Последний пост про менторство

Закрываю менторство до начала осени :) Хотя может быть и не до начала осени, учитывая, что происходит с рынком.

Есть вероятность, что это последний набор, так как рынок усложняется все сильнее, но сейчас мои ребята успешно трудоустраиваеются, поэтому ничего не обещаю

Кстати, про учеников

У нас были те, кто увеличивали ЗП в 7 раз, получали офферы в крупные БигТехи, находили клевые проекты и даже те, кто частично благодаря менторству обретал семейное счастье

Больше историй можете почитать здесь - https://t.me/sanya_it_otzovi

Обычно в таком контенте другие менторы жОско продают, но я лишь вам скажу, что мое менторство - это не курс, пачка консультаций или что-то еще

Это полноценная эко-система, в которую вы погружаетесь и за счет большой команды профессионалов, видео-материалов и моего личного опыта получаете оффер и растете, как специалист. Более подробно рассказывал здесь

Если считаете, что лучше пробовать самостоятельно, то вам сюда

Думаете, что лучше подождать? Вам сюда

Хотите вырасти внутри компании? Тогда сюда

Заставлять покупать никого не буду, поэтому на этом все :)

Но если вы еще думаете и не хотите проморгать возможность получить оффер в ближайшие 2-3 месяца, то оставить заявку ещё можно

Для этого просто пишите мне в личку или переходите по ссылке: https://t.me/m/Q-GnBX_IMTJi

Ну что ж, как и обещал, рассказы о менторстве пока ставлю на паузу 😄

Первая новость: мы с семьёй сейчас в отпуске, в Китае 🇨🇳

Эту поездку планировали давно. Больше года назад дочь увидела в детском мультике Китайскую стену, потом смотрела с мамой «Сокровища Императора» и в какой-то момент сказала: всё, хочу в Китай. Забавно, конечно. У неё в таком возрасте мечта про Китай, а у меня тогда пределом мечтаний была новая резина на велик.

Я ей тогда сказал: хорошо закончишь подготовку к школе, поедем. Закончила на 19.5 баллов из 22. Уже читает достаточно бегло, но математика ей даётся лучше. Сказано, сделано.

Хотя, если честно, больше всех в Китай хотел наш старший ребёнок. Девочка Леночка, 30 годиков от роду 😄 Она фанатка Гарри Поттера и давно мечтала попасть в Universal и Диснейленд.

Вообще сам отпуск у меня был запланирован ещё с прошлого года. По России за это время тоже поездили немало, и в прошлом году, и в этом. Но последний зарубежный отпуск был ещё в апреле прошлого года: тогда ездили в Египет, в Rixos. А сейчас решили устроить совсем другой формат отдыха.

Интересно вообще, если потом подробнее расскажу про маршрут, цены и впечатления? Если да, накидайте 🔥

Это всё круто, а море то где?

Когда рассказываешь людям наш маршрут по Китаю — Пекин, потом Гуйлинь, потом Шанхай, — очень многие почти сразу спрашивают: «Так, а море где?» Иногда даже уточняют, какое именно море будет. А моря у нас нет вообще по плану. И меня это никак не смущает.

Я понимаю, почему этот вопрос возникает. Для многих отпуск — это поехать туда, где можно купаться, пить коктейли в лежаках, обгорать как курочка в KFC. Это нормальный формат, год назад в Египте у нас такой и был.

Но у меня обычно надолго не получается так жить даже в обычной жизни. Если у меня нет срочных рабочих задач, я всё равно довольно быстро нахожу себе занятие. Что-то порефачить, что-то почитать, что-то настроить, что-то прикрутить новое. У меня голова так работает. Мне постоянно хочется чем-то заниматься.

С поездками у меня примерно так же. Мне нравится, когда есть маршрут. Когда сегодня один город, завтра другой. Когда нужно куда-то идти, ехать, смотреть, выбирать, что-то делать по ходу дня. От такого формата я не устаю морально. Правда, физически детей таскать бывает непросто, но не зря ж я в зал хожу?)

