Agaltsov Anton | TeamLead-блог

🤖 AI-Driven Development: код пишет AI, человек отвечает за спецификации AIDD — методология разработки, в которой основную ответственность за генерацию кода, тестов и документации несёт AI-модель. Человек смещается на уровень выше: пишет спецификации, принимает архитектурные решения и валидирует результат. AI при этом — не надстройка над привычным процессом, а самостоятельный производитель кода. Отправная точка — разведение трёх режимов работы с AI. AIAD (AI-Assisted): за код отвечает человек, AI лишь помогает подсказками. AIDD (AI-Driven): код генерирует AI, а человек организует контекст и проверяет вывод. Vibe Coding: код создаётся «на вайбе», без спецификаций и тестов — именно этот режим порождает проблемы, которые AIDD призвана решить. Ключевой принцип: вокруг AI выстраивается та же инженерная дисциплина, что и вокруг любого другого источника кода — спецификации, тесты, ревью, контроль версий и фиксация архитектурных решений. ⚠️ Цена вопроса высока: без дисциплины GitClear фиксирует восьмикратный рост дублирования кода, а DORA — плюс 9% дефектов. AIDD ускоряет разработку и повышает качество, только если команда готова нести накладные расходы на методологию. 🔗 https://agaltsovav.ru/docs/ai/aidd/

📦 Lean Canvas и Business Model Canvas: бизнес-модель на одном листе Канва — одностраничный шаблон из пронумерованных блоков, в которых команда фиксирует ключевые предположения о продукте: кого обслуживаем, какую проблему решаем, какую ценность предлагаем, через какие каналы доходим до клиента и как зарабатываем. Принцип «одна страница — одна модель» заставляет отсекать второстепенное: если модель не помещается на лист, она либо не продумана, либо слишком сложна для первой проверки. У инструмента два происхождения. Business Model Canvas Остервальдера описывает модель девятью блоками и адресован зрелым компаниям. Lean Canvas Эша Морийи — адаптация для стартапов: блоки про инфраструктуру (партнёры, ресурсы) заменены блоками про риск (проблема, решение, метрики, несправедливое преимущество). 💡 Ценность канвы не в том, что она «правильная», а в том, что она делает предположения видимыми и проверяемыми. Это черновик стратегии, а не сама стратегия: красиво записанная гипотеза остаётся гипотезой до проверки через Discovery. Главный риск — выбор канвы не по стадии: Lean Canvas теряет партнёрства и ресурсы зрелого бизнеса, а BMC маскирует главные риски раннего стартапа за инфраструктурными блоками. 🔗 https://agaltsovav.ru/docs/product-managment/lean-canvas/

🤖 Параметры LLM: temperature, top_p и seed меняют ответ сильнее, чем кажется LLM вероятностны по своей природе: на каждом шаге генерации модель строит распределение вероятностей по всему словарю и выбирает из него следующий токен. Параметры инференса — temperature, top_k, top_p, штрафы за повторения, seed — управляют именно этим выбором, не меняя саму модель. Одна и та же модель с разными параметрами ведёт себя как разные системы: temperature = 0 даёт жёсткий детерминизм для извлечения фактов, JSON и бенчмарков, значения выше 1 — разнообразие ценой связности и роста галлюцинаций. Фраза «используем модель X» без указания параметров ничего не говорит о качестве ответов. 💡 top_p (nucleus sampling) адаптивнее top_k: круг кандидатов сужается, когда модель уверена, и расширяется, когда вероятность размазана. Практическая связка — temperature + top_p, без выкручивания всех ручек одновременно. seed не гарантирует воспроизводимость между бэкендами и версиями модели: различаются реализации сэмплинга, численные типы и batching на GPU. Для строгого детерминизма фиксируют и seed, и temperature = 0 — и всё равно проверяют на целевом окружении. Здоровый подход — минимализм и измеримость: менять как можно меньше параметров, обосновывать каждое изменение метрикой и фиксировать значения в конфигурации как часть контракта между моделью и продуктом. 🔗 https://agaltsovav.ru/docs/ai/llm-parameters/