Личные истории про AI особенно полезны не тогда, когда всё выглядит гладко, а когда автор честно показывает, где система помогла, где подвела и что пришлось переделывать руками. В этой подборке — десять таких историй: от кодинга и тестирования до обучения, дизайна и автоматизации повседневной работы.

Show HN: Contextual — local codebase memory for AI coding agents

Автор вынес на Hacker News свою попытку решить одну из самых скучных, но болезненных проблем AI-кодинга: каждый новый сеанс снова «знакомится» с проектом и забывает принятые решения команды. Contextual задуман как локальная память о кодовой базе, чтобы агент не начинал с пустой головы на каждом шаге. Это хорошая человеческая история не про магию модели, а про то, как повседневное раздражение разработчика превращается в отдельный продукт.

Источник: Hacker News

I Built AI Workflows for a Year. Most of Them Wasted Time.

Автор подводит жёсткий личный итог года, проведённого в погоне за AI-автоматизацией: большинство собранных схем просто не окупили вложенное время. Важность этой истории именно в разочаровании, потому что она ломает удобный миф о том, что любой AI-воркфлоу автоматически делает работу лучше. Такой опыт помогает трезвее смотреть на границу между интересным экспериментом и реально полезным процессом.

Источник: Medium

I Built a Real-Time AI Assistant Using RAG, LangChain, and Zero Paid APIs

За шестинедельным проектом AI-помощника здесь особенно хорошо видно, как быстро простая идея «пусть сначала ищет факты, а потом отвечает» превращается в инженерную работу с памятью, состоянием сессий и отладкой. Автор сознательно пошёл через RAG, LangChain и бесплатные интерфейсы, чтобы собрать рабочую систему без платного стека. История ценна тем, что показывает: даже экономный путь к полезному AI оказывается не коротким трюком, а серией архитектурных компромиссов.

Источник: Medium

I tried to make AI conversations feel less like input/output. Here’s what I learned.

Robert Adrian Knippelberg пишет из личной усталости: после года плотного использования AI почти каждый диалог стал ощущаться как холодная транзакция, а не как живая мысль. Это чувство и подтолкнуло его собирать собственный экспериментальный продукт, который пытался бы вернуть разговору больше присутствия и человеческой интонации. Полезность истории в том, что она рождается не из успеха, а из накопившегося внутреннего трения.

Источник: dev.to

I skipped 5 days of school to build an AI app. Here is what a real hackathon sprint looks like.

13-летний автор описывает не абстрактную мечту про юного основателя, а очень конкретный пятидневный рывок перед хакатоном: он собирал Sprout Atlas, AI-гид по растениям и сканер продуктов. По дороге пришлось доводить платные функции, настраивать подсказки для Gemini и одновременно следить, чтобы марафон не превратился в выгорание и полный провал по учёбе. Это сильная история о цене ускорения, когда AI действительно помогает собирать продукт, но не убирает человеческие ограничения.

Источник: dev.to

My bot logged a fresh decision every 5 minutes for over an hour. The price it was deciding on never moved once.

Автор рассказывает о криптоботе, который внешне выглядел полностью живым: журнал обновлялся, решения фиксировались, процесс шёл. Но цена, на основе которой бот принимал решения, всё это время оставалась замороженной, и ошибка вскрылась только потому, что человек заметил одинаковые значения там, где система казалась здоровой. Это очень приземлённый урок о том, что активность в журнале ещё не означает реальную работу AI-автоматики.

Источник: dev.to

I built an autonomous treasury agent, then let a code review bot find every way it could lose money

Romanch Roshan Singh собрал для хакатона TreasuryForge — агента, который управляет условной казной между наличностью, криптовалютой и акциями. Но самое интересное он сделал потом: поставил рядом бота для ревью, чтобы тот искал сценарии, в которых система может тихо потерять деньги. История важна тем, что показывает не только сборку автономного инструмента, но и человеческую попытку заранее приручить его будущие ошибки.

Источник: dev.to

40 Lines of Go That Cut Our LLM Bill by 71%

Здесь личный импульс родился из очень понятной боли: команда посмотрела на счёт за модели и поняла, что так дальше жить нельзя. Вместо сложной предварительной классификации запросов авторы сначала отправляли задачу в дешёвую модель, а к дорогой переходили только при провале по качеству. Это хороший пример того, как обычное раздражение из-за расходов превращается в рабочий инженерный шаблон, который меняет экономику всей AI-системы.

Источник: dev.to

Four reviewers told me the one thing I couldn't fix by myself

Rodrigo Giuliani отправил свою работу про AI и IoT на рецензию IEEE и получил болезненный, но полезный ответ: проблема оказалась не только в архитектуре, а в том, что почти все оценки качества были его собственными. В этой истории особенно ценно столкновение уверенности одиночного автора с внешней проверкой, которую нельзя сгенерировать самому. Это напоминание о том, что вокруг AI-проектов по-прежнему решает не только скорость сборки, но и независимое человеческое подтверждение выводов.

Источник: dev.to

My Claude Code config costs 9,857 tokens before I type anything

Andrew Mazok померил скрытую цену собственного AI-набора и обнаружил, что только конфигурация с 107 навыками, 38 агентами и 15 командами съедает почти десять тысяч токенов ещё до начала работы. Из личного раздражения он сделал маленький аудитный скрипт и превратил свою проблему в понятный урок для других: стоимость AI-среды живёт не только в запросах, но и в самом объёме постоянно подключённого контекста. Это редкая история, где человек честно смотрит не на возможности инструмента, а на налог за его сложность.

Источник: dev.to