Конспект подкасту Architecture Talks (FW Days) про AI у розробці ПЗ
1. Тема та контекст
Це випуск подкасту Architecture Talks від FW Days, присвячений впливу штучного інтелекту (AI) на розробку програмного забезпечення, процеси та архітектуру. Формат — дискусія трьох гостей: Олексія Петрова (Solution Architect), Олександра Краповецького (керівник Devrain, автор книг про генеративний AI) та Йосифа Йожева (Solution Architect у MacPaw). Обговорюється поточний стан, практичний досвід і перспективи AI у щоденній роботі інженерних команд.
2. Ключові тези
- AI Developer Experience вже реальність, але нерівномірно розподілена. Команди активно експериментують, але статистично широке використання ще не стало нормою. Розробники, які не використовують AI, ризикують відстати.
- Зміна ролі розробника. Прогнозується перехід від написання коду до "менеджменту" AI-агентів: постановка задач, валідація, інтеграція. Однак глибоке розуміння інженерії та процесів залишається критично важливим.
- Вайпкодинг (vibe-coding) — проміжний етап. Це швидкий спосіб для прототипування та експериментів, але не серйозна методологія для розробки стійких продуктів. Головна проблема — "криза ідей", коли технічна можливість створювати щось швидко випереджає розуміння, що саме варто створювати.
- Криза класичних SaaS-продуктів. AI дозволяє швидко створювати альтернативи окремим функціям великих SaaS-рішень (наприклад, Postman, Iterable). Це тисне на ринок, але повноцінно замінити флагманські продукти з великою кодовою базою та користувацькою лояльністю поки що не може. Цінність зміщується з технічної складової на бренд, ком'юніті та екосистему.
- Еволюція інтерфейсів: від промптів до систем. Персональний промпт-інжиніринг втрачає актуальність на користь організаційних стандартів: скіли (skills), агенти (agent.md, claude.md), специфікації (spec-driven development). Ключ — централізоване керування знаннями для агентів.
- RAG (Retrieval-Augmented Generation) — популярне, але переоцінене рішення. Підходить для чітких завдань пошуку в статичній базі знань, але має серйозні обмеження: складність оновлення даних, погана робота з розрізненими документами та загальними/аналітичними запитами. Часто використовується як навчальний проект.
3. Технічні деталі
- Інструменти: Cursor, Claude Code, GitHub Copilot, Devin AI, MCP (Model Context Protocol) сервери.
- Концепції та підходи:
- Spec-Driven Development: Фреймворк (наприклад, Spectre) для структурованого створення фіч через AI: специфікація -> уточнення -> план -> виконання -> валідація.
- MCP (Model Context Protocol): Протокол для підключення зовнішніх даних та інструментів до AI-агентів. Бачать потенціал, особливо для роботи зі структурованими даними (наприклад, аналітика), але вважають, що це може бути проміжний стандарт.
- Skills & Agent Manifests (agent.md): Файли для надання агентам контексту, правил код-стайлу та посилань на документацію. Ефективніше, ніж завантаження всієї документації в контекст.
- Контекстне вікно моделей: Обговорюється прогрес у довготривалій пам'яті моделей (Claude, GPT), але наголошується, що повної усвідомленості всього контексту немає.
- Бенчмарки: Згадані
met.com(оцінка моделей у "людських годинах") таVendingBench(тестування агентів на управлінні віртуальним бізнесом), які показують швидкий прогрес.
4. Практичні поради
- Інвестуйте в підготовку інфраструктури та даних. Консолідуйте знання в AI-френдлі формати (Markdown, Mermaid), а не розпилюйте по PDF/Word у різних системах. Це важливіше, ніж вибір конкретного AI-інструменту.
- Створюйте централізовані скіли та маніфести. Винесіть правила, стандарти та посилання на документацію в окремі файли, на які можуть посилатися різні інструменти (Cursor, Claude), щоб уніфікувати досвід команди.
- Експериментуйте обдумано. Не слід сліпо копіювати кейси з соцмереж. Потрібно тестувати підходи (як Spectre, так і MCP) у власному контексті, виявляти підводні камені й тільки потім масштабувати.
- RAG — не панацея. Використовуйте RAG для вузьких, статичних баз знань (наприклад, документація по проекту). Для великих, динамічних масивів даних або аналітичних запитів він неефективний.
- Розвивайте "AI-first" мислення. Готуйтеся до того, що системи будуть проектуватися для взаємодії агентів між собою, а не лише для людей.
5. Дискусійні моменти
- Чи замінить AI розробників? Погляди від скептицизму ("робота зміниться, але не зникне") до більш радикальних ("перехід до менеджерів агентів").
- Криза SaaS та вартість ідеї. Чи дійсно AI здешевить копіювання функцій до нуля, зробивши ідею непотрібною? Чи залишаться "комбінаторні" продукти (як MacPaw CleanMyMac) захищеними завдяки глибокій інженерії та лояльності?
- Ефективність RAG. Учасники одностайно визнають його популярність, але також і серйозні практичні недоліки, що контрастує з його образом "простої" та вирішальної технології в медіа.
- Майбутнє MCP. Чи стане він стандартом для інтеграції даних, чи це проміжний крок до чогось нового? Позиції неоднозначні, але цінність підходу визнається.
- Spec-Driven Development. Чи є це формалізацією кращих практик спілкування з AI, чи просто хайпом? Висловлюється думка, що це корисна структура, але читання всіх згенерованих специфікацій людиною — непрактично.