Поэтому отпуск без моря у меня вообще не вызывает ощущения, что чего-то не хватает. Мы уже в Китае, у нас Пекин, Гуйлинь, Яншо Шанхай, Хучжоу (или как его там) переезды, прогулки, парки, новые места почти каждый день. И всё это вот с этими товарищами с фото )

Наверное, всё упирается просто в привычку к определённому ритму. Кому-то хорошо, когда можно замедлиться и неделю жить очень спокойно. Ну в этот раз я осмысленно выбрал не такой вариант отдыха.

Так что отсутствие моря в этом маршруте меня вообще не беспокоит. Может, я пожалею о том что выбрали слишком насыщенную программу, но не об отсутствии моря точно)

Пью пиво с видом на пекинский Хогвартс 🏰

Исчезнет ли профессия frontend-разработчика в ближайшие пару лет?

Сегодня вместо моей довольной рожи из Китая - фото из такси в дороге и лонгрид с мыслями на тему ближайшего будущего.

Умрёт ли фронтенд как профессия? Ряд моих знакомых в это реально верит. Давайте разберёмся. Вообще, я такое слышал когда начали появляться первые WYSIWYG редакторы (там где формочки мышкой перетаскиваешь и шрифты редактируешь как в MS Word) вёрстки и конструкторы сайтов (как сейчас Тильда). В который раз слышу с пометкой "это другое"😁

Насчёт "другое" - соглашусь - современные ИИ-инструменты генерируют вёрстку по картинкам, объясняют баги, проектируют и реализовывают микросервисы с БД, MQ, кэшированием и не только за пару часов. Кажется, ещё чуть-чуть — и разработчик не нужен?

Сначала я хотел продолжить этот пост размышлениями о том, что работа frontend-разработчика это не только вёрстка по макетам и интеграция с определёнными API. Но сейчас мне кажется это каким-то оправданием, которого вообще быть не должно. Об этом поразмышляю в другой раз.

А сегодня давайте посмотрим на другие специальности, работу которых значительно упросил ИИ.

Дизайнеры. Midjourney, Nano banana, Veo, Figma AI генерируют отличные вещи за минуты. Казалось бы — профессия умерла. Но дизайнеров не стало меньше. Стало меньше тех, кто делал только механическую работу: нарезал иконки, переносил макеты по пикселям. Те, кто понимает пользователя, выстраивает систему и принимает решения — загружены больше прежнего.

Копирайтеры. ChatGPT пишет тексты лучше дешёвого копирайтера. Рынок простого текстового контента действительно схлопнулся. Но редакторы, стратеги и те, кто умеет выстраивать голос бренда — в цене как никогда. Лично я быстро перестаю читать авторов, у которых нейроночная стилистика текстов. Лучше б с матом писали, но сами, ей богу)

Тестировщики. Автогенерация тест-кейсов, AI-агенты, которые сами кликают по интерфейсу и ищут баги. Ручное тестирование сокращается. QA-инженеры, которые проектируют стратегию тестирования и думают о качестве системно — востребованы.

Аналитики. Бездушный ИИ не пропустит несостыковки в требованиях, и сам себя проверит. Да, кожаный аналитик будет проклинать заказчика за шестой круг правок. Но он честно скажет - вот тут давай заложим х2 по срокам, смежники - те ещё проёбщики. Или просто скажет - фича прикольная, но можно заюзать готовое решение от другой команды, они скоро его выкатят.

И можно ещё кучу неайтишных примеров привести с различными инженерами и даже врачами. Ну а что, я недавно сдал ежегодный чекап, загрузил результаты анализов в perplexity и проанализировал с помощью Claude Sonnet. Потом ходил к терапевту, так он намного меньше подробностей мне дал.

Паттерн один и тот же: ИИ убивает не профессию, а её нижний порог.

Это значит, что джун, который раньше мог год расти на простых задачах типа собери компонент по макету или поправь мелкий баг - теперь не нужен вообще. Но и сеньор, который умеет только писать код, но не умеет думать о продукте и людях — внезапно оказывается уязвим.

