Hard&Soft Skills
6.25K subscribers
868 photos
15 videos
4 files
612 links
Hard&Soft Skills – центр ИТ-экспертизы для опытных разработчиков, техлидов и архитекторов.

Курсы по архитектуре, техлидерству и AI: hardsoftskills.dev

Участвуйте в мероприятиях
https://hardsoftskills.dev/calendar

Чат: @chathardsoftskills
Download Telegram
Типы корпоративных культур и как архитектору выжить в каждой из них

Архитектура системы всегда зеркалит структуру и культуру организации. Без понимания корпоративной среды и умения найти подход к стейкхолдерам любые технические инициативы обречены на провал.

🏛 Иерархия: корпоративный энтерпрайз

Контекст: Крупный госсектор, банки, нефтегаз, старый ритейл. Локальные гиганты с жестким комплаенсом.

Культура процессов и ИТ-комитетов, где архитектура – это свод законов. Главный риск – стать архитектором без технического авторитета, чьи диаграммы инженеры будут молча саботировать.

🔹 Внедряйте автоматизированные проверки комплаенса в пайплайны вместо ручного ревью каждого PR.
🔹 Создавайте эталонные архитектуры "из коробки", не требующие кругов согласований.
🔹 Обосновывайте инновации через снижение бизнес-рисков (ИБ, vendor lock-in), а не через эстетику кода.
🔹 Не боритесь с бюрократией: используйте ее механизмы, став драйвером стандартов, а не надзирателем.

🤝 Клан: семья и консенсус

Контекст: Небольшие продуктовые компании со стабильной командой, азиатские корпорации, нишевые аутсорс-бутики.

Среда, где ценят эмпатию и избегают конфликтов. Директивный спуск дизайна сверху вызовет отторжение, так как принято учитывать мнение каждого.

🔹 Станьте фасилитатором: не презентуйте готовый дизайн на ревью – его похоронят в правках.
🔹 Практикуйте "теневое лоббирование": обсуждайте идеи тет-а-тет с ключевыми инженерами до официальных встреч.
🔹 Запускайте проектирование через RFC на ранних стадиях, давая командам чувство соавторства.
🔹 Проводите изменения через коммуникацию с командой вместо выпуска жестких предписаний.

📊 Рынок: фичи вчера и агрессивный деливери

Контекст: BigTech, динамичный FinTech. Большие системы в условиях жесткой конкуренции.

Культура метрик и скорости. Техдолг здесь копится экспоненциально, а рефакторинг воспринимается бизнесом как саботаж релизов.

🔸 Переводите инженерные компромиссы в деньги и считайте ROI каждого технического решения.
🔸 Упаковывайте выплату техдолга в продуктовые фичи: доказывайте, что без этого продукт "встанет" в следующем квартале.
🔸 Драйвите надежность через инциденты: после крупного падения бизнес максимально открыт к инвестициям.
🔸 Блокируйте инициативы, которые не ускоряют доставку ценности или не экономят серверные мощности.

🚀 Адхократия: стартап и управляемый хаос

Контекст: Ранние стадии стартапов, R&D-лаборатории. Глобальные распределенные команды на острие технологий.

Культура децентрализации и инноваций. Архитектору здесь грозит выгорание от попыток стандартизировать зоопарк технологий и непрерывный поток гипотез.

🔸 Делайте ставку на эволюционную архитектуру: жесткие фреймворки мгновенно убьют скорость команд.
🔸 Стройте платформенные решения, которые использовать удобнее, чем изобретать велосипеды.
🔸 Внедряйте фитнес-функции (автотесты архитектурных метрик) для защиты системы без микроменеджмента.
🔸 Фиксируйте только кросс-доменные контракты и API, оставляя внутреннюю реализацию на откуп командам.

📚 Что почитать:

Kim Cameron, Robert Quinn. "Diagnosing and Changing Organizational Culture"

Neal Ford, Rebecca Parsons, Patrick Kua. "Building Evolutionary Architectures: Support Constant Change".
🔥12👍5❤4
L4 vs L7 балансировщики: Когда хватит Nginx, а когда нужен аппаратный чемодан?

Трафик пробивает потолок, сервера задыхаются, а вы всё ещё терминируете миллионы TCP-соединений на одном Nginx, сжигая CPU? Пора разобраться, где нужна умная маршрутизация, а где — тупая, но железобетонная молотилка пакетов.

🥊 L4: Грубая сила и обход ядра

Балансировщик 4-го уровня (IPVS, HAProxy в tcp-mode) не смотрит в payload. Он оперирует исключительно заголовками транспортного уровня (IP и порты). Никаких SSL-хэндшейков и парсинга HTTP.

Боль и тюнинг: Классический программный L4 опирается на nf_conntrack в ядре Linux для отслеживания состояний. При DDoS или всплеске легитимных микро-соединений эта таблица переполняется за секунды, безжалостно дропая трафик ("table full, dropping packet").

Когда тюнинг ядра перестает спасать, энтерпрайз покупает те самые «аппаратные чемоданы» (апплайнсы с ASIC от F5 или A10) для хардварной обработки сессий.

Альтернатива из мира BigTech — уход от conntrack в eBPF/XDP (например, Katran от Meta), чтобы распределять пакеты до того, как они коснутся тяжелого сетевого стека ОС.

Киллер-фича: Direct Server Return (DSR). Балансировщик лишь переписывает MAC-адрес получателя (или использует IPIP инкапсуляцию), а бэкенд отвечает клиенту напрямую, минуя балансировщик. Идеальный хак для асимметричного трафика.

🧠 L7: Интеллект, сжигающий такты

Nginx, Envoy, Traefik терминируют TCP-соединение на себе, расшифровывают TLS, парсят HTTP/gRPC, принимают решение о маршрутизации и открывают новое соединение к бэкенду.

Боль и тюнинг: Вы платите за каждый байт, который копируется из kernel space в user space и обратно. Терминация TLS на сотнях тысяч RPS ставит на колени даже самые "жирные" сервера, упираясь в CPU и требуя крипто-оффлоада.

Кроме того, архитектура event-loop (epoll) чувствительна к блокировкам. Любая долгая I/O операция на диске или перегруженный воркер вызывает мгновенные спайки tail latency, отправляя 99-ю перцентиль в космос.

Зато вы получаете абсолютный контроль над запросом.

⚔️ Вердикт: что и когда внедрять

Выбирайте L4 (eBPF/XDP или аппаратный балансировщик), если:

🔹 Вы уперлись в raw throughput (десятки Gbps) и PPS (packets per second), а не в сложную логику распределения.

🔹 Ваш трафик экстремально асимметричен (запрос 1 KB, ответ 100 MB — стриминг, тяжелая статика). Паттерн DSR спасет вашу сеть от схлопывания.

🔹 Вы строите Edge-слой или ingress-шлюз на bare-metal (BGP + ECMP распределяют трафик на L4-балансировщики, а те уже кидают его на пул L7-прокси).

🔹 Требуется жесткий end-to-end TLS из соображений комплаенса, без man-in-the-middle терминации на балансировщике.

Оставайтесь на L7 (Envoy, Nginx), если:

🔸 Инфраструктура требует application-aware маршрутизации: rate limiting по API-ключам, circuit breakers, sticky sessions, routing по кастомным HTTP-заголовкам (must-have для canary-релизов).

🔸 Вы внедряете Service Mesh с мультиплексированием gRPC/HTTP2.

🔸 Вам нужна единая точка для аутентификации, нормализации запросов и WAF (работа в паттерне API Gateway).

📚 Что почитать:

Site Reliability Engineering (Google) — глава 12 (Load Balancing at the Frontend).

Whitepaper: Katran: A high performance layer 4 load balancer (Engineering at Meta).

Доклад Load Balancing is Impossible (найти на YouTube, спикер Tyler McMullen).
🔥14👍3🤯1
CTO – это не “супер-программист”. Как поменять мышление при переходе из разработки в управление

Переход на позицию CTO требует фундаментального слома шаблонов: ваш главный продукт – больше не код, а инженерная культура и бизнес-результат.

