Третье упражнение AI Coding эксперимента - добавим красоты в презентации и посты
- первое упражнение / вариант решения
- второе упражнение / варианты решения
Это упражнение вдохновлено промптом, который Валерий опубликовал у себя в канале.
Задача - написать промпт, который будет по запросу рисовать красивые слайды в едином стиле компании или бренда. Эту красоту потом можно вставлять в посты, сообщения или презентации.
Стиль вы выбираете сами. Можно попросить переиспользовать дизайн OpenAI / Google / Apple или скормить приятный вам сайт/ресурс.
Получившийся промпт нужно вставить в Claude Project, ChatGPT Project или любой другой инструмент, который позволяет удобно переиспользовать шаблон промпта и отображать результат на экране.
Тут не стоит задачи сделать красивую картинку с первого раза. Задача - попробовать с нуля “собрать” простейший инструмент со своим стилем, который за пару минут может сгенерировать симпатичную иллюстрацию к вашему рассказу или посту. А рецепт создания слайдов потом можно будет неспеша “подкрутить” под свой стиль.
Потом нужно этим инструментом сгенерировать пару слайдов и прислать их в комментарии. Я туда выложу пару слайдов, которые сгенерировал на основе стиля TAT.
Ваш, @llm_under_hood 🤗
- первое упражнение / вариант решения
- второе упражнение / варианты решения
Это упражнение вдохновлено промптом, который Валерий опубликовал у себя в канале.
Задача - написать промпт, который будет по запросу рисовать красивые слайды в едином стиле компании или бренда. Эту красоту потом можно вставлять в посты, сообщения или презентации.
Стиль вы выбираете сами. Можно попросить переиспользовать дизайн OpenAI / Google / Apple или скормить приятный вам сайт/ресурс.
Получившийся промпт нужно вставить в Claude Project, ChatGPT Project или любой другой инструмент, который позволяет удобно переиспользовать шаблон промпта и отображать результат на экране.
Тут не стоит задачи сделать красивую картинку с первого раза. Задача - попробовать с нуля “собрать” простейший инструмент со своим стилем, который за пару минут может сгенерировать симпатичную иллюстрацию к вашему рассказу или посту. А рецепт создания слайдов потом можно будет неспеша “подкрутить” под свой стиль.
Потом нужно этим инструментом сгенерировать пару слайдов и прислать их в комментарии. Я туда выложу пару слайдов, которые сгенерировал на основе стиля TAT.
Ваш, @llm_under_hood 🤗
Забавный кейс про 700000 строчек дремучего кода
Я давно не рассказывал про новые кейсы, т.к. проекты в основном встречаются повторяющиеся. В основном это data extraction - извлечение данных из PDF data sheets, purchase orders (с последующей сверкой или интеграцией). Иногда встречается какой-нибудь интересный поиск по документам.
Но вот появился принципиально новый интересный кейс применения LLM. На самом деле, он старый, но я лично с подобными масштабами не сталкивался.
Итак, есть одна компания, которой больше 100 лет. У нее есть своя самописная ERP система. Это система будет помоложе компании, и она написана на языке разработки бизнес-приложений со времен мейнфреймов, которому уже более 40 лет (для сравнения, 1C - моложе). БД в этой среде своя - проприетарная, интерфейс - терминал 80x25. Кода там - 700000 строчек, преимущественно CRUD и бизнес-логика рядом.
Это не IBM AS/400 с DB2, но что-то очень близкое по духу. Но и тут нужно платить дорогие лицензии, а разработчиков найти практически невозможно.
Компания хочет обновить код на что-то посовременнее. Не ради современности, а для того, чтобы были живые разработчики, которых можно нанять. Заодно клиент хочет еще и интерфейс сделать современным, но так, чтобы все горячие клавиши и последовательности символов работали, как раньше.
Соответственно, возник вопрос в системной оценке проекта - можно ли здесь как-нибудь ускорить процесс переписывания при помощи LLM, как вообще подходить к проекту, какие риски могут быть, как их лучше “вскрыть” пораньше?