Фронтенд не исчезнет, но он перестал быть изи вариантом для тех, кто хотел просто выучить React, клепать формочки и лутать бабосик не думая головой.

Согласны с моей точкой зрения или у вас другой взгляд?

Китай = технологии.

Решил еще немного поделиться впечателениями от поездки.

Как инженеру мне понравился Китай. От мелочей вроде "умных" унитазов до высокоскоростных поездов и AliPay, через который можно платить почти везде и во многих кафе достаточно отсканировать QR-код на столе, и дальше прямо внутри приложения открывается интерфейс конкретного заведения. По ощущениям, будто мини-приложения живут внутри большого родительского приложения, очень пахнет микрофронтами в webview) Спасибо встроенному в приложуху переводчику. Правда пришлось включать режим перевода с китайского на английский, а то были слишком смешные переводы местами.

Отдельно впечатлил транспорт. Вокруг очень много электромобилей: на улицах заметно тише, почти нет привычного шума и запаха выхлопа. Поймал себя на мысли, что после такого уже и себе начинаешь посматривать в сторону гибрида.

Такси в крупных городах по ощущениям раза в три дешевле, чем в России, при этом машины часто лучше. Мы даже ездили на такси между городами: около 250 км по магистралям за 2.5 часа, и вышло примерно 8000 рублей.

С поездами тоже очень сильное впечатление. Успел протестировать и высокоскоростной маршрут Шанхай — Пекин, и классический ночной купейный поезд Гуйлинь — Шанхай. Не скажу, что билеты дешевые, но по уровню комфорта - на голову выше поездов в России, хотя бы потому что поезд не болтает из стороны в сторону даже на больших скоростях.

И при этом у меня не было какого-то восторга в стиле «вот оно, будущее». Скорее наоборот: многие вещи здесь настолько удобно устроены, что быстро перестаешь их замечать. Просто не сталкиваешься с архаичными сценариями, где нужно искать наличку, что-то уточнять на кассе или тратить лишние действия на базовые вещи вроде оплаты или заказа еды.

При этом мне и в России в целом очень нравится уровень развития цифровых сервисов. Во многих сценариях мы уже давно привыкли к хорошему уровню удобства, и это тоже начинаешь особенно ценить в поездках. Помню, вот постоянно удивлялся, что у нас терминалы оплаты даже в деревнях уже были, а в некоторых "развитых" странах с этим были большие сложности. В общем, хочется верить, что в тех повседневных вещах, в которых мы отстаёт от Китая - догоним его, а то и обойдем.

По итогам поездки у меня осталось не ощущение «я увидел будущее», а мысль попроще: когда цифровые сервисы действительно доведены до ума, ты перестаешь о них думать уже на второй день. Делайте удобные и надежные сервисы, инженеры, будущее - в наших руках.

KPI на ИИ-код: это вообще нормально?

На работе появился новый KPI: доля кода, сгенерированного ИИ. Причем не любым ИИ, а только православным корпоративным, потому что “вражеские” (которые работают нормально) запрещены по правилам инфобезопасности. Тема очень неоднозначная и интересная, давайте обсудим.

Пока хочу спросить - сталкивались ли вы уже с подобным "форсированием" использования ИИ у себя на работе? Как считаете, правильно ли форсировать с помощью таких метрик? И должно ли это начинаться именно с разработчиков, ведь требования, тест-кейсы, конфиги с помощью LLM генерируются не хуже, чем код?

Пока я был в Китае, я заметил одну странность

Мне постоянно писали ребята про менторство, хотя я специально перед поездкой закрыл вход на обучение.

Я думал, что это закон подлости, но потом понял, что наш набор ввелся на майских праздниках, и многие просто были не на связи и не видели.

В связи с этим на несколько дней я делаю окно донабора на программу для тех, кто хотел попасть, но просто не успел из-за майских.

Если вдруг забыли, что такое менторство и для кого подойдет, подробная информация есть здесь

Также, если вы не уверены, нужно ли это вам, но просто хотите получить обратную связь по своей текущей ситуации, вы можете записаться на бесплатную консультацию.