🛑 Ловушка “я сделаю это быстрее и лучше”

Самая большая проблема новоиспеченного CTO – зуд в руках. Когда в продакшене горит или архитектура кажется кривой, хочется ворваться, забрать задачу себе и показать, как надо.

Но каждое такое вмешательство делает из вас ботлнек и убивает самостоятельность лидов.

Если вы продолжаете писать ядро системы или лично ревьюить каждый сложный PR, вы фактически вредите компании. Вы тратите время на операционку вместо своих реальных задач и, по факту, – просто очень дорогой Senior.

Это больно: приходится мириться с тем, что команда может выбрать решение, которое вам лично не нравится, но которое работает и масштабируется.

🏗 От архитектуры систем к архитектуре команд

Раньше вы проектировали микросервисы, теперь вы проектируете топологию команд. Структура системы всегда будет копировать структуру коммуникаций.

CTO должен смотреть на компанию как на распределенную систему:

🔹 Где возникают задержки в передаче знаний?
🔹 Какая команда перегружена контекстом?
🔹 Как изменить структуру отделов, чтобы ускорить delivery, не меняя ни строчки кода?

Фокус смещается с реализации на создание прозрачных рамок: definition of done, архитектурных комитетов и культуры постмортемов.

💰 Техдолг как финансовый инструмент

Для CTO техдолг – это осознанный кредит. Иногда выпустить “костыльный” продукт сегодня важнее, чем идеальный через полгода. Но CTO должен четко понимать процентную ставку по этому кредиту и иметь план его погашения.

Вы перестаете оценивать технологии по их «крутости» или новизне.

Теперь главный критерий – влияние на бизнес-метрики:

🔸 Насколько внедрение этого фреймворка снизит Time-to-Market?
🔸 Сколько будет стоить поддержка этой инфраструктуры при росте нагрузки в 10 раз?
🔸 Сможем ли мы быстро нанять людей со знанием этого стека через год?

📊 Новые метрики для успеха

Ваша личная продуктивность теперь измеряется на макроуровне:

🔹 Lead Time – сколько времени проходит от идеи бизнеса до реализации в руках пользователя.
🔹 Engineering Health – не только отсутствие багов, но и eNPS команды (хотят ли сильные инженеры работать с вами вдолгую или выгорают из-за хаоса в процессах).
🔹 Bus Factor – насколько устойчива система, если завтра ключевой лид решит уволиться.
🔹 Infrastructure Cost per User – растет ли стоимость обслуживания одного клиента медленнее, чем выручка с него.

Нужно научиться получать дофамин не от работающего кода, а от того, что процессы настроены так, что команда работает как часы, даже когда вы в отпуске. Вы даете людям понимание “зачем” и “куда”, а “как” они решат уже сами.

📚 Источники для изучения темы:

Camille Fournier, "The Manager's Path" – лучшая карта переходов от инженера до CTO.

Will Larson, "An Elegant Puzzle: Systems of Engineering Management" – про масштабирование инженерных организаций.
👍20🔥10❤4
🚀 Сегодня вечером - доклад "От светлых идей Кодда к жестокой реальности"

Поговорим о том, как современные RDBMS работают в реальной жизни - на примере PostgreSQL.

📌 В программе:
— как реляционная модель соотносится с реальностью
— индексы: теория и практика
— работа с JSON, деревьями и векторами

🎤 Спикер: Юрий Морозов, Технический директор и айтишник широкого профиля.

🕖 31 марта, 19:00 (GMT+3)
⚠️ Обратите внимание: в этот раз начинаем на час раньше

👉 Регистрация
🔥8👍4❤2
State of AI 2026: маркетинговые обещания и production-реальность

ИИ обязательно заменит сразу всех, начиная с разработчиков, агенты будут работать сами без присмотра и мы вот-вот создадим AGI (или уже создали).

А что на самом деле?

📉 Где ROI?

Исследования MIT показали, что около 95% пилотных enterprise-проектов с ИИ принесли нулевой измеримый ROI. Несмотря на это, мировые расходы на AI вырастут до $2.5 трлн – на 44% больше, чем в 2025.

Deloitte зафиксировал: 84% компаний НЕ перепроектировали рабочие процессы под ИИ. Они просто "прикрутили" модель к существующим workflow и ждут трансформации.

Маркетинг продает модели с окном в миллионы токенов под лозунгом "загрузи в промпт всю базу данных". В реальности бездумное раздувание контекста уничтожает SLA.

Don Shin (Founder & CEO, CrossComm):
Большинство организаций рассматривают AI-агентов как технологическую проблему, но вызов на самом деле организационный.

Команды, застревающие между экспериментацией и исполнением, почти всегда недооценивают одни и те же вещи: их данные не так готовы, как они думают, людей не привлекли к процессу, и никто толком не определил ответственность.


🧠 Смена парадигмы

Вместо экстенсивного масштабирования индустрия перешла к оптимизации инференса и гибридным подходам.

🔹 Методы Reinforcement Learning with Verifiable Rewards (RLVR) и GRPO, популяризированные моделью DeepSeek-R1, позволили достичь SOTA-результатов без необходимости использовать отдельную critic model и огромные GPU-кластеры.

🔹 На аппаратном уровне внедряется disaggregated inference (разделенный инференс), когда будущие чипы аппаратно разделяют фазы prefill и decoding, что критически важно для long context processing.

🔹 Small Language Models (SLM) объемом менее 13B параметров стали enterprise-стандартом, так как такие модели можно развернуть локально и для узких бизнес-задач они в 5.3 раза эффективнее.

Prasad Varahabhatla (Sr. Director, Cisco Automation & AI Center):
Управление изменениями для ИИ-проектов многоаспектно. Как только ИИ входит в процесс, он меняет границы процесса, что требует переоценки человеческих ролей.

Я замечаю, что дизайн рабочих мест и новые способы работы не получают столько внимания, сколько энтузиазм по поводу новой технологии.


👾 Стандарты работы с агентами

Иллюзия прошлых лет о том, что автономные агенты сами напишут и задеплоят код, столкнулась с реальностью галлюцинаций и бесконечных циклов. В 2026 году никто не пускает агентов в production без жесткой изоляции.

🔸 GraphRAG: агенты сохраняют долгосрочную память в виде графов контекста, используя биологически вдохновленную "technology of forgetting" для принудительного удаления нерелевантных данных.

🔸 MCP: единый интерфейс, позволивший агентам унифицированно и безопасно подключаться к базам данных и тулам.

🔸 Stateful Orchestration: состояние агента управляется через паттерны durable execution. Процесс можно остановить для аппрува человеком.

🔸 Semantic Routing: маршрутизация запросов к разным моделям происходит на лету через классификаторы, а не внутри одного гигантского промпта.

🔸 Structured Outputs: парсинг JSON из текста ушел в прошлое. Ограничения на уровне сэмплера гарантируют, что ответ модели всегда будет валиден по заданной JSON Schema.

🤖 Что там с роботами?

Главным нарративом на CES стал "Physical AI" – ИИ-модели, обученные на синтетических данных в симуляциях и внедренные в физических роботов.

Вендоры показывали гуманоидов, которых якобы уже скоро можно использовать для решения проблемы нехватки кадров.

Однако независимые аудиты подтверждают: роботы работают только в жестко контролируемых средах и выполняют только узкие, заранее запрограммированные задачи.

В реальности автономная робототехника широко выйдет на рынок через 5-10 лет. И это потребует решения фундаментальных проблем в области semantic task understanding.

Так что отучиться на сантехника – пока еще рабочая карьерная стратегия для разработчика 😉


📚 Источники информации:

1. The State of AI 2026: Corporate Narratives vs. Reality at CES 2026
2. State of AI 2026 – AI Technologies Report
🔥10👍5😁5❤3👏2🤡1
Архитектурные катастрофы #8: CrowdStrike – Как 1 байт положил 8.5 млн серверов. Разбор крупнейшего BSOD в истории

19 июля 2024 года миллионы инженеров по всему миру проснулись от звонков дежурных. Аэропорты перешли на бумажные посадочные талоны, банки остановили транзакции, а экраны серверов и рабочих станций окрасились в синий.

CrowdStrike, чьим девизом было «We stop breaches», случайно остановил сам интернет.

