Менеджер вайбкожаный, с AI-агентами — (Claude, Codex)

Большая языковая модель — это два файла. Параметры нейросети (140 ГБ для Llama 2 70B) и 500 строк кода, который их запускает. Скачиваете оба на ноутбук, компилируете — модель генерирует текст без доступа в интернет. Но между «генерирует текст» и «отвечает на вопросы» лежат два отдельных этапа обучения, о которых редко рассказывают внятно. Разбираться в этом полезно, даже если вы не планируете обучать модель сами — когда понимаете конвейер, проще правильно выбрать модель и архитектуру для ваших задач...

ChatGPT, Claude, Llama — за каждым из этих названий стоит одна конструкция. Файл с параметрами нейросети и файл с кодом, который их запускает. Всё остальное — терабайты текста, тысячи видеокарт, миллионы долларов — нужно только для того, чтобы эти два файла появились. Когда понимаешь, как модель устроена, проще решить, где в бизнесе ей доверять, а где пока рано. Возьмём Llama 2 70B от Meta — одну из самых мощных открытых моделей. 70 миллиардов параметров, каждый хранится в двух байтах. Итого файл весит 140 ГБ...

Горячая функция переписана трижды, профайлер показывает те же цифры, идеи закончились. Дальше обычно начинается ручной перебор вариантов — по одному за вечер. 9 июля 2026 года Google Cloud открыл всем клиентам AlphaEvolve: агент, который перебирает варианты сам, оценивает каждый по вашей метрике и возвращает читаемый код. Разберём цикл поиска, разметим сид-программу, напишем оценщик и запустим первый эксперимент. GPU не понадобится: локальные примеры считаются на обычном ноутбуке, в облако уходят только запросы за кандидатами...

Кажется, что внедрение ИИ начинается с выбора модели: сравнили пару вариантов, подключили, дальше поедет само. Исследование MIT 2025 года показывает, что около 95% корпоративных пилотов генеративного ИИ не доводят дело до заметной цифры в отчёте о прибыли, а RAND в том же году насчитала больше 80% проектов, не дошедших до продакшена. Модель тут почти ни при чём: ломается то, что до неё и после. Разберём маршрут по этапам: замеряем процесс до внедрения, выбираем кандидата на автоматизацию, сравниваем варианты решения, запускаем пилот и считаем окупаемость честно...

Универсального рабочего процесса с AI-агентами не существует — и трое инженеров это доказали на стриме. Андрей Бреслав (один из создателей Kotlin), Валера Ковальский (основатель Neural Deep) и Максим Ключников (техлид) показали три системы, которые не пересекаются ни в одной детали. Общее — подход: каждый собрал свой стек из базовых блоков под конкретные задачи. Если вы строите AI-агентов для своей команды, разберитесь, как устроены скиллы и модульная архитектура агентов — это основа любого из трёх подходов ниже...