С вами созвонюсь я или моя команда. Разберем ваш запрос, подскажем решение и только если вам будет интересно, предложим менторство.

👉🏻 Хочу консультацию: https://t.me/m/vGhn3WuVY2Iy

👉🏻 Хочу на менторство: https://t.me/m/Q-GnBX_IMTJi

Отзывы учеников можно почитать здесь

Кстати, 4 ученика из группы недавно получили офферы и сейчас проходят испытательный срок

Первый парень (без опыта) - пришёл в начале сентября, получил оффер в начале марта

Второй (с опытом) - пришёл в конце ноября, оффер в начале марта

Третий (с опытом но мало react) - с пришёл под конец года, оффер по в середине марта

Четвертый (опыт js, на работе не было react) - пришёл в конце ноября, оффер в конце апреля

Как все успешно пройдут ИС, поделюсь цифрами)

🤖 Первые грабли моих локальных LLM

Я давно работаю с LLM — и облачные (от бесплатных до Claude и Codex), и корпоративные модели и с локальными тоже давно вожусь: качал модели через Ollama, поднимал фронт через open-webui. Но до этого локально это всё было именно в режиме чатов.

А вот агентский режим — когда модель сама создаёт файлы, пишет в них, запускает команды — с локальными нейронками я ни разу не пробовал. Не верил, что на моём железе можно получить что-то близкое к режиму auto в Cursor с его Composer.

Но тема OpenCode давно ходит по ленте и я решил наконец потестить. Оказалось забавно)

Старт: просто создай файл

Я намеренно начал с самой примитивной задачи — попросить агента создать текстовый файл в пустой директории. Буквально:

создай файл test.md с текстом "test"

Просто базовая проверка: может ли агент вообще работать с файловой системой? Эдакий хелоуворлд в LLM)

Оказалось, это совсем не тривиально.

Грабли с первого шага

Первый враг — tool calling. OpenCode под капотом использует инструменты (write, read, bash) для работы с файлами. Модель должна не просто написать код, а сгенерировать JSON-вызов инструмента, который OpenCode потом исполнит.

На практике «из коробки» популярная связка Ollama + OpenCode завелась далеко не на всех моделях. Часть моделей честно отвечает, что tools не поддерживаются. Другие поддерживают формально, но агент говорит "создал файл, я молодец" — а файла на диске нет.

Пришлось разбираться с конфигом. Выяснилось, что ollama launch opencode — удобная обёртка, но с настройкой особо не помогает: флаги для самого OpenCode туда не пробрасываются, конфиг модели нужно прописывать вручную. Пришлось лезть в opencode.json, разбираться со схемой провайдеров, всякими limit.context и limit.output,tools: true и прочими деталями, о которых просто запуском ollama launch не догадаешься.

В итоге опыт оказался полезным: теперь понимаю, где и какие логи смотреть когда что-то идёт не как ожидалось)

Железо решает: ноутбук против Mac

Когда наконец удалось запустить базовый сценарий, стало интересно глянуть на цифры. Гонял вышеуказанную на двух машинах.

⚙️ Рабочий ноут (Windows) — i5 12-го поколения, 40 ГБ RAM, без дискретной видеокарты. Модель qwen3.5:2b — одна из самых лёгких, 2.7 ГБ.
→ 5–10 минут на одно простое действие - создать текстовый файл 😱😂. Пробовал несколько раз, быстрее не вышло.

🍏 MacBook (M4, 24 ГБ RAM) и тот же сценарий.
→ 30 секунд — 1 минута. Разница примерно в 10 раз. Apple Silicon с унифицированной памятью здесь явно выигрывает: модель целиком живёт в памяти и считается на нейронных ядрах, а не гоняется через CPU.

Но была другая проблема: корректный результат получился только 1 раз из 10 попыток. Модель стабильно путалась с путями — предлагала создать файл на рабочем столе, в домашней директории, где угодно, кроме нужной папки. Скорее всего, дело в том, как модель интерпретирует контекст текущей директории в агентском режиме.