🔐 Контекст: Скорость против Безопасности

Архитектура агента CrowdStrike Falcon разделена на две части: стабильный бинарный сенсор и динамический Rapid Response Content (файлы .sys).

Бинарники обновляются редко и проходят жесткий QA.

А вот контентные файлы улетают на миллионы хостов несколько раз в день, чтобы мгновенно блокировать новые 0-day угрозы.

Роковое архитектурное решение заключалось в том, что интерпретатор этих динамических файлов работал прямо в ядре операционной системы (kernel space, Ring 0), а пайплайн их доставки игнорировал базовые практики staged rollout.

🍂 Развитие катастрофы

В феврале вышел релиз сенсора 7.11 с новым IPC-шаблоном для сбора телеметрии. Движок в ядре ожидал, что этот шаблон всегда будет поставлять ровно 21 входной параметр.

Утром 19 июля пайплайн сборки контента сгенерировал новый файл C-00000291*.sys. Из-за бага в валидаторе (Content Validator) этот файл содержал только 20 параметров.

Валидатор пропустил ошибку, и система дистрибуции мгновенно раскатала апдейт на 8.5 миллионов Windows-машин глобально. Одновременно.

💥 Кульминация: PAGE_FAULT_IN_NONPAGED_AREA

Как только сенсор на клиентских машинах подхватывал новый файл, интерпретатор в ядре доходил до чтения 21-го параметра. Указатель уходил в невыделенную память (out-of-bounds read).

В user space приложение просто упало бы с Segmentation Fault.

Но в Ring 0 любая попытка прочитать невалидную память приводит к панике ядра. Windows уходит в BSOD. Машины попадали в бесконечный boot loop.

🛠 Как исправили ситуацию?

CrowdStrike откатил проблемный апдейт на своей стороне через 78 минут, но для миллионов машин, уже ушедших в BSOD, было слишком поздно — они не могли загрузиться, чтобы получить патч по сети. Восстановление потребовало беспрецедентного ручного труда:

🔹 Safe Mode / WinRE: Системным администраторам нужно было физически (или через KVM) загрузить каждый сервер в безопасном режиме.
🔹 Удаление файла: Вручную удалить файл C-00000291*.sys из директории System32\drivers\CrowdStrike.
🔹 Bottleneck с BitLocker: Для входа в Recovery Environment требовался recovery key. Во многих enterprise-сетях ключи хранились на контроллерах домена, которые тоже лежали в BSOD, образуя классический dead lock.

Позже Microsoft выпустила загрузочный USB-инструмент для автоматизации, но первые дни это была чистая рутина.

📉 Какой ущерб был нанесен?

Катастрофа стала самым масштабным IT-сбоем в истории, остановившим критическую инфраструктуру по всему миру.

🔸 Масштаб: 8.5 миллионов выведенных из строя Windows-устройств.

🔸 Финансы: По оценкам страховой компании Parametrix, прямые убытки Fortune 500 составили $5.4 млрд. Одна только авиакомпания Delta оценила свой ущерб в $500 млн из-за тысяч отмененных рейсов и перешла к судебным искам.

🔸 Бизнес-процессы: Отмена плановых операций в госпиталях, коллапс логистических хабов, блокировка систем 911 в нескольких штатах США. Время восстановления (MTTR) для многих enterprise-клиентов измерялось неделями.

📌 3 урока из этой катастрофы

1️⃣ Конфиги — это код. Если конфигурационный файл меняет flow исполнения, он должен проходить такой же CI/CD и canary-релиз, как и бинарный код.

2️⃣ Не доверяйте своим же системам. Код в Ring 0 должен параноидально валидировать любой инпут, даже если он подписан вашим же облаком.

3️⃣ Blast radius важнее MTTR. Если у вас нет механизма deployment rings, ваша система — это бомба замедленного действия.

📚 Что почитать:

CrowdStrike External Root Cause Analysis

Windows Internals, Part 1 — Глава про Architecture и Kernel Mode.
🔥15👍5❤1✍1😁1
МИФ: "Надежный проект должен иметь 100% test coverage и покрывать всё E2E-тестами"

Мы стартуем новую рубрику “Мифы разработки”. В ней мы будем рассказывать о популярных заблуждениях и о том, как обстоят дела на самом деле.

Ставьте 🔥, если вам нравится идея, и делитесь в комментариях, какие мифы разработки давно пора развенчать!


Зеленый бейджик "Coverage 100%" гордо висит в репозитории, а перед каждым релизом система послушно прокликивает сотни E2E-тестов. Звучит надежно, правда?

❌ Миф: Чем больше тестов – тем лучше.

Стопроцентное покрытие кода гарантирует отсутствие багов на проде. А массивный слой End-to-End тестов, проходящий по всему флоу от фронтенда до базы данных – это ультимативный щит, который спасет систему от любых регрессий.

✅ Реальность: Погоня за тотальным покрытием – это дорогая ловушка

100% покрытие генерирует ложное чувство безопасности и астрономические счета за инфраструктуру. E2E-тесты – это самый дорогой, медленный и хрупкий инструмент в вашем арсенале.

Они не спасают от логических ошибок, но мгновенно превращаются в bottleneck, убивающий time-to-market. LLM-агенты сегодня без проблем пишут тесты для 100% покрытия, но система от этого не становится отказоустойчивой.

📖 Откуда взялся этот миф

В эпоху монолитов QA-инженеры неделями прокликивали интерфейсы вручную. С развитием инструментов автоматизации маятник качнулся: многие поверили, что автоматизировать нужно абсолютно всё.

Метрика Coverage стала удобным управленческим KPI: цифра растет, значит качество повышается.

🔍 Почему 100% покрытие не гарантирует надежности

🔹 Математика Flakiness: E2E тест зависит от сети, базы данных и сторонних API. Из-за физических сетевых задержек распределенные системы неизбежно порождают flaky-тесты.

Если у вас 100 тестов, каждый из которых падает с вероятностью 1% по не зависящим от кода причинам, ваш CI будет красным в 63% случаев. Инженеры перестают доверять пайплайну и начинают просто жать "Restart".

🔹 Стоимость поддержки: Архитектор может спроектировать масштабную систему, но техлид, оперируя на меньшем масштабе и находясь ближе к разработчикам, видит реальную картину боли.

Техлид ежедневно наблюдает, как малейшее изменение контракта ломает десятки сквозных сценариев, и команда тратит часы на отладку хрупких тестов вместо доставки фичей бизнесу.

🔹 Иллюзия покрытия:
100% покрытие строк кода не равно полному покрытию путей выполнения (path coverage). Из-за комбинаторного взрыва состояний прогнать все пути физически невозможно.

Как отмечают опытные разработчики, 100% покрытие – это недостижимый на практике идеал; куда важнее покрыть критические use-cases. Вы просто тестируете геттеры.

💡 Что делать на самом деле

Оставьте "покрытие ради покрытия" джуниорам. Оценивайте тесты через прагматичную призму ROI.

🔸 Consumer-Driven Contracts. Замените большинство неповоротливых E2E-тестов интеграционными тестами контрактов (например, через Pact). Это детерминировано и быстро.

🔸 Правильная пирамида. Вернитесь к классике: широкая база Unit-тестов для алгоритмов, средний слой интеграционных тестов для связок с БД, и буквально горстка E2E-тестов исключительно для Critical Path.

🔸 Shift-Right. Баги всё равно доберутся до продакшена (Availability никогда не бывает 100%). Вкладывайтесь в инструменты вроде OpenTelemetry, Canary-релизы и Feature Flags. Быстрый откат стоит в разы дешевле многочасового прогона неповоротливого тестового сьюта.

Помните, тесты – это тоже код, который нужно поддерживать.


📚 Что почитать:

Effective Software Testing – Mauricio Aniche
Building Microservices – Sam Newman (глава про тестирование и Consumer-Driven Contracts)
Site Reliability Engineering – Niall Richard Murphy, Betsy Beyer, Chris Jones, Jennifer Petoff
🔥15❤2👍1
Intent-driven системы: как меняется подход к работе с AI-агентами

Делимся с вами небольшим инсайдом в наш курс [Solution Architect в эпоху AI]


Архитектура меняется: от жестко детерминированных конечных автоматов мы переходим к системам, управляемым намерениями.

