Как структурировать продукт для ИИ: 6 элементов Новая точка ценности возникает в создании интерфейса-протокола-API, который позволяет ИИ понимать ваш продукт и действовать в нём (назовём это AIX вдобавок к привычному UX).

AIX, как и UX, ломается не на сложных, а на неявных действиях

Чтобы продукт стал более удобным для ИИ, его можно разложить на несколько элементов: 1) Структурированный контекст, чтобы ИИ-агент мог видеть то же, что видит пользователь. Но ИИ-агенту нужен не весь контекст продукта, а нужный слой на нужном действии, так как избыточный контекст так же ломает агента, как недостаточный (ибо разнообразие должно соответствовать, а не максимизироваться). 2) Типизированные действия, чтобы ИИ-агент знал, какие действия доступны в процессах а) пользователя; б) продукта и бизнеса.

Типизированное действие = предусловие (срез контекста, при котором действие применимо) + действие + постусловие + альтернативный поток (эскалация на человека).

3) Правила эскалации с версионируемой схемой политик поломок и явным владельцем, чтобы ИИ-агент (и человек) знали, при какой ситуации необходимо предпринять действия коррекции и кому. У каждого типизированного действия должна быть задана стоимость отката. Если откат действия дороже самого действия (необратимые операции: отправка, платёж, удаление), эскалация к человеку должна быть предусловием, а не постусловием. 4) Как только продукт структурирован, его частям нужен ИИ-контракт ИИ-контракт определяет, как фича работает на системном уровне, её связь с каждым компонентом, объектом и правила их взаимодействия внутри продукта, чтобы разные продуктовые области могли подключаться и заставлять своих ИИ-агентов выполнять желаемое поведение. И да, версионируйте контракты ВСЁ, иначе без этого ИИ-агенты молча начинают действовать на устаревшей модели продукта. 5) Цикл. Цикл призван улучшать Систему в времени. Примером ценного цикла может служить захват сигнала коррекции: разницы между тем, что сделал ИИ-агент, и тем, исправил ли это пользователь. Например, когда пользователь редактирует текст, сгенеренный ИИ или отменяет предложенный вариант, это разные по силе сигналы. Первый про качество ответа ИИ, второй про доверие/уместность действия со стороны ИИ в глазах юзера, поэтому разделяйте постусловие на «успех» и «частичный успех». Поэтому каждый цикл коррекции должен иметь владельца (ИИ или человек?), который решает, применять ли исправление системно или считать его исключением.

Исправления пользователя — это размеченные им же несостыковки в реальности продукта

Сигнал коррекции даёт сразу 2 преимущества: – Это данные для оценки, потому что сигнал о том, где ИИ терпит неудачу в продакшене, не даст ни один офлайн-бенчмарк и это же данные для улучшения, так как исправления улучшают самого агента с помощью пар предпочтений или прошлых исправлений, добавленных в его контекст, чтобы агент не повторял ту же ошибку. – Этот сигнал даёт ещё и пользовательские поведенческие инсайты для продакта. Сигналы коррекции нужно тайм-стемпить относительно версии контрактов, иначе уже через квартал правки будут учить агента на артефактах несуществующей схемы действий. Все эти ИИ-улучшения делают продукт и фичи персонализируемыми, предсказуемо масштабируемыми и практически автономными. 6) Поскольку ИИ-агентам нужны определённые предусловия для работы в продукте, и лучше продакт-менеджера их не знает никто, то контрактно-ориентированное мышление становится ещё одним элементом в эпоху ИИ