Итоги первого раунда

Без видюхи/мака - лучше не соваться, да) Ну и кажется, что поведение модели на одном и том же промпте может отличаться в зависимости от того, насколько быстро проходит генерация. Ну или в архитектуре вообще дело. Конечно эту гипотезу нужно подтверждать еще экспериментально, но прогонять десятки тестов по 5 минут каждый - ваще не захотелось.

Что дальше

Следующий этап — те же эксперименты с моделями посерьёзнее. Уверен, больший размер модели стабильность в работе с путями и tool-calling,. Но вот пишу этот пост уже минут 40, а виндовый ноут с моделькой qwen3:8b на 5.2Gb - всё еще пишет функцию расчета палиндрома на js. 😁 Мак подобные задачи пощёлкал за 2-3 минуты на том же Квене.

Если тема локальных агентов вам интересна — поставьте реакции 👇
🔥 — интересно, но локально ещё ничего не запускал
👍 — уже пробовал гонять нейронки локально

А в комментах поделитесь своим опытом что и на каком железе запускали и что вышло)

🧪 Локальные агенты, раунд 2: qwen3:8b и задачи посложнее

В прошлый раз я гонял совсем лёгкую модель на примитиве «создай файл». Теперь поднял планку: модель qwen3:8b (5.2 ГБ в памяти) и задачи уже из разряда классических алгоритмических — «напиши проверку строки на палиндром», «напиши функцию поиска максимальной длины уникальной подпоследовательности в строке». То есть агент уже должен сгенерировать осмысленный код, а не просто дёрнуть один tool-call.

Результаты по двум машинам:

⚙️ Виндовый ноут — i5 12-го поколения, без дискретной видеокарты.
→ 45–60 минут на одну такую задачу. Да-да, почти час - быстрее написать руками)

🍏 MacBook Pro 14" (M4, не Pro-версия)
→ 1–3 минуты на те же задания.

Что важно понять про эти цифры

Обратите внимание: агенту здесь даже не требовалась логика получения контекста проекта — папка была пустой. Он просто писал код с нуля, без чтения окружения. И уже на этом виндовый ноут без видеокарты считает десятками минут.

А теперь представьте реальный проект: нужно искать по файлам, понимать что уже написано, дописывать функции, держать в голове структуру. Машина без GPU (читай — не Mac с unified memory) такое просто не вывезет — на простейшие операции будут уходить часы. Для агентского режима это нерабочий сценарий.

Что дальше

С маком эксперименты продолжу. Следующий этап — уже какой-то микропроект, где модель должна считывать контекст: что уже сделано, как корректно встроить изменения, учитывая текущие версии библиотек, соблюдая структуру и даже стиль кода. Ожидаю, что модель тут понадобится помощнее — буду брать что-то по максимуму заполняемой памяти.

Ну и про железо

Виндовый ноут из этого сравнения, конечно, выбывает. Но так совпало, что у меня скоро день рождения — и я решил подарить себе апдейт железа. Сейчас смотрю на MacBook Pro 16" с M5 Pro на 48 ГБ. Стоит он пока в относительно посильных деньгах — около 250к.

Пишу «относительно посильных», потому что конфигурации на 64 ГБ идут уже от 400к. Докидывать 150к ради потенциальных экспериментов с LLM пока не хочется, а других рабочих кейсов, где нужно именно 64, а не 48 — я придумать не могу.

Кстати, интересна разница в прайсинге. Такой же мак, но на 24 ГБ — всего на 25к дешевле. То есть за +24 ГБ доплачиваешь 25к. А если хочешь не +24, а +40 — то от минимальной конфигурации это уже +175к суммарно. Вот такая у Apple математика памяти.

Оставайтесь на связи 😉

День рождения

Сегодня у меня день рождения, и я хочу сказать спасибо.

Три с лишним года назад я начал вести этот блог без особого плана, просто хотелось делиться тем, что знаю. Сначала это были заметки для себя и пары знакомых, потом людей тут стало больше, и в какой-то момент я понял, что это уже не просто хобби.