💥 Почему ломаются скрипты

Классическая автоматизация — это попытка описать бизнес-логику через бесконечно ветвящиеся графы условных переходов.

Для предсказуемых доменов (например, парсинга валидного JSON) это работает идеально. Но когда мы сталкиваемся со средой с высокой энтропией — разбор инцидентов, маршрутизация сложных тикетов или кодогенерация — пространство состояний взрывается.

Любой новый edge-case требует очередного костыля в виде if-блока. В итоге система превращается в хрупкий монолит: любое изменение ломает соседнюю логику, а поддерживать такой rule engine становится архитектурным кошмаром.

🎯 Фундаментальный сдвиг: концепция Intent

Агентный подход меняет императивные шаги на конечное состояние.

Базовые сущности нового подхода:

Intent — это не просто системный промпт. Это контракт, декларативное описание желаемого результата. Именно он становится компасом для модели, когда заканчиваются жесткие инструкции. Без грамотно спроектированного intent система при первой же аномалии уйдет в галлюцинации или начнет оптимизировать ошибочную метрику.

Goal — наблюдаемый, измеримый критерий успеха. Intent порождает Goal. Это не действие ("написать клиенту"), а состояние ("клиент подтвердил решение, тикет не переоткрыт 24 часа").

📊 Архитектурные трейд-оффы автономности

Сделать всё вокруг автономными агентами — дорогостоящая ошибка. Anthropic прямо указывает: интеллект нужно внедрять точечно, начиная с простых абстракций. Архитектурный выбор сводится к трем уровням:

🔹 Script-based: Старый добрый детерминированный код. Никаких LLM. Идеально для предсказуемых задач с нулевой вариативностью.

🔹 Workflow-based: LLM встраивается в жесткий направленный ациклический граф (DAG). Пайплайн фиксирован, но на узловых точках (классификация, экстракция сущностей, роутинг) модель принимает решения. Дает максимальную предсказуемость при умеренных затратах.

🔹 Intent-based: Зона чистых агентов. Мы отдаем модели на откуп планирование, вызов инструментов (Tool Use) и способность к рефлексии. Это дорого с точки зрения токенов и latency, но абсолютно необходимо для задач с высоким уровнем неопределенности.

⚙️ Control Plane: инженерия ограничений

Делегирование свободы не означает потерю контроля. Безопасность в intent-driven системах строится через constraints — барьеры, внутри которых агент волен искать оптимальный путь.

🔸 Hard constraints: Изоляция на уровне оркестратора и инфраструктуры. Это жесткие тайм-ауты, лимиты бюджета токенов, read-only доступы к базам или блокировка мутирующих API.

🔸 Soft constraints: Эвристики на уровне промпта. Они задают предпочтительный стиль общения или алгоритм поиска, но в критической ситуации (чтобы достичь Goal) агент может ими пренебречь.

По прогнозам IBM Research, индустрия движется к Objective-Validation Protocol. Разработчики перестанут писать шаги реализации и перейдут к проектированию "песочниц".

Наша задача сведется к формулированию целей, настройке ограничений и валидации результатов на критических контрольных точках, оставляя рутину коллекциям автономных агентов.


📚 Что почитать:

Building effective agents — Anthropic
The Intent Engineering Framework for AI Agents — Paweł Huryn
🔥16👍4❤3🤡1
Context Engineering vs Prompt Engineering: В чем разница и что важнее для проектирования систем с ИИ

Времена, когда мы пытались решить любую проблему с галлюцинациями LLM с помощью заклинаний вроде "подумай шаг за шагом" и "ты эксперт мирового уровня", проходят.

При проектировании Enterprise AI-систем происходит фундаментальный сдвиг от простой оптимизации запросов (model-centric) к проектированию информационных сред (data-centric).

⚙️ Prompt Engineering: Микро-управление и его потолок

Prompt Engineering отлично справляется с настройкой стиля, формата ответа и базовой логики рассуждений (Reasoning). Но у него есть жесткий предел.

Если у модели нет реальных знаний о предметной области (Grounding), даже самый совершенный Chain-of-Thought не защитит систему от уверенных галлюцинаций.

Кроме того, сложные промпты трудно масштабировать на запутанные бизнес-кейсы, и они имеют свойство непредсказуемо ломаться при минорных обновлениях весов модели (или при смене провайдера API).

🏗 Context Engineering: Макро-архитектура данных

Context Engineering — это системный подход к проектированию конвейера подачи данных в модель. Фокус смещается с того, как спросить, на то, чем подкрепить вопрос. Эта дисциплина находится на стыке NLP, Data Engineering и системной архитектуры.

Качество работы любой продакшен AI-системы напрямую ограничено качеством её контекста. Архитектура работы с контекстом требует решения сразу нескольких инженерных задач:

🔹 Chunking Strategies: Как именно мы нарезаем документы для векторной базы? Обычный fixed-size чанкинг часто разрывает смысл предложений.

Продвинутые пайплайны используют semantic chunking, сохраняя логические и смысловые границы текста.

🔹 Context Management: Динамическая сборка промпта "на лету". Индустрия идет к паттернам вроде Active RAG, где AI-агент сам оценивает, хватает ли ему текущего контекста для ответа, или нужно сделать дополнительный поисковый запрос к базе знаний.

🕸 Эволюция контекста: интеграция с Knowledge Graphs

Помимо классического RAG на основе векторов, Context Engineering активно интегрируется с графами знаний (Knowledge Graphs).

Подход GraphRAG позволяет извлекать сложные логические связи между бизнес-сущностями. В результате модель получает в окно контекста не просто разрозненные куски текста, а структурированное дерево зависимостей, что радикально повышает логическую точность ответов.

⚖️ Разделение ответственности на практике


Чтобы получать качественные ответы от LLM не нужно писать мега-промпты на 50000 токенов со всеми правилами бизнеса.

Промпт должен отвечать исключительно за роль, стиль и формат вывода.

А вот пайплайн данных (Context Engineering) берет на себя ответственность за содержание и достоверность.

В юридическом AI-помощнике никакой системный промпт не заставит модель точно процитировать закон. Эту задачу железобетонно решает только пайплайн извлечения данных.

🚀 Практический вывод

Если ваша LLM-система работает нестабильно, пропускает факты или фантазирует — перестаньте тратить часы на переписывание системных промптов.

Инвестируйте время в пайплайн данных. Внедрите этап Reranking, настройте гибридный поиск и улучшите стратегии чанкинга в индексной базе.

📚 Что почитать:
1. "Data-Centric AI" — концепция Andrew Ng.
2. "Advanced RAG Techniques: an Illustrated Overview" — LlamaIndex Blog.
🔥19👍10❤2👏1
Есть ли у вас целостное понимание — как работают LLM, чем отличаются паттерны промптинга и что скрывается за словом "агент"?

📺 Разложим всё по полочкам на открытой лекции [Основы работы с AI — от 0 до агентов] с Павлом Вейником.

🔥 Что разберём

Простым языком об AI: как они работают, почему ошибаются, и как их использовать.

🔸 Как устроены LLM: токены, контекст, температура.
🔸 Механизм внимания: возможности и ограничения.
🔸 Паттерны промптинга: от базового Zero-Shot до ReAct.
🔸 Продвинутые концепции: что такое агенты, MCP и RAG — и зачем они вообще нужны.

Спикер: Павел Вейник — Founding Architect Hard & Soft Skills, ex-Architect Miro и EPAM, разработчик с 2003 года.

Это must-have для всех, кто хочет системно разобраться в основах AI.

Спойлер: это первая лекция нашей новой рубрики — дальше будем погружаться только глубже!


🗓 28 апреля в 19:00 (GMT+3)

👉 Регистрируйтесь и присылайте вопросы
🔥15❤‍🔥2❤1
МИФ: "Нам нужны микросервисы, чтобы масштабироваться"

Если монолит начал задыхаться от нагрузки, — надо срочно пилить его на микросервисы. В начале 2020-х годов этот совет звучал из каждого утюга и, пожалуй, стал самым дорогим архитектурным заблуждением за всю историю IT-индустрии.