И если начать копать, то получается интересная картина. В этой формулировке проекта компания смешала две разные задачи в одну кучу. И лучше бы их разделить, чтобы не умножать риски сверх нужды (я видел проекты, которые на этом погорели).
Первая задача - модернизация кода и перенос ERP системы с дремучего языка на JVM, без изменения терминального интерфейса. Функционал остается тот же самый, просто код читаем и не нужно платить адские суммы в год за лицензии.
Вторая задача - берем портированный и вычищенный код и уже свежими силами переписываем терминальный интерфейс на более “красивый” со всяким React/Desktop итп.
Так вот, в такой формулировке меньше всего рисков в первой части, т.к. можно использовать современные модели для ускорения анализа и переноса (Gemini Pro 2.5 очень удачно вышел). Но, самое главное - scope проекта: чтобы все работало точно так же, как и раньше, но только в браузере или в современном терминале.
А у терминальных приложений есть одна приятная черта - их достаточно просто протестировать на работу “точно так же”. Сажаем эксперта за оригинальное приложение, делаем snapshot БД и просим его реализовать какой-то сценарий работы. В процессе записываем каждую нажатую клавишу и состояние буфера экрана. Потом берем новый код, который портировали полуавтоматическим методом, прогоняем те же клавиши и сравниваем экран терминала с эталоном после каждого шага. Если нет совпадения на 100%, значит что-то упустили.
Вторая задача - это уже обычная разработка (там можно использовать обычный инструментарий из AI Coding, но это не принципиально). Тут уже куча рисков, т.к. надо придумывать новый UI, писать под него тесты, отлаживать итп. Тут не просто механическое портирование кода, а думать надо. Но это типичная задача по разработке на достаточно современном языке программирования, ее решение известно. И этим можно заняться после первой задачи.
В общем, получается довольно забавный кейс, где использование LLM/AI - это не самоцель, а просто один из инструментов, который можно достаточно удобно вписать в картинку проекта на системном уровне. Можно даже обойтись и без него, но уж больно людей жалко.
Ваш, @llm_under_hood 🤗
Я давно не рассказывал про новые кейсы, т.к. проекты в основном встречаются повторяющиеся. В основном это data extraction - извлечение данных из PDF data sheets, purchase orders (с последующей сверкой или интеграцией). Иногда встречается какой-нибудь интересный поиск по документам.
Но вот появился принципиально новый интересный кейс применения LLM. На самом деле, он старый, но я лично с подобными масштабами не сталкивался.
Итак, есть одна компания, которой больше 100 лет. У нее есть своя самописная ERP система. Это система будет помоложе компании, и она написана на языке разработки бизнес-приложений со времен мейнфреймов, которому уже более 40 лет (для сравнения, 1C - моложе). БД в этой среде своя - проприетарная, интерфейс - терминал 80x25. Кода там - 700000 строчек, преимущественно CRUD и бизнес-логика рядом.
Это не IBM AS/400 с DB2, но что-то очень близкое по духу. Но и тут нужно платить дорогие лицензии, а разработчиков найти практически невозможно.
Компания хочет обновить код на что-то посовременнее. Не ради современности, а для того, чтобы были живые разработчики, которых можно нанять. Заодно клиент хочет еще и интерфейс сделать современным, но так, чтобы все горячие клавиши и последовательности символов работали, как раньше.
Соответственно, возник вопрос в системной оценке проекта - можно ли здесь как-нибудь ускорить процесс переписывания при помощи LLM, как вообще подходить к проекту, какие риски могут быть, как их лучше “вскрыть” пораньше?
И если начать копать, то получается интересная картина. В этой формулировке проекта компания смешала две разные задачи в одну кучу. И лучше бы их разделить, чтобы не умножать риски сверх нужды (я видел проекты, которые на этом погорели).