За это время мы разобрали сотни вопросов с собеседований, поговорили про карьерные тупики, увольнения, первые офферы и смену работы. Я старался и научить чему-то, и развлечь, делился с вами своими жизненными переменами, мыслями и идеями.

Оглядываясь назад, понимаю, что через блог, YouTube и менторство удалось помочь более чем сотне людей прокачать свою карьеру в IT в России и даже за её пределами. Рад, что получилось сделать свой небольшой вклад в развитие IT-сообщества. Надеюсь, что когда-нибудь смогу так же посмотреть назад и сказать: «а вклад-то уже большой» 😊

На день рождения принято что-то желать имениннику, но я бы хотел пожелать кое-что вам.

Продолжайте расти и развиваться в своём темпе. В IT очень легко начать сравнивать себя с другими, но толку от этого обычно мало. Двигайтесь вперёд исходя из своих целей. Желаю вам побольше сил и времени осуществить всё задуманное.

И про баланс скажу отдельно — как человек, который вроде и старается его держать, но иногда всё же слышит: «папа, ну хватит уже работать». Семья, здоровье, отдых, увлечения — это не награда после дедлайна, а часть нормальной жизни. Берегите себя.

Ну и небольшой личный апдейт. Как и говорил в предыдущем посте, маленький подарок себе я всё-таки сделал: купил макбук M5 Pro на 48 ГБ 🎉

Спасибо, что читаете.

Навыки использования ИИ

Недавно на закрытом эфире по менторству один из учеников задал интересный вопрос:

«Саня, ИИ сейчас везде — наверное, навыки использования различных ИИ-помощников и инструментов на базе LLM как-то должны отражаться в резюме? Что думаешь?»

У меня был достаточно долгий ответ, минут на 10. Хотел сразу написать дальше пост-разбор на эту тему, но остановился.

Решил сначала спросить вас потому что интереснее услышать реальный опыт у подписчиков.

Два вопроса к вам:

— Есть ли в вашем резюме что-то про ИИ? Если да — в каком виде?

— И как считаете: стоит ли вообще это писать, или есть риск негативной реакции от работодателя?

Пишите в комменты, свои мысли обозначу в следующем посте, разберу ваши мысли там же.

Микрогайд: ИИ в резюме, как об этом нормально написать?

Начну с предостережения. Всё ещё есть люди, которые считают: «ИИ пишет фигню, код неподдерживаемый, одни баги». И среди руководителей таких немало. Никита в комментариях к прошлому посту написал «пофиг на такого работодателя» — и в целом я с ним согласен. Но у многих кандидатов сейчас ситуация не такая, что предложений вагон. Да и лид этот может быть отличным специалистом — просто не было у него в команде людей, которые умеют грамотно работать с LLM. Возможно, вы будете первым.

Но вряд ли его зацепит просто строчка «ChatGPT, Claude» в списке навыков. Что уж говорить о тех лидах, которые сами на острие и активно внедряют ИИ-инструменты — таких и вовсе не проймёшь просто добавленными Ollama и OpenCode в стек.

Добавить ИИ-инструменты в список навыков — полезно, но скромно. Это даст пару процентов релевантности там, где такие слова вдруг указаны в требованиях вакансии. Небольшой плюс, не более.

Намного сильнее — раскрыть опыт через результат.

Например, в раздел достижений вполне можно написать: «Увеличил тестовое покрытие с 20 до 95% за два дня, применив Claude Code для генерации тестов». Обратите внимание: тесты — это социально приемлемый пример. Типа ты не вайбкодер, который коммитит не читая, но уже и не ретроград, который «руками, пусть и медленнее, зато качественнее».

Ещё один хороший пример — документация. Даже не самые мощные модели хорошо читают, понимают и документируют код. Поэтому вполне рабочим результатом будет: «С помощью ИИ устранил техдолг по JSDoc на проекте». Тот же посыл: осознанный разработчик, который использует инструмент, но аккуратно.