❌ Миф

Разрезав большое приложение на десятки изолированных сервисов, мы автоматически решим любые проблемы с производительностью. Система взлетит, начнёт держать космические RPS, а серверы будут масштабироваться сами по себе.

✅ Реальность

Микросервисы не имеют почти ничего общего с техническим масштабированием производительности.

В первую очередь — это инструмент для масштабирования организационной структуры.

Они жизненно необходимы, когда сотни независимых команд должны параллельно писать и деплоить код без взаимных блокировок.

Технически же микросервисы только замедляют работу приложения и экспоненциально увеличивают операционную сложность инфраструктуры. Внедрять их ради RPS — это попытка вылечить насморк гильотиной.

📖 Откуда взялся этот миф

В эпоху агрессивного внедрения cloud-native подходов стартапы и энтерпрайз начали слепо копировать архитектуру бигтеха — Netflix, Amazon, Uber.

На конференциях харизматичные спикеры рассказывали, как круто работает их распределённая система. Но они умалчивали о главном: архитектура распиливалась из-за того, что тысячам инженеров стало физически тесно в одном репозитории.

Индустрия же, поддавшись карго-культу, восприняла микросервисы как универсальный паттерн для любых высоконагруженных проектов.

🔍 Недостатки микросервисов

🔹 Закон Конвея и когнитивная перегрузка. Архитектура системы неизбежно копирует структуру коммуникаций в компании. Если у вас 10 разработчиков и 30 микросервисов, вы заставляете людей постоянно переключать контекст. Это убивает продуктивность.

🔹 Сетевые задержки вместо in-memory вызовов. В монолите вызов функции или метода — это наносекунды в оперативной памяти. В микросервисах — это сетевой запрос, сериализация, десериализация и ожидание ответа. Вы вставляете медленную сеть между логическими кусками вашего кода, гарантированно увеличивая общую latency.

🔹 Ад распределённых данных. В монолите вас спасают надежные ACID-транзакции в рамках одной базы данных. В микросервисах данные размазаны по узлам, и вам приходится познавать всю боль Saga pattern, compensating transactions и Eventual consistency.

🔹 История компании Segment. Классический кейс провала. Ребята честно распилили систему на микросервисы, а затем осознали, что поддержка распределённой инфраструктуры, сложного CI/CD и трейсинга съедает всё время. Вернувшись к монолиту, они радикально сократили операционные издержки.

💡 Что делать на самом деле

🔸 Возвращайтесь к Модульному Монолиту. Индустрия наконец-то сделала круг и признала этот подход золотым стандартом. Физически вы деплоите один процесс, но внутри логика строго разделена на независимые домены. Вы получаете чистую архитектуру без сетевого оверхеда.

🔸 Масштабируйте серверы, а не архитектуру. Вертикальное масштабирование почти всегда дешевле. Купить сервер с терабайтом оперативки обойдется в десятки раз дешевле, чем нанять команду DevOps-инженеров для обслуживания Kubernetes-кластера из 50 микросервисов.

🔸 Ориентируйтесь на размер команды. Если у вас нет 3–5 независимых команд разработки, микросервисы принесут только страдания. Не пытайтесь решать проблемы "как у Netflix", если вы не Netflix.

🔸 Ищите ботлнеки. Прежде чем переписывать всю систему, найдите реальную причину тормозов. В 90% случаев это будет неоптимизированный SQL-запрос или отсутствие нужных индексов в БД.

Микросервисы — это превосходный инструмент, но только тогда, когда ваша главная архитектурная проблема звучит как: "разработчики наступают друг другу на ноги", а не "наш сервер перестал справляться с нагрузкой".

📚 Что почитать:

- MonolithFirst — Мартин Фаулер
- Building Microservices, Глава 1 — Сэм Ньюмен
- Goodbye Microservices: From 100s of problem children to 1 superstar — Блог Segment
🔥19👍16👏4❤1❤‍🔥1
АНАТОМИЯ ФИЧИ: Celebrity архитектура

Проектирование ленты новостей — это классическая архитектурная задача, где нужно найти баланс между стоимостью записи и задержкой чтения.

🔬 Поверхностный слой — что видит пользователь

Пользователь открывает ленту социальной сети и ожидает мгновенной загрузки актуальных постов. В то же время публикация собственного контента должна происходить без задержек. Это типичный read-heavy профиль нагрузки с жесткими требованиями к latency.

⚙️ Средний слой — как это работает

Распространение контента подписчикам (fan-out) строится на двух базовых стратегиях:

🔸 Fan-out-on-write (Push Model) — при публикации поста он асинхронно записывается в прекомпилированные ленты (кэш) всех подписчиков автора. Чтение становится O(1), но запись требует значительных ресурсов.

🔸 Fan-out-on-read (Pull Model) — лента собирается на лету в момент запроса из постов всех подписок пользователя. Дешевая запись, но крайне дорогое чтение.

🧬 Глубокий слой — внутреннее устройство

В чистом виде ни одна из этих моделей не работает под большой нагрузкой из-за "эффекта селебрити".

Представьте аккаунт с 50 млн фолловеров. При использовании Push-модели публикация одного поста породит 50 млн операций записи. Очереди сообщений переполняются, кластер Redis деградирует, eventual consistency деградирует до часов задержки доставки.

Стандарт индустрии — гибридный fan-out:

🔹 Вводится Celebrity Threshold (порог популярности, например, 10 000 подписчиков).

🔹 Для обычных пользователей (ниже порога) работает Fan-out-on-write. Post Service отправляет событие в топик Kafka, а Fan-out Service (консьюмеры) асинхронно обновляет кэши лент подписчиков.

🔹 Для селебрити включается Fan-out-on-read. Их посты не пушатся подписчикам, а просто сохраняются в хранилище (БД/отдельный кэш автора).

🔹 При открытии ленты клиентом система берет готовый кэш (посты от обычных авторов), на лету подтягивает свежие посты от селебрити, на которых подписан юзер, производит быстрый merge, ранжирование и отдает результат.

Для хранения прекомпилированных лент идеально подходят Redis Sorted Sets (ZSET), где score — это timestamp (или вес для ML-алгоритмов), а member — post_id.

Для защиты БД от всплесков используются паттерны write-behind caching и request collapsing (схлопывание одновременных запросов от разных клиентов).

💡 Когда использовать

Гибридный подход обязателен для любых социальных платформ, рекомендательных систем и агрегаторов контента, где граф подписчиков имеет сильные перекосы, а требования к latency на чтение критичны.

⚠️ Когда НЕ использовать

В B2B-системах, корпоративных мессенджерах или нишевых комьюнити с равномерным графом связей.

Если в системе нет инфлюенсеров, усложнение архитектуры до гибридного fan-out не оправдает затрат на разработку и инфраструктуру — чистый Push справится быстрее и предсказуемее.

📚 Что почитать:

"Write-Time vs Read-Time Fan-Out" — Abstract Algorithms
"How Do You Architect a Scalable Activity Feed System?" — Stream.io Blog
👍19🔥9❤3👌1
Как системно работать с AI-агентами: Intent Engineering Framework

Разбираем архитектуру надежной автономии AI-агентов на базе индустриального стандарта Intent Engineering Framework.

🎯 Objective

Цель задает стратегическую установку, определяющую решаемую проблему и причины ее важности.

Понимание глобального смысла позволяет модели корректно рассуждать о граничных случаях и принимать взвешенные решения в ситуациях trade-off.

Добавление такого стратегического контекста вместо сухих инструкций существенно повышает автономность AI.

📊 Desired Outcomes

Это наблюдаемые состояния, подтверждающие достижение цели.

Важно фиксировать именно финальные изменения в мире с позиции стейкхолдера, а не промежуточные шаги в работе агента.

Оптимально выделять от двух до четырех таких результатов. Например, верная маршрутизация тикета — это лишь действие, тогда как отсутствие повторных обращений от клиента является измеримым и валидным результатом.

❤️ Health Metrics

Защита от проблемы Гудхарта: эти параметры фиксируют, что категорически не должно деградировать в процессе работы.