Первая задача - модернизация кода и перенос ERP системы с дремучего языка на JVM, без изменения терминального интерфейса. Функционал остается тот же самый, просто код читаем и не нужно платить адские суммы в год за лицензии.
Вторая задача - берем портированный и вычищенный код и уже свежими силами переписываем терминальный интерфейс на более “красивый” со всяким React/Desktop итп.
Так вот, в такой формулировке меньше всего рисков в первой части, т.к. можно использовать современные модели для ускорения анализа и переноса (Gemini Pro 2.5 очень удачно вышел). Но, самое главное - scope проекта: чтобы все работало точно так же, как и раньше, но только в браузере или в современном терминале.
А у терминальных приложений есть одна приятная черта - их достаточно просто протестировать на работу “точно так же”. Сажаем эксперта за оригинальное приложение, делаем snapshot БД и просим его реализовать какой-то сценарий работы. В процессе записываем каждую нажатую клавишу и состояние буфера экрана. Потом берем новый код, который портировали полуавтоматическим методом, прогоняем те же клавиши и сравниваем экран терминала с эталоном после каждого шага. Если нет совпадения на 100%, значит что-то упустили.
Вторая задача - это уже обычная разработка (там можно использовать обычный инструментарий из AI Coding, но это не принципиально). Тут уже куча рисков, т.к. надо придумывать новый UI, писать под него тесты, отлаживать итп. Тут не просто механическое портирование кода, а думать надо. Но это типичная задача по разработке на достаточно современном языке программирования, ее решение известно. И этим можно заняться после первой задачи.
В общем, получается довольно забавный кейс, где использование LLM/AI - это не самоцель, а просто один из инструментов, который можно достаточно удобно вписать в картинку проекта на системном уровне. Можно даже обойтись и без него, но уж больно людей жалко.
Ваш, @llm_under_hood 🤗
Я пару дней пользовался OpenAI Codex. Это не панацея, но при этом прорывная в своем роде штука.
Codex - это среда для AI + Coding. Сразу предупрежу, что качество работы с кодом примерно сравнимо с тем, что уже можно получить с Cursor + Gemini Pro 2.5. Тут нет ничего нового.
Есть один нюанс. Разработку в Cursor + Gemini Pro 2.5 или Aider надо вести самостоятельно, выдавая задачи, отслеживая проблемы и проверяя результаты. За один раз можно вести один проект.
Есть еще альтернативный подход к разработке - запускать агентов, которые сами будут что-то планировать и копошиться в папке с проектом. Но, как я писал, иногда агенты только создают иллюзию работы, растягивая на 30-120 минут задачи, которые можно решить одним промптом в чате.
А что нового предложил OpenAI Codex?
Они сделали все красиво и удобно. Можно к своему аккаунту подключить несколько github repositories и запускать задачи текстом (примеры ниже). Это похоже на работу DeepResearch, но с кодом. Поставил задачу и пошел по своим делам, а reasoning планировщик от OpenAI проследит за выполнением работы. Он заберет код, прочитает инструкции, сам найдет нужные файлы, попробует изменить их, прогонит тесты итп. А в итоге упакует все изменения в Pull Requests, который можно будет по отдельности просмотреть и принять либо отклонить.
И тут есть две фишки.
Во-первых, планировщик OpenAI работает достаточно хорошо. Примерно треть его Pull Requests можно отправлять прямо в код (половину, если проект простой).
А ведь еще можно допилить проект, чтобы Codex-у было удобнее работать. Докинуть AGENTS.MD с инструкциями, добавить хорошие тесты, модульную архитектуру и комментарии. Все фишки оформления проектов для работы с AI+Coding, про которые мы говорили на вебинарах в прошлом году - тут как раз применимы.
И это все работает стабильно потому, что OpenAI выбрали всего несколько инструментов для своего “агента”, очень хорошо протестировали и отладили все. Это было возможно потому, что у Codex нет кучи инструментов - только консоль и работа с файлами.