Для контраста напишу пример как делать не надо. Строчка "реализовал %названиеКрутойФичи% за 2 часа используя Cursor" - однозначно кал. Сразу ловите черную метку "вайбкодер". Нет, ну такое достижение может понравится какому-то лиду. Но потом не говорите что Саня вас не предупреждал, когда этот эффективный менеджер будет требовать от вас реализовать 4 таких крутых фичи за день. Ну а что, 8 / 2 = 4 фичи, математика, мать её)

Мой базовый совет №1 при работе с ИИ-кодом — проверяйте то, что генерируется. И не обязательно вручную с первой же итерации — для первичной проверки отлично подходит другой LLM, только чуть поумнее.

А ещё ИИ-ревью можно встроить прямо в пайплайн — и пусть проверяет все пул-реквесты на проекте автоматически. Из этого вырисовывается ещё один сильный результат для резюме: «Ускорил и улучшил качество code review, добавив автоматическую проверку Pull Requests через DeepSeek API».

Согласитесь — когда пишете об ИИ в терминах результата выглядит намного лучше чем "Навыки: React, TypeScript, ChatGPT, HTML, CSS".

Локальные LLM: вторая итерация. Qwen3-Coder 30B + OpenCode

Парой постов выше я гонял локальные модели под простые задачи без контекста — короткие вопросы, генерация отдельных функций. Из интересного только подтверждение никчёмности попыток сделать это на ноутах без отдельной видюхи или маке.

Дальше взял проект, который я сделал и использую под свои нужды (монорепозиторий с backend, web и desktop), и дал локальной модели настоящую работу. Вот что из этого вышло.

Дано
- MacBook Pro с 48 ГБ
- Ollama — как сервер моделей
- Qwen3-Coder:30b — модель
- OpenCode — агент

Почему Qwen3-Coder, а не Qwen

Qwen3 делится на две линейки: универсальные чат-модели и специализированные Coder-версии. Для задач «разобраться в репозитории, настроить конфиг, сделать рефакторинг» нужен именно Coder — он обучен на агентных сценариях и работе с репозиториями. Универсальная модель напишет тебе hello world, Coder-версия — ну, вроде как умеет планировать многошаговые правки. Посмотрим.

Про архитектуру — совсем коротко

Qwen3-Coder работает на архитектуре MoE (Mixture of Experts). Если совсем просто: у модели 30 миллиардов параметров, но в каждый момент активна только небольшая их часть. Пока другие модели похожего уровня жрут 25–30 ГБ, этой должно хватать 13–22 ГБ в зависимости от нагрузки. На 48 ГБ — вполне живётся. Не стал пытаться с ходу заюзать всю память "под завязку", чтоб еще процессам ноды/докеру/браузеру хватало.

Первый подводный камень: контекст

Ollama по умолчанию даёт модели 4k контекста. Совсем мало. Модель читает несколько файлов и уже теряет начало задачи. OpenCode требует минимум 64k, лучше — 128k.

Казалось бы, прописал нужное значение в конфиге OpenCode и готово. Но нет: OpenCode обращается к Ollama через OpenAI-совместимый endpoint, который это значение просто игнорирует. Помог только Modelfile — способ «запечь» параметры прямо в модель на стороне Ollama.

Как оно

Начал с простого: попросил разобраться в структуре проекта и описать функционал. Модель что-то поняла, но заодно выдала инструкцию по запуску с пунктом «установите зависимости» — при том, что зависимости уже стоят и она могла бы проверить. А вот Claude Haiku даже такой фигни не допускал, ну ожидаемо.

Дальше — попросил настроить линтер в desktop по аналогии с frontend. Справилась. Попросил то же самое в backend. И тут началось:

1. Добавила type: module в package.json — сломала сборку
2. Добавила лишнюю скобку в package.json и не убедилась, что он рабочий
3. Попросил исправить — удалила и лишнюю, и нужную 😡

При этом контекст был чистый, свежая сессия, и к моменту финального факапа потрачено всего 39k токенов из 128k — треть окна.

Да ты просто не умеешь их готовить!

Знаю, что при работе с агентами надо: давать атомарные задачи, иногда указывать что трогать нельзя, делать коммит перед каждой нетривиальной задачей, короче обмазываться правилами, да посильнее.

