Программа «ожила»: что изменилось
После публикации статьи «Как я создаю аналог таблицы Finindie с помощью нейросети - взгляд непрофессионала и причем тут БДСМ? », я продолжил работу над своим проектом — инвестиционным трекером. Благодаря подсказкам нейросети и внимательному подходу к архитектуре, программа стала работать заметно стабильнее, а главное — функциональнее.
Теперь:
- интерфейс стал логичнее и чище;
- добавились новые вкладки и фильтры;
- улучшился обмен данными с API Московской биржи;
- пользователь может наглядно отслеживать стоимость портфеля, дивиденды, докупки.
Проект из экспериментальной заготовки превратился в рабочий инструмент. Но это лишь одна сторона истории.
Нейросеть — не палочка-выручалочка
Наивно думать, что достаточно просто «задать правильный запрос» — и нейросеть сама всё напишет. В умелых руках она становится ускорителем работы, позволяет протестировать десятки гипотез за час, найти изящные решения, о которых даже не задумывался.
Но как только запрос сформулирован неточно — начинается «творчество» нейросети:
- предлагается не тот формат данных;
- игнорируются детали проекта;
- появляются дублирующие или избыточные блоки кода.
Без понимания логики и структуры Python, без чувства архитектуры ты просто не сможешь отделить адекватный ответ от бреда. А значит — легко встроишь в код ошибку, которая будет мешать месяцы.
Работает — не значит качественно
Многие сейчас хотят «делать программы» с помощью нейросетей. В теории — это возможно. Практически — можно собрать работающую схему, которая вроде бы выполняет задачи. Но она будет:
- слишком тяжёлой;
- сложной для поддержки;
- тормозящей в неожиданных местах;
- не масштабируемой.
Такую архитектуру я и получил, когда в первых версиях просто копировал сгенерированный код и клеил его в проект. Ключевая ошибка — отсутствие системной валидации.
Лог-файл — мой главный союзник
Когда проект стал слишком громоздким, я добавил подробный лог-файл. Оказалось, что:
- множество операций дублируются;
- одинаковые функции вызываются по три-четыре раза;
- обновления данных происходят, даже если они не нужны.
Пример: обновление портфеля срабатывало при каждом переходе по вкладкам, хотя достаточно было обновлять один раз при запуске.
Лог показал, что нейросеть предлагала решения, которые на первый взгляд логичны, но в реальности — затратны и неэффективны. Только ручной анализ лога помог вычистить дубли и лишние вызовы.
Что дальше
Я продолжаю работать над проектом. Каждый следующий этап требует:
- больше логики,
- больше проверок,
- больше структурного подхода.
Нейросеть остаётся моим мощным помощником, но теперь я понимаю: она не заменит инженерное мышление.