Хотя, казалось бы, дай кодексу возможность работать с любыми MCP серверами, как это нынче сделала Microsoft, и получится продукт-бомба. Но OpenAI хорошо понимает, что в таком случае ни о каком покрытии тестами нельзя вести речь. А значит и прощай стабильность и привет галлюцинации.
Во-вторых, в Codex можно запускать одновременно несколько задач. Каждая из них будет запущена в отдельном контейнере. И вот это как раз кардинально меняет весь подход. Можно, скажем, сказать:
(1) добавь мне шифрование паролей с bcrypt
(2) перепиши доступ к БД с sqlite3 на синхронный better-sqlite3
(3) отладь вот эту ошибку в тестах
и сразу в другом проекте, который совершенно не относится к первому:
(4) напиши тесты к wifi_manager component
(5) сделай, чтобы система переподключалась при проблемах с wifi или websocket
и идти пить кофе. А потом вернуться, посмотреть отчеты с Pull Requests и задать новые задачи.
Получился очень классный продукт для разработки. Это как несколько очень усидчивых Джунов, которые могут помогать разрабатывать несколько проектов одновременно.
Понятно, что есть пара нюансов:
(1) OpenAI Codex - не панацея, он дополняет опытных разработчиков, не заменяет
(2) Среда очень ограниченная, и там есть нюансы (например, e2e browser testing я так пока там не смог запустить)
(3) нужна практика, чтобы освоить инструмент и научиться так формировать проекты, что Codex будет с ними хорошо работать.
Ну и самое главное, OpenAI наглядно показали, что агенты могут работать очень хорошо, если собрать правильный продукт, докинуть туда хорошую reasoning модель и обеспечить приемлемое качество. И тут хорошо выстреливает модель - выдал задания и ушел по своим делам/пить кофе.
Теперь осталось подождать, пока другие компании воспользуются этим примером! Особенно будет интересно увидеть подобные решения не в кодинге, а в бизнес-задачах.
Ваш, @llm_under_hood 🤗
PS: Хотите запустить локально без красивого UI? См OpenAI Codex CLI
Codex - это среда для AI + Coding. Сразу предупрежу, что качество работы с кодом примерно сравнимо с тем, что уже можно получить с Cursor + Gemini Pro 2.5. Тут нет ничего нового.
Есть один нюанс. Разработку в Cursor + Gemini Pro 2.5 или Aider надо вести самостоятельно, выдавая задачи, отслеживая проблемы и проверяя результаты. За один раз можно вести один проект.
Есть еще альтернативный подход к разработке - запускать агентов, которые сами будут что-то планировать и копошиться в папке с проектом. Но, как я писал, иногда агенты только создают иллюзию работы, растягивая на 30-120 минут задачи, которые можно решить одним промптом в чате.
А что нового предложил OpenAI Codex?
Они сделали все красиво и удобно. Можно к своему аккаунту подключить несколько github repositories и запускать задачи текстом (примеры ниже). Это похоже на работу DeepResearch, но с кодом. Поставил задачу и пошел по своим делам, а reasoning планировщик от OpenAI проследит за выполнением работы. Он заберет код, прочитает инструкции, сам найдет нужные файлы, попробует изменить их, прогонит тесты итп. А в итоге упакует все изменения в Pull Requests, который можно будет по отдельности просмотреть и принять либо отклонить.
И тут есть две фишки.
Во-первых, планировщик OpenAI работает достаточно хорошо. Примерно треть его Pull Requests можно отправлять прямо в код (половину, если проект простой).
А ведь еще можно допилить проект, чтобы Codex-у было удобнее работать. Докинуть AGENTS.MD с инструкциями, добавить хорошие тесты, модульную архитектуру и комментарии. Все фишки оформления проектов для работы с AI+Coding, про которые мы говорили на вебинарах в прошлом году - тут как раз применимы.
И это все работает стабильно потому, что OpenAI выбрали всего несколько инструментов для своего “агента”, очень хорошо протестировали и отладили все. Это было