RAG вже не працює? Як змінюється AI у розробці

Конспект доповіді: "AI в PHP: зрілість, патерни та інструменти"

1. Тема та контекст

• Формат: Випуск #19 подкасту FWdays PHP Talks (формат обговорення/інтерв'ю).
• Тема: Практичне впровадження штучного інтелекту (AI) у PHP-проекти та розробку.
• Ключові спікери:
  • Віталій Іванов: Техлід у e-commerce платформі Spriker, досвід впровадження AI в розробку та бізнес-рішення.
  • Кирило: Співведучий, PHP-розробник.
• Основний фокус: Аналіз зрілості інженерів та компаній до AI, архітектурні підходи для інтеграції в PHP, практичні поради та огляд сучасних інструментів.

2. Ключові тези

• AI — інструмент, а не загроза: AI не забере роботу, а стане "другом" та помічником. Ключ — навчитися ефективно делегувати йому задачі.
• Зрілість інженера до AI — це навичка делегування: Проблема багатьох розробників — "застрягли" на першому рівні (точкове делегування), не довіряючи AI та виправляючи все руками. Потрібно вчитися бути "менеджером" для AI-агентів.
• Контекст важливіший за промт: Ера простих prompt engineering закінчується. На зміну приходить context engineering — вміння структуровано надавати AI контекст проекту, правил і задач через інструменти на кшталт скілів (skills).
• AI вимагає порядку в коді: Чим краще структурований проект (чиста архітектура, лінтери), тим ефективніше та дешевше працюватиме з AI. Legacy-код з хаотичною структурою ускладнює роботу.
• Безпека та контроль — обов'язкові: Необхідно завжди використовувати guardrails (наприклад, для політичної безпеки, моральних принципів) та будувати pipeline/chain з валідацією відповідей AI, щоб уникнути ризиків.
• Немає "срібної кулі": Ні RAG, ні MCP не є універсальними рішеннями. Потрібно креативно та за потреби комбінувати різні підходи, обираючи архітектуру під конкретну задачу.

3. Технічні деталі та інструменти

• Рівні зрілості інженера до AI (за Йожиком):
  0. Все роблю вручну.
  1. Точково делегую задачі AI.
  2. Працюю в парі з AI.
  3. Керую агентами AI.
  4. Пишу лише специфікації.
  5. AI-агенти працюють у замкнутій екосистемі.
• AI Foundation пакет від Spriker (архітектурний підхід):
  • Мета: Створити простий у інтеграції врапер для PHP (Spriker), аналог Python-бібліотек (LangChain).
  • Ключові вимоги:
    1. Простота інтеграції (Composer, Facade).
    2. Мультипровайдерність (OpenAI, Anthropic, AWS Bedrock, OpenRouter) через єдиний інтерфейс.
    3. Підтримка structured responses (маппінг на DTO).
    4. Підтримка tool/function calls для виклику методів додатка.
    5. Можливість будувати workflow/state machine (оркестрація агентів).
• Pattern: Agentic Engineering vs. Coding:
  • Coding (ваншот): Один складний промт для великої задачі (часто неефективно).
  • Agentic Engineering: Розбиття задач на підзадачі, створення спеціалізованих агентів (скілів) та оркестрація їх роботи. Розробник стає архітектором/лідом команди AI-агентів.
• Інструменти розробника:
  • Cursor / Claude Code: Інструменти з підтримкою скілів (skills). Рекомендація: зберігати скіли в загальній папці .ai/, а не в специфічних для інструменту, для більшої гнучкості.
  • MCP (Model Context Protocol): Протокол для підключення зовнішніх інструментів (наприклад, доступу до бази знань проекту) до середовищ розробки. Застереження: Підключати тільки необхідні інструменти, щоб не "засмічувати" контекстне вікно.
• RAG (Retrieval-Augmented Generation):
  • Сутність: Архітектурний стиль для роботи з великими базами знань. Запит користувача збагачується релевантними даними з бази (векторної, Elasticsearch), перш ніж надіслати його до LLM.
  • Еволюція: Простий патерн "пошук -> відповідь" замінюється складними мультиагентними workflow, де кілька агентів по-різному обробляють запит і дані для покращення релевантності.

4. Практичні поради

1. Вчіть AI, як джуніора: Надавайте контекст, правила проекту, пишіть скіли. Не виправляйте помилки руками — давайте зворотний зв'язок AI, щоб воно вчилося.
2. Експериментуйте та слідкуйте за оновленнями: Індустрія AI дуже динамічна. Потрібно активно тестувати нові інструменти (скіли, MCP-сервери) та підходи.
3. Обов'язково реалізуйте:
   • Guardrails: Для безпеки та відповідності правилам.
   • Аудит-логи: Для трекінгу витрат (токенів), налагодження (troubleshooting) та аналізу ефективності AI-фіч.
   • Observability (наприклад, OpenTelemetry): Для відстеження складних workflow та викликів tool calls.
4. Будьте архітекторами: Продумуйте спільні, незалежні від інструменту рішення (наприклад, папка .ai/). Думайте про те, як ваші рішення будуть масштабуватися та змінюватися.
5. Почніть з автоматизації внутрішніх процесів: Найкращі перші кейси — оптимізація роботи в адмін-панелі (бекофісі), де можна замінити багатокрокові дії на "магічні кнопки".

5. Дискусійні моменти та відкриті питання

• Чи RAG "відмирає"? Ні, але прості реалізації RAG замінюються складнішими, мультиагентними. Сам принцип роботи з зовнішніми знаннями залишається критично важливим.
• Чи MCP — "срібна куля"? Ні. MCP — потужний інструмент для DevEx, але необхідно керувати підключеними інструментами, щоб уникнути надмірного споживання токенів та зниження релевантності.
• Парадигма доставки коду: Спікери погоджуються, що 2026 рік буде роком активної трансформації та формування нових парадигм (наприклад, повсюдний neocoding). Остаточні підходи ще не сформовані.
• Економіка AI: Важливо відстежувати вартість AI-операцій через токени. Автоматизація повинна бути економічно виправданою.