Но как я увидел, проблема не в правилах, а в том, что модель не симулирует side-эффекты своих правок. Она увидела type: module во frontend → перенесла по аналогии, не проверив как backend собирается. А дальше правки поверх поломанных правок.

Да, после каждого подобного кейса можно добавлять строчку в AGENTS.md которая бы это предотвращала явно. Но у меня там было про то, что нужно проверять изменения. Но расписывать более атомарно - тут уже попадаем на риск того, что объём наших правил будет сжирать контекст. Будет модель зарегулированная, но еще более тугодумная.

Промежуточный вывод

Понимал, что локальная модель будет работать хуже облачных аналогов. и не рассчитывал, что локальный агент станет полной заменой, хотя некоторые пишут что 30B модели у них творят чудеса. Ну я им сразу не поверил, но решил своими ручками убедиться.

Хотелось большего, но есть и повод для оптимизма: файлы создаются, модель реально изучает текущий код, понимает структуру проекта, что-то дописать может.

Следующим шагом пока вижу попробовать MLX вместо Ollama (должно быть побыстрее) и Qwen3-Coder-Next как более свежую и агентно-устойчивую версию. А у вас как с локальными моделями?

Claude Fable 5 и Sonnet 5. Делюсь первыми впечатлениями

В предыдущем посте писал про эксперименты с локальными LLM, но в основном-то я пользуюсь облачными моделями, просто мало про это пишу. Исправляюсь.

У Anthropic вышли Fable 5 и Sonnet 5 — конечно же, сразу пошёл пробовать. Но сначала коротко, что там нового.

Что изменилось

— Fable 5 — типа на голову выше Opus. На главном агентском бенче по кодингу SWE-bench Pro выдаёт 80.3% против 69.2% у Opus 4.8. Стоит в два раза дороже Opus.

— Sonnet 5 — самый «агентский» Sonnet: 63.2% на том же SWE-bench Pro против 58.1% у Sonnet 4.6, и по ряду задач почти догоняет Opus при цене $2/$10 (вводная цена до конца августа). Но есть нюанс: у новых моделей новый токенизатор, и тот же текст теперь разбивается примерно на 30% больше токенов, чем в версиях 4.x.


Мои наблюдения

Свежая отсечка знаний — для меня плюс: модели реже лезут в Context7 (это MCP для получения актуальной документации, без которого модели плохо дружат с последними версиями библиотек), если еще не юзаете - обязательно подключите, для агентской разработки самая полезная штука из всех MCP именно для разработки.

Тут у Fable случился небольшой провал. Он спроектировал мне фичу со стримингом аудиопотока на старой gpt-4o-mini-transcribe, хотя ещё в мае вышел GPT-Realtime-Whisper. Видимо, посчитал себя достаточно свежим и в Context7 не сползал на автомате. Пришлось подрулить и явно сказать: эй, мы юзаем более свежее решение, проверь доки по нему.

Дальше по разработке нареканий не было, но и поюзал пока немного.

Про огромный контекст. Да, он теперь есть (и был с 4.6), но я стараюсь работать через многошаговые декомпозиции, поэтому очень уж много контекста мне и раньше не требовалось. Куда важнее правильно структурировать код и документацию, чтобы модели было легко найти нужную инфу, а не держать в контексте весь проект целиком.

Вердикт

Пока сдержанный. Может, потому что начитался, какой Fable суперкрутой — Пентагоны взламывает и всё такое. Либо это я на фоне ожиданий дал ему не самую простую фичу.

Полноценный бенчмарк я не делал — есть люди, которые на этом специализируются и ключевые цифры дал выше. Мой вердикт на сейчас: апдейт засчитан, но другим уровнем, как если сравнивать локальные модели, которые пробовал и тот же Opus - не назову. Возможно, в других сценариях он себя покажет.

Рекомендация: если у вас есть подписка Claude — до 7 июля успейте погонять Fable и сформировать своё мнение, пока дали лимитов на его использование в рамках базовой подписки.

А вы уже пробовали новые модели? Делитесь в комментах 👇