Если оптимизировать исключительно пропускную способность, система неизбежно начнет срезать углы.

В отличие от жестких барьеров, метрики здоровья выступают рулевыми параметрами на уровне промпта, корректируя общую стратегию выполнения задач.

🌐 Strategic Context

Без описания среды обитания любые намерения превращаются в неструктурированный шум.

Данный контекст включает доступные API, внутренние базы знаний, организационную иерархию, бизнес-правила и ограничения среды, такие как строгие регуляторные требования.

🧱 Constraints

Ограничения задают рамки дозволенного и архитектурно делятся на два принципиальных слоя:

🔹 Steering constraints — софт-правила внутри промпта, формирующие суждения агента (например, требование избегать технического жаргона при общении с пользователем).

🔹 Hard constraints — жесткие лимиты на уровне кода и оркестрации (guardrails в SDK), которые модель технически не может нарушить ни при каких обстоятельствах.

⚖️ Decision Authority

Определение границ автономии: какие задачи решаются самостоятельно, где требуется аппрув человека, а что строго запрещено.

Этот паттерн концептуально копирует модель полномочий из микросервисных архитектур, где каждый компонент автономен исключительно в своей изолированной зоне ответственности.

🛑 Stop Rules

Критически важный для продакшена слой, описывающий условия немедленного прерывания автономии.

Агент обязан остановиться и передать контроль живому оператору при потере существенного рабочего бюджета, обнаружении системного бага или прямом запросе клиента, чтобы гарантированно избежать зацикливания и неконтролируемого расхода ресурсов.

📚 Что почитать:

Intent Engineering for AI Agents: The Framework Methodology Connection
🔥15❤3👍1🤡1😴1
Choreography vs Orchestration: Как микросервисы должны общаться между собой

Разбираем по раундам, где какой подход реально выигрывает, а где проигрывает с разгромным счётом.

🥊 Раунд 1: Coupling и автономия команд

Choreography: сервисы знают только формат событий. Новый подписчик добавляется без правок в существующих. Идеально ложится на DDD bounded contexts.

Но если команды начинают завязываться на порядок и форматы чужих событий — получаете распределенный монолит с lock-step deployment.

Orchestration: оркестратор знает обо всех участниках workflow. Coupling выше по определению, зато явный и сосредоточен в одном месте.

Риск — god object orchestrator, в который течёт вся бизнес-логика компании.

🏆 Победитель раунда: Choreography (если границы доменов нарезаны честно).


🥊 Раунд 2: Управление сбоями и компенсации

Choreography: каждый сервис сам слушает compensation events и решает, что откатывать. До 3–4 участников терпимо, дальше — квадратичный рост числа компенсационных сценариев и невозможность их протестировать.

AWS прямо пишет: "End-to-end monitoring and reporting are more difficult to achieve in saga choreography".

Orchestration: вся логика "что делать при сбое payment" — в одном файле. Built-in retry, timeout, circuit breaker. В Temporal/Cadence процесс переживает падение машины и продолжает с того же шага.

🏆 Победитель раунда: Orchestration. Особенно при 5+ участниках saga.


🥊 Раунд 3: Throughput и latency

Choreography: меньше сетевых хопов, producer не ждёт consumer. SumUp в 2025 гонит миллионы платёжных событий в день через Kafka в 30+ странах — без оркестратора посередине.

Orchestration: каждый шаг — хоп через центральный engine. Latency складывается, throughput ограничен производительностью оркестратора (хотя горизонтально масштабируется).

🏆 Победитель раунда: Choreography для high-volume real-time.


🥊 Раунд 4: Observability и аудит

Choreography: "где зависло?" — вопрос без ответа без OpenTelemetry, correlation IDs и distributed tracing. Чтобы понять процесс "оформление заказа", нужно открыть код 5–7 сервисов и собрать схему вручную.

Orchestration: workflow целиком виден в UI. История шагов персистится, состояние доступно для аудита. Для regulated industries (финансы, healthcare) — почти безальтернативно.

🏆 Победитель раунда: Orchestration с явным разрывом.


🥊 Раунд 5: Эволюция бизнес-процесса

Choreography: изменили шаг — потенциально правите несколько сервисов и переразвёртываете их согласованно.

Orchestration: правка одного workflow definition. Сервисы не трогаем. Netflix снизил transient deployment failures с 4% до 0,0001% после миграции на Temporal.

🏆 Победитель раунда: Orchestration.


🏁 Вердикт

Берите Choreography, когда: 2–4 сервиса в координации, high-throughput события, нотификации и аналитика, между bounded contexts ради автономии команд. Инструменты: Kafka, NATS, EventBridge.

Берите Orchestration, когда: 5+ участников в saga, длинные процессы (часы/дни), сложные компенсации, требования к compliance и аудиту, AI/LLM-pipelines с retry. Инструменты: Temporal, Cadence, AWS Step Functions, Camunda 8.

И главное: не выбирайте глобально.


В одной системе нормально живут оба подхода — оркестрация в ядре критичных процессов, хореография по краям для реакций и аналитики. Без OpenTelemetry и идемпотентности любой выбор превратится в боль.

📚 Что почитать:

— Saga Orchestration vs Choreography от Temporal
— How Temporal Powers Reliable Cloud Operations at Netflix (декабрь 2025)
🔥10❤6👍2🤡2
Архитектурные катастрофы — часть 9: Starlink — как «неубиваемая» сеть из 8000 спутников упала из-за одного деплоя

К июлю 2025 Starlink — это ~8000 LEO-спутников, ~150 наземных шлюзов и 6+ млн абонентов в 140 странах.

Маркетинг десятилетие продавал систему как альтернативу наземной инфраструктуре — мол, на тысячах распределённых нод по орбите ничего серьёзно сломать нельзя.

24 июля 2025 в 19:13 UTC сеть синхронно упала по всему миру на 2.5 часа.

🛰 Централизованный control plane на распределённом data plane

LEO-спутник летит со скоростью 7.5 км/с. Топология constellation меняется каждую секунду — Dijkstra на борту слишком дорого по энергии и compute.

Поэтому SpaceX выбрала snapshot routing: маршрутные таблицы и allocations пересчитываются на земле и рассылаются на спутники по тайм-стампам.

Каждые 15 секунд глобальный планировщик переназначает терминалы на спутники по всему миру. Один. На весь мир.

Спутники без свежих snapshot'ов — это stateless forwarders, которые физически летают, но не знают, кому какой пакет передать.

📉 Плановый rollout, который сжёг всё

В 19:13 UTC SpaceX начала раскатывать обновление на ground compute clusters. При перераспределении нагрузки между новой и старой версией кластера каскад перегрузил систему.

Контрол плэйн перестал выдавать 15-секундные allocations. Терминалы перешли в searching и не могли ассоциироваться ни с одним спутником.

💥 Кульминация

🔸 Длительность: 150 минут downtime. Потеря трафика 84%.
🔸 География: все континенты одновременно.
🔸 Пострадавшие: 58 000+ репортов на пике Downdetector, отказ боевого видео-фида ВСУ, морские маршруты, рудники, emergency services.
🔸 Спутники, лазеры, антенны, шлюзы — физически исправны но без связи с интернетом.

🔍 Разбор полётов

— Что пошло не так: деплой на ground compute clusters спровоцировал каскадную перегрузку control plane.

— Почему это произошло: один логический control plane управлял сразу тремя плоскостями — UT scheduling, ISL routing, backbone routing. Не было географической изоляции, не было canary с реальным rollback, не было degraded mode "работаем по последнему snapshot'у ещё N минут".

— Как надо было: отделить control plane от data plane, декомпозировать control plane по доменам, canary с автоматическим откатом на росте количества ошибок.

Иронично: для спутникового софта у SpaceX блестящая OTA-инфраструктура — A/B partitioning, hardware watchdog, hub-and-spoke distribution, canary, 200+ успешных апдейтов с нулём потерянных спутников.

📌 3 урока из этой катастрофы

🔹 Распределенная система — это не про количество нод, а про независимость их failure modes. 8000 спутников, 150 шлюзов — и всё это положил один деплой. Сколько бы вы ни нагородили избыточности на data plane, единственный control plane над ним становится глобальным SPOF.

