Анализ процессов код-ревью в команде разработки Claude Code. Рассматриваются подходы к интеграции ИИ-инструментов в рабочий процесс разработчиков для повышения качества кода.
Статья разбирает проблему, когда улучшение общих метрик качества модели маскирует серьёдное падение производительности на отдельных сегментах данных. На примере классификатора объявлений показано, как выявлять такие скрытые ошибки с помощью анализа срезов и определять критерии готовности модели к релизу.
Автор описывает проект MemShelf, созданный для решения проблемы потери контекста в длинных сессиях общения с языковыми моделями. Предлагается механизм независимой внешней памяти, который позволяет агенту сохранять и извлекать информацию вне зависимости от ограничений контекстного окна модели.
Автор объясняет разницу между простой базой заметок и системой, способной к анализу. Описан практический опыт настройки AI-агентов для обработки и поиска информации в массиве из 200 тысяч файлов, превращающем хранилище данных в интеллектуальную систему.
В статье описан внутренний проект ЮMoney — сервис Text2SQL, позволяющий пользователям получать ответы на вопросы на естественном языке. Система самостоятельно генерирует, проверяет и выполняет SQL-запросы, возвращая результат в виде текста, таблицы или графика. Инструмент создан для ускорения получения аналитики без участия специалистов.
Разработчики ядра Linux внедрили механизм скрытия метаданных для коммитов, созданных с использованием ИИ-ассистентов. Это решение направлено на борьбу с автоматизированным мусором и улучшение качества кодовой базы.
С 30 октября вступают в силу обновленные условия использования Meta, позволяющие компании скрапить веб-сайты, связанные с бизнес-пользователями платформы, включая новостные издательства. Полученные данные могут использоваться для разработки, улучшения и обучения моделей искусственного интеллекта.
Pullboard — это система автономной разработки, где управляемые агенты создают продукты на основе утвержденных спецификаций и заданных правил. Слияние кода происходит только после проверки и подтверждения работы другого агента, обеспечивая контроль качества на уровне решений человека.
Репозиторий представляет собой комплексную базу знаний по развертыванию ИИ-моделей и LLM в среде Kubernetes. Охватывает ключевые аспекты: управление GPU, распределенное обучение, инференс, RAG, агентов и производственную эксплуатацию.
Это open-source решение для управления и планирования публикаций в более чем 45 социальных сетях. Платформа поддерживает интеграцию с 30+ провайдерами ИИ, предлагает инструменты генерации медиа, аналитику и управление командами с разделением прав доступа.
Автор делится опытом использования LLM для генерации кода и тестов, отмечая проблему избыточной тавтологии и чрезмерной сложности решений. Обсуждается целесообразность введения правила, запрещающего нейросети одновременно генерировать и код, и тесты, чтобы избежать дублирования логики.
Автор проанализировал стилистические особенности 12 популярных языковых моделей на выборке из 84 рабочих текстов. Выявлены характерные речевые привычки: например, Gemini часто начинает ответы со слова «Вот», а Kimi и Claude Sonnet склонны завершать фразы предложениями о необходимости доработки.