software-architecture

8 статей

Назад ко всем статьям

Страх против напора: Две реальности AI-кодинга

AI-кодинг работает для элитных команд, способных восстановиться после любого беспорядка. Все остальные получают страх, упавший CI и заброшенные эксперименты. Разрыв — не в модели.

ИИ-кодинг в продакшене: почему большинство команд сдаётся

Большинство команд пробуют ИИ-кодинг, выпускают код, который проваливает QA, и сдаются. Проблема не в модели — а в отсутствии ограждений, которые делают вывод ИИ надёжным.

Почему первая версия никогда не проблема: разработка с AI и долгосрочное сопровождение

Инструменты для разработки с AI отлично создают первую версию. Настоящая инженерная задача начинается на четвёртой версии, когда команде нужно что-то изменить, не ломая всё остальное.

Код, сгенерированный AI, и принцип заменяемости

Настоящая мера качества кода, сгенерированного AI, — не в том, работает ли он в первый день. Она в том, сможете ли вы заменить его на тридцатый день, не переписывая всё остальное.

Детерминированные guardrails для AI codebases

Проверка человеком непоследовательна. Проверка AI ещё хуже. Единственная масштабируемая защита для codebases, сгенерированных AI, — детерминированное enforcement: правила, которые валят сборку, а не советы, которые игнорируют.

Meteor development реален. Вашей codebase не обязательно рушиться вместе с ним

Этот мем работает, потому что команды и правда разрабатывают продукты в условиях постоянно меняющихся целей, фиксированных сроков и наполовину определённого объёма работ. Autotomy не исправит фантазийное планирование, но не даст development останавливаться каждый раз, когда снова меняется маршрут.

Stanford CS146S прав насчет AI coding. Недостающий предмет — архитектура

Этот критический разбор Stanford CS146S показывает, почему курс верно оценивает AI coding, но все еще упускает ключевой урок про AI-архитектуру, границы системы и заменяемость.