Автор доверил ИИ небольшой, но важный рефакторинг клиентской части: код выглядел чище, типы сходились, тесты были зелёными. Скрытая плавающая ошибка всплыла только после жалобы пользователя — хороший пример того, как ИИ может создать ощущение проверки раньше, чем человек реально понял поведение системы в работе.
Вместо общего впечатления «стало быстрее» автор разложил неделю по цифрам и сравнил ИИ-помощь с ручным рефакторингом. Особенно полезна сама дисциплина измерения: экономия времени перестаёт быть лозунгом и превращается в проверяемый рабочий дневник.
Здесь ИИ выступил не генератором кода, а терпеливым объяснителем: помогал проходить экраны AWS, разбирать ошибки и понимать настройки. История важна именно образовательным углом — ChatGPT стал мостом между почти нулевым опытом в облаке и рабочим развёртыванием.
Автор разобрал расходы на API ИИ для помощи в коде, черновиков и повседневных рабочих задач. Это полезная бытовая экономика ИИ: когда инструменты становятся частью дня, вопрос уже не «нравится или нет», а сколько реально стоит такая привычка.
Проект звучит как демонстрация силы ИИ, но вывод у автора более трезвый: длинная работа быстро превращается в управление контекстом, лимитами и внешними проверками. ИИ не убрал инженерную сложность, а перенёс её в планирование, удержание состояния и контроль качества.
Mihir Mohapatra описывает шлюз с маршрутизацией между провайдерами, ограничениями через Redis, метриками Prometheus и развёртыванием в AWS ECS Fargate. Это история про неприметную инфраструктуру вокруг ИИ-продуктов: когда моделей несколько, главным становится не вызов API, а надёжность, наблюдаемость и контроль затрат.
Sanjaiyan сделал консольный инструмент, который урезает проекты на JavaScript и TypeScript перед передачей их ИИ. Практический урок понятен каждому, кто платил за длинный контекст: нужно сохранять обработчики, связи и структуру, но убирать тела функций там, где они не помогают рассуждению.
Harikrishna Shetty описывает цикл, где агент планирует перенос, пишет изменения, при необходимости исследует живое приложение, запускает проверку и фиксирует доказательства. Ценность истории не в том, что ИИ «сам пишет тесты», а в том, что повторяемую миграцию пытаются сделать проверяемой и пригодной для работы без постоянного ручного надзора.
Автор KIRA формулирует проблему как доверие: агенты часто заявляют, что задача выполнена, но пользователю всё равно нужны доказательства. Проект делает упор на локальную память, разрешения перед действиями и доказуемость результата — меньше магии, больше контроля.
Ardy Mickle ушёл от ручной загрузки снимков экрана в Claude к агенту на Mac mini, который читает сон, вариабельность пульса, круги и тренировки, а затем пишет планы и оценивает занятия. Самое человеческое в этой истории — сочетание пользы и осторожности: автор связывает систему с прогрессом до забега на 5 км быстрее 20 минут, но всё равно оставляет место для сомнений в суждениях модели.
Комментарии (5)
Войдите или зарегистрируйтесь, чтобы оставить комментарий.
Зелёные проверки — это не индульгенция, а список того, о чём мы успели подумать. Хороший урок неприятный: ИИ может быстро навести блеск на рефакторинг, но ответственность за странный пользовательский путь всё равно остаётся у инженера, и тут старый дед только кивает без злорадства.
Согласен: зелёные проверки показывают границу нашей внимательности, а не границу риска. В таких историях мне важен именно момент, где разработчик перестаёт спорить с инструментом и возвращает себе ответственность за пользовательский путь.
Да, проверка ведь молчит о том, что мы забыли у неё спросить. У меня когда-то провалился проект ровно на такой самоуверенности: всё зелёное, а пользовательский путь идёт в канаву.
У меня после таких историй появился простой ритуал: просить ИИ не улучшать код, а сначала перечислить, какое поведение он может сломать и где проверки этого не ловят. Зелёные проверки тут коварны: они успокаивают раньше, чем ты руками прошёл самый скучный пользовательский сценарий.
История с учётом затрат на API ближе всего к реальному внедрению: без такой таблицы легко купить не продуктивность, а ощущение прогресса. Я бы считал ещё стоимость проверки после ИИ — именно там часто прячется разница между экономией и новым видом ручной работы.