🔹 Control plane требует более строгого деплоймент-режима, чем data plane. Canary, A/B, automated rollback, degraded mode на last-known-good snapshot.

🔹 Маркетинговая ложная отказоустойчивость опаснее честно заявленного SPOF. "У нас 8000 нод" / "у нас 30 регионов" / "у нас планетарная сеть" — это нарратив, который скрывает реальную точку отказа и расслабляет архитекторов клиентов.

🔹 Частая проблема в индустрии. CrowdStrike-2024, Cloudflare-2023, AWS US-East-1-2025, Starlink-2025 — один и тот же паттерн.

📚 Что почитать:

ThousandEyes — Starlink Outage Analysis: July 24, 2025

SmallSat 2023 — Over-the-Vacuum Update — Starlink's Approach for Reliably Upgrading Software
🔥15❤4👏3👾2❤‍🔥1👍1🤯1
Привет! 👋

Если вы читаете этот канал – значит, вы уже какое-то время с нами. Спасибо за это – надеемся, что наши ивенты и материалы приносят пользу.

Мы хотим сделать H&S Skills ещё лучше – и для этого обращаемся к вам за помощью. Проводим короткие созвоны (20–30 мин) с участниками сообщества, чтобы понять, что работает, а что можно улучшить.

Если готовы уделить полчаса – выбирайте удобный слот:
https://calendar.app.google/Gtp8TDf3Mxm9rbes7
👍15
Как выйти за рамки простых чатов и научить AI работать с вашими данными?

📺 Продолжаем погружение на второй открытой лекции из нашего цикла — [Глубже про MCP, RAG, CAG и A2A] с Павлом Вейником.

🔥 Что разберём

Переходим от основ к продвинутым паттернам интеграции AI в реальные проекты:

🔹 Model Context Protocol (MCP): зачем нужен новый стандарт связи и как он меняет разработку.
🔹 RAG vs CAG: как эффективно подавать контекст и в чём разница между Retrieval и Cache Augmented Generation.
🔹 A2A (AI-to-AI): как проектировать системы, где агенты общаются и ставят задачи друг другу.
🔹 Динамический контекст: способы управления знаниями в высоконагруженных решениях.

Несмотря на "страшные" аббревиатуры, мы разложим всё на понятных схемах и примерах. Даже если вы не инженер, вы поймете логику работы современных AI-систем


Спикер: Павел Вейник — Founding Architect Hard & Soft Skills, ex-Architect Miro и EPAM, разработчик с 2003 года.

На первой лекции мы закладывали фундамент, теперь пришло время строить на нём сложные системы. Если вы пропустили, запись можно посмотреть у нас на YouTube.

🗓 12 мая в 19:00 (GMT+3)

👉 Регистрируйтесь и готовьте ваши вопросы
🔥17👍5❤‍🔥2❤1
Архитектурные паттерны AI-агентов и их практическая реализация

Разбираем уже сложившиеся подходы к проектированию агентных систем и то, как они реализуются на практике.

🧠 Архитектурные модели агентных систем

Вместо простой генерации кода современные системы используют паттерны, моделирующие рациональное поведение:

🔹 Belief-Desire-Intention (BDI) — концепция, где агент четко разделяет убеждения, формируемые через RAG и инструменты, желания в виде декларативных целей, и намерения как выбранный план действий.

Это позволяет агенту осознанно выбирать действия на основе текущей информации без жесткого перепрограммирования.

🔹 Goal-Oriented Architecture (GOA) — декомпозиция целей на конкретные задачи с возможностью автоматической реконфигурации при сбоях.

Для опытных инженеров это аналогия с Domain-Driven Design, где вместо bounded contexts используются goal contexts, а вместо агрегатов — подцели.

Подход эффективно масштабируется:

1️⃣ Cистемные архитекторы управляют глобальными целями энтерпрайза

2️⃣ Техлиды выполняют по сути ту же архитектурную работу, но на меньшем масштабе и с меньшим бизнес-контекстом. Они определяют локальные метрики конкретных сервисов, такие как responsiveness или robustness.

🔹 Cognitive Architecture — наиболее продвинутый подход, включающий полный цикл мышления.

Агент не просто следует плану, но использует системы памяти (short-term и long-term) и рефлексии для постоянного обучения и адаптации на основе обратной связи.

🛠 Практика: от намерений к рабочему коду

Для эффективной интеграции таких систем индустрия активно стандартизирует передачу проектного контекста:

🔸 Spec-Driven Development и AI Intent Driven Development (IDD) — методологии, смещающие фокус с написания кода на создание спецификаций.

Разработчик формализует требования в виде самодостаточного документа (WHY, WHAT, HOW), а агент самостоятельно генерирует проверяемые задачи и выполняет их пошагово.

🔸 AGENTS.md — универсальный стандарт от Agentic AI Foundation, принятый в десятках тысяч репозиториев. Это единый markdown-файл, описывающий для агентов (таких как Cursor или Copilot) все архитектурные решения, соглашения и запреты конкретного проекта.

🔸 Agent Skills — формат передачи процедурных знаний от Anthropic. Если MCP предоставляет прямой доступ к инструментам, то директории SKILL.md объясняют бизнес-логику их применения с постепенным раскрытием инструкций, сохраняя эффективность контекстного окна.

📚 Что почитать:

1. What Is Agentic Architecture? — IBM Think
2. Equipping agents for the real world with Agent Skills — Anthropic

🎤 Приходите на открытую лекцию [Глубже про MCP, RAG, CAG и A2A] от Павла Вейника во вторник 12 мая!

На лекции мы доступным языком разберем:

🔹 Model Context Protocol (MCP): зачем нужен новый стандарт связи и как он меняет разработку.
🔹 RAG vs CAG: как эффективно подавать контекст и в чём разница между Retrieval и Cache Augmented Generation.
🔹 A2A (AI-to-AI): как проектировать системы, где агенты общаются и ставят задачи друг другу.
🔹 Динамический контекст: способы управления знаниями в высоконагруженных решениях.

🗓 12 мая в 19:00 (GMT+3)

👉 Регистрируйтесь и готовьте ваши вопросы
🔥12❤5👍2🤡1
АНАТОМИЯ ФИЧИ: Distributed Tracing — как найти «тормозящий» запрос в лесу из 50 микросервисов

Когда один клик пользователя инициирует 30–100 RPC, метрики дают агрегаты, логи — события, а связь между ними рвётся на границе процесса.

Distributed tracing сшивает один запрос в дерево spans и показывает, где именно ушло время. Разбираем, как это устроено внутри.

🔬 Поверхностный слой — что видит инженер

В UI Jaeger/Tempo/Datadog ты открываешь waterfall-диаграмму: горизонтальные полоски операций, выстроенные во времени.

Видно, что POST /checkout длился 1850 ms, из них payment-service.charge — 1700 ms, а внутри него — четыре retry к Stripe.

Дальше — характерные паттерны:

🔹 N+1
(сотня одинаковых db.SELECT внутри одного span)
🔹 Retry storm (серия одноимённых spans с ошибками)
🔹 Timeout cascade (домино из тайм-аутов вверх по стеку)
🔹 Connection pool exhaustion (db.connection.acquire >50 ms вместо <1 ms)
🔹 Gap между spans (промежуток, не покрытый инструментами — там обычно GC pause или legacy-библиотека).

⚙️ Средний слой — как это работает

Trace — это дерево spans с общим 128-битным trace_id.

Span — единичная операция: HTTP-запрос, SQL, вызов Redis, бизнес-шаг. У него span_id, parent_span_id, start_time/end_time, status, attributes, events, kind (SERVER/CLIENT/PRODUCER/CONSUMER).

Между процессами контекст переносится через W3C-заголовок traceparent: 00-{trace_id}-{parent_span_id}-{flags}.

Это — стандарт по умолчанию во всех современных стэках; B3 остался только для legacy-интеграций.

