывает функцию send_email. Но в промпте была неоднозначность, и он решает "помочь" почистить старые данные через delete_records.
Никакого злого умысла. Просто был доступ, и он решил что так правильно.

2. Надёжность
Чем больше тулов, тем выше шанс что агент выберет не тот. Модели путаются при большом выборе, особенно если описания тулов похожи между собой. Результат: непредсказуемое поведение, которое сложно дебажить.

3. Скорость и стоимость
Это часто забывают. Каждый тул это дополнительные токены в контексте. Описание, параметры, схема всё это обрабатывается при каждом запросе.
Чем больше тулов, тем:
- дольше обрабатывается запрос
- дороже каждый вызов (токены описаний входят в input tokens)
- ниже точность выбора нужного тула

При 5 тулах модель выбирает правильный почти всегда. При 50 точность заметно падает.

Принцип минимальных привилегий
Тот же принцип, что и в безопасности обычных систем: давай доступ только к тому, что нужно для конкретной задачи.
Агент для чтения аналитики? Только read тулы.
Агент для отправки отчётов? Только на отправку.

Один агент = один набор тулов под его задачу.

Как это на практике

Регистрируем тулы динамически только нужные для конкретного агента:

// ❌ так лучше не делать
server.tool("delete_records", ...);
server.tool("send_email", ...);
server.tool("update_user", ...);

// ✅ только то, что нужно агенту
const allowedTools = getToolsForAgent(agentRole); // ["get_sales_data"]

allowedTools.forEach(toolName => {
  server.tool(toolName, toolDefinitions[toolName]);
});

В реальности можно описывать доступные функции агенту в зависимости от его роли.

Что ещё можно сделать
Логировать каждый вызов тула. Если агент что-то сломал, вы должны знать что именно и когда.
Перед delete или update добавить еще проверку доп проверку.
Ну и обязательно тестировать агента в изолированной среде перед боевым запуском.