17 posts
Large language models — неплохие партнёры для brainstorming при открытии test oracles, но они hallucinate свойства и упускают domain constraints. Вот как использовать их, не выкатывая фиктивные тесты.
Вам нужно протестировать функцию, где правильный вывод невозможно знать заранее. Оптимизатор маршрутов. Классификатор sentiment. Физическая симуляция. Вы…
Диалоги с LLM содержат намерения, отвергнутые альтернативы и работающий код. Именно это и должна представлять собой документация. Вот как превратить эфемерный чат в долговечные, доступные для поиска документы, не теряя повествования.
Вы провели сорок пять минут с Claude, проектируя схему повторных попыток. Вы объяснили режимы отказов, отвергли экспоненциальный откат, потому что он скрывает…
Инспекции Фагана требуют от четырёх до шести человек и двух часов на проверку 250 строк. LLM может сократить эти затраты, взяв на себя подготовку и соблюдение чек-листа, но не может заменить человеческие роли, которые находят самые дорогие дефекты.
Полноценная инспекция Фагана требует модератора, читателя, от двух до четырёх инспекторов и автора. Команда тратит два часа на проверку примерно 250 строк кода…
N-version programming звучит просто: запустить несколько реализаций и выбрать лучший ответ. На практике «лучший» определить гораздо сложнее, чем «самый распространённый».
У вас есть пять реализаций одной и той же функции. Три возвращают одинаковый результат. Одна немного отличается. Одна выбрасывает исключение. Какая из них…
N-version programming с LLM не требует нескольких моделей. Можно извлечь разнообразные, корректные реализации из одной модели, варьируя промпты, персоны и ограничения на рассуждения.
N-version programming предполагает, что разнообразие приходит от разных авторов. С LLM это означает разные модели, разных провайдеров, возможно, разные…
Разработка с AI следует градиенту валидации. Бэкенд: миллисекунды. Веб: минуты. Мобильная разработка: часы. Цикл обратной связи определяет, где AI работает.
AI-модель, пишущая код сама по себе — не самая интересная часть. Интересно то, что происходит после генерации кода. Как быстро модель может понять, корректен…
AI-кодинг работает для элитных команд, способных восстановиться после любого беспорядка. Все остальные получают страх, упавший CI и заброшенные эксперименты. Разрыв — не в модели.
Понаблюдайте за двумя командами, использующими одну и ту же AI-модель, и вы увидите два совершенно разных исхода. Первая команда просит модель создать экран.…
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.
Большинство команд, пробующих ИИ-кодинг, проходят одну и ту же траекторию. Они начинают с энтузиазмом. Модель генерирует фичу за минуты, и они её выпускают. QA…
У вас есть проверка типов, линтинг и архитектурные правила. Но ваш детерминированный стек не видит сложности, дублирования и катастроф с именованием. Вот исправление за $0.
Давайте честно посмотрим, как на самом деле выглядит большинство AI-пайплайнов генерации кода прямо сейчас. Вы генерируете код с помощью Cursor или Claude…
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.
Каждая демонстрация разработки с AI идёт по одной и той же траектории. Кто-то даёт модели запрос. Появляется работающее приложение. Аудитория впечатлена. И это…
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.
Большинство разговоров о качестве кода, сгенерированного AI, сосредоточены на корректности в момент генерации. Компилируется ли результат? Проходит ли он…
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.
Стандартный совет для кода, сгенерированного AI, звучит так: «проверяйте его внимательно». Этот совет верный и бесполезный в масштабе. Разработчик, проверяющий…
Когда AI может сгенерировать по спецификации реализацию, тесты и contracts, самая ценная человеческая работа смещается выше по цепочке. Самой пристальной проверки теперь требует сама спецификация.
Если вы уже несколько недель выпускаете код с AI, это ощущение вам, скорее всего, знакомо. Открываете pull request. Код достаточно чистый. Имена нормальные.…
Если вы хотите, чтобы AI-generated code выдерживал production, одного code review недостаточно. Нужен многослойный safety stack: от type constraints до mutation testing и runtime containment.
Самое опасное в AI-generated code не в том, что он всегда неправильный. Самое опасное в том, что он слишком часто выглядит достаточно правдоподобно, чтобы его…
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.
Назовём это Meteor development: пункт назначения объявляют сначала, остановки меняются по ходу, бюджет как будто сам собой должен сойтись, а engineering…
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.
Stanford CS146S — это курс The Modern Software Developer, который ведет Mihail Eric и который впервые запускается осенью 2025 года. За официальным обзором…
Design by contract, property-based testing, mutation testing и model checking не были плохими идеями. Их было слишком дорого поддерживать с точки зрения специализированных знаний. AI меняет это уравнение.
В software engineering полно идей, которые кажутся очевидно правильными в ту же секунду, когда ты их читаешь. Разумеется, contracts должны определять, что…