CodeRabbit - AI-ревизор кода На днях CodeRabbit привлекла $143 млн при оценке $1,5 млрд. А для анонса раунда компания позвала Джоша Бренера, актёра, сыгравшего Big Head в "Силиконовой долине". Если смотрели сериал, то выбор идеальный. Big Head лучший друг главного героя, который не очень понимает, что происходит, постоянно попадает в нелепые ситуации, но каким-то образом всё время получает новые должности и становится богаче. Если не смотрели, то обязательно посмотрите, по-моему, ничего точнее и смешнее про стартапы пока не сняли. Сам CodeRabbit появился в 2023 году и занимается AI-ревью кода. Продукт подключается к GitHub, GitLab и другим платформам, проверяет предлагаемые изменения, ищет ошибки и уязвимости, учитывает контекст всего проекта и предлагает исправления. И это становится всё более важной задачей. Благодаря Cursor, Claude Code, Codex и другим агентам кода становится всё больше, а человеческого времени на его проверку больше не стало. Написание кода ускорилось, и теперь узким местом становится ревью. По данным компании: - более 2 млн ревью кода в неделю; - свыше 17 000 клиентов; - 150 000 open-source-проектов; - рост выручки более чем в пять раз за последний год. Менее года назад CodeRabbit привлекла $60 млн при оценке $550 млн. Получается, за это время оценка выросла почти в 2,7 раза. Сейчас компания хочет выйти за пределы обычного ревью кода. CodeRabbit будет определять, какие изменения требуют внимания в первую очередь, объяснять огромные куски кода, созданные агентами, и следить за безопасностью уже после релиза. Ставка инвесторов в том, что генераторы кода будут постоянно меняться, а независимый слой, способный проверять результат любого из них, может стать обязательной частью разработки. Деньги пойдут на развитие продукта и международную экспансию. Ещё больше $10 млн компания собирается потратить на бесплатные инструменты для open-source-проектов.

Делай хорошо или антипромптинг Sol Помните мы раньше просили модели делать хорошо, учитывать корнер кейсы и тд? Так вот, как минимум с GPT 5.6 Sol настало время наоборот просить агента не делать лишнего и не переусложнять. Это модель, которая по дефолту будет учитывать и обрабатывать маргинальные корнер кейсы, вероятность которых примерно отрицательная. Она делает кучу бекапов, проб и тд, даже когда это вообще не нужно - ее тупо приходится бить по рукам. Если раньше мы промптили "делай хорошо, до конца и тд", то теперь актуальнее "не переусложняй, найди элегантное решение, сейчас нам хватит MVP и тд". Промптинг в обратную сторону получается. Еще раз нам всем урок важности передачи высокоуровневого контекста агенту - что за проект, какова его ценность для пользователей, кто пользователи, сколько их вообще планируется, профиль нагрузки и тд. Дефолты Sol оказались слишком "энтепрайзными", именно поэтому она тратить условно 10 часов на то, что другие современные модели сделают за час. Зато в ревью критически важного кода, в котором действительно необходимо учесть все все все корнер кейсы она чертовски хороша (и Opus 5, кстати, тоже). В общем, теперь Sol из планера и (иногда) воркера превращается для меня в модель-консультанта по оптимизациям и код ревьюера (обязательно с перепроверкой адекватности находок через судью). А что касается поиска оптимальных решений, то это я делаю в паре с Fable. Она мне представляется как раз наиболее мудрой моделью. PS Перфекционизм страшная штука, от него я сам лечусь, а теперь еще и модели приходится лечить. @ai_driven

Для этичных хакеров и ИБ-спцеиалистов у меня есть две новости: одна плохая, а другая плохая. 1. Угрозы меняются, меняются типы атак. Все больше компаний привлекают для защиты AI-инструменты, которые исключают работавшие ранее решения. Появляются совершенно новые типы атак, вроде PleaseFix. Придется меняться, переучиваться, чтобы просто выжить на рынке завтрашнего дня. 2. Порог входа понижается. Если ранее надо было тратить годы, изучать сети, девайсы, архитектуру ОС, то сегодня вчерашний официант может за полгода научиться запускать агентов для пентеста, которые будут успешнее вас - опытных специалистов. Они уже сегодня успешнее вас, а завтра они будут успешнее всех, о ком сегодня мы можем только помыслить. Вам придется начать почти с нуля. Взять с собой можно только упорство и характер. Тут должна быть реклама курса за хулиард, но его не будет. Будет бесплатный гайд. Поверьте, я знаю о чем говорю, самое лучшее время начинать - сейчас.