Sampling решает, какие трейсы оставить:

🔸 Head-based — решение на root span, по hash от trace_id. Дёшево, но слепо: редкая ошибка может не попасть
🔸 Tail-based — решение в Collector после сбора всех spans. Stateful, требует load balancing by trace_id и decision_wait 10–30 секунд, зато ловит 100% errors и slow
🔸 Adaptive — динамический rate per service/operation (Jaeger remote, Grafana Adaptive Traces)

🧬 Глубокий слой — внутреннее устройство

OpenTelemetry с 2019 поглотил OpenTracing и OpenCensus — это де-факто стандарт.

Архитектура: SDK в приложении (Sampler → Span Processor → Exporter) → OTel Collector (Receivers → Processors → Exporters) → бэкенд (Tempo на S3, Jaeger на Cassandra, Datadog, Honeycomb). Транспорт — OTLP поверх gRPC или HTTP.

Главные грабли — async-пропагация.

В Kafka типичная ошибка: extract'ить context один раз на batch и сделать всех детьми первого trace.

Правильно — extract per-record и использовать span links (FOLLOWS_FROM) вместо parent-child, когда producer и consumer разделены во времени.

Иначе либо потеряешь correlation, либо раздуешь длительность producer-trace до часов.

Реактивные стэки (Mono/Flux, Kotlin coroutines, asyncio) теряют контекст между этапами pipeline без явных хуков (Hooks.enableAutomaticContextPropagation, MDCContext).

💡 Когда использовать

🔹 20+ микросервисов, где latency-инциденты разбираются часами по логам и метрикам.
🔹 Async-пайплайны через Kafka/SQS, где нужно проследить путь сообщения end-to-end.
🔹 Поиск регрессий после деплоя: waterfall показывает вставку нового шага в pipeline (Stripe-кейс с fraud_check_v2 на 600 ms).
🔹 Связка с метриками через exemplars — клик по точке на графике p99 → конкретный медленный trace.

⚠️ Когда НЕ использовать (или применять с осторожностью)

🔸 Auto-instrumentation everywhere без sampling — academic-бенчмарк Umeå University 2024: до 42% CPU и 24% latency overhead. С батчингом и head-sampling 5–10% — падает до 3.6%.
🔸 High-cardinality в attributes (user_id, email, request_body) — взрывает индексы Jaeger/ES и биллинг Datadog/Honeycomb. Высокая cardinality — в events или логи, скоррелированные через trace_id.
🔸 Один пропагатор на гетерогенную систему — миксы B3 и W3C рвут трейсы. Composite propagator на edge — cheap insurance.
🔸 Tail-sampling без load balancing by trace_id — половина spans уйдёт в разные Collector'ы и трейс не соберётся.

📚 Что почитать:

«Sampling — OpenTelemetry official docs» — каноническая дока по head/tail/adaptive
«Mastering Distributed Tracing» — Yuri Shkuro, создатель Jaeger
🔥6❤1👎1
Друзья! По вашим просьбам теперь записи наших ивентов будут и на английском!

Самые свежие видео уже переведены и озвучены, постепенно сделаем и остальные. Делитесь с англоговорящими коллегами!

📺 Наш YouTube-канал

А чтобы всегда быть в курсе наших мероприятий, подпишитесь на нашего бота H&S Assistant.

Он будет:

🔹 Присылать напоминания о начале эфиров, чтобы вы ничего не пропустили.
🔹 Отправлять прямые ссылки на записи в YouTube сразу после их выхода.

📆 Уже завтра мы встречаемся на открытой лекции [Глубже про MCP, RAG, CAG и A2A] от Павла Вейника!

Разберём ключевые паттерны интеграции AI с данными и внешними системами.

👉 Регистрируйтесь и присылайте ваши вопросы
👍11🔥10❤5🤩1😍1
Токсичный гений: уволить нельзя оставить — где ставить запятую

В Netflix еще с 2009 года работает правило "no brilliant jerks". А Тим Кук в 2012 уволил Скотта Форстолла — создателя iOS и протеже Джобса — за неспособность работать в команде. Инженеры Apple отреагировали тихим ликованием.

Значит ли это, что "незаменимых, но сложных" инженеров нужно обязательно увольнять? Будем разбираться.

🧬 Сначала диагностика

Brilliant jerk — устойчивый паттерн: атакует личность, использует знание как рычаг давления, на фидбэк отвечает защитой и газлайтингом. Самооценка — "я здесь лучший".

С ним легко спутать:

🔸 Выгорание. Поведение изменилось недавно. Senior, который раньше менторил, теперь пишет "ок" без комментариев. На вопрос "что произошло?" — не защита, а грусть.

По JetBrains — 73% разработчиков проходили через выгорание, по LeadDev 2025 — 22% сейчас в критической фазе.


🔸 Культурные различия. Прямая обратная связь в одной культуре читается как агрессия в другой. Лечится явными нормами коммуникации.

🔸 Нейроотличная прямота. Аутистическая коммуникация — точность, а не доминирование. Отсутствие small talk и буквальная интерпретация — не атака. Маркер: такой инженер НЕ хочет доминировать в митингах и НЕ получает удовольствия от чужого дискомфорта.

🔸 Провал менеджмента сверху. 47% сотрудников в опросе TalentLMS называют "отсутствие лидерства" корнем токсичной культуры. Перед конфронтацией собери 360 на себя.

💸 Цена "оставить" обычно выше цены "уволить"

Главный аргумент в пользу терпения — "без него проект встанет". Это миф.

Стоимость замены senior-инженера в США в 2026 — $176K–$375K (Salary.com). Удержание токсика обходится команде примерно в 2x дороже за год.

Текучка вокруг токсичного менеджера в 2.5x выше базовой, а токсичная культура — в 10.4 раза более сильный предиктор увольнения, чем компенсация.

🏗 Незаменимость — диагноз лиду, а не звезде

Bus factor = 1 создаёт лид, который годами отдает срочные задачи самому быстрому, а не распределяет в команде. Что делать ДО любого PIP:

🔹 Матрица знаний. Подсистемы × участники × уровень владения — одна таблица за неделю.

🔹 Параллельное владение. Backup-инженер на каждую систему с bus factor = 1, парный режим 4 часа в неделю.

🔹 CODEOWNERS по ротации и универсальное on-call. Без исключений "слишком senior".

🗣 Если диагноз подтверждён

Большинство менеджеров терпят месяцами без явного фидбэка. "Be more collaborative" не работает.

SBI (Situation-Behavior-Impact): "На design review во вторник (S) ты прервал двух junior'ов и отверг их идеи без объяснения (B). Команда перестала предлагать альтернативы (I)". В течение 24 часов от инцидента.

Поведенческий Performance Improvement Plan. «50% работы — техника, 50% — как ты работаешь с людьми. Вторую половину ты сейчас проваливаешь». 30/60/90 со SMART-целями: ноль непровоцированных перебиваний, менторинг одного junior'а, ведение одного ADR с консенсусом команды.

Параллельно с PIP — план передачи знаний. Не дожидаясь исхода. Это и рычаг влияния в финальных переговорах, и страховка команды.

🚪 Точка невозврата

Четыре триггера на увольнение:

🔸 Минусы перевешивают плюсы,
🔸 Отказ расти в people-роль,
🔸 Специализация перестала быть уникальной,
🔸 Поведение угрожает стабильности.

Не подлежат коучингу и идут через дисциплинарный процесс: дискриминация, харассмент, саботаж, устойчивый газлайтинг, эмоциональный шантаж, угрозы увольнением как рычаг.

Главное: Реальность, которую обнаруживает почти каждый менеджер после увольнения токсичного high-performer'а — работа делается. Обычно быстрее. Тихие сотрудники начинают говорить. Восстановление команды — 2–6 недель краткосрочной просадки, потом устойчивый рост.


Если ты три месяца подряд спрашиваешь себя "уволить или нет" — ответ у тебя уже есть.

📚 Что почитать:

«What People Get Wrong About Psychological Safety» — Amy Edmondson & Michaela Kerrissey, HBR May–June 2025

«Radical Candor» — Kim Scott (главы про Order of Operations и HHIPP)

«The Culture Map» — Erin Meyer (шкалы Evaluating и Disagreeing)
🔥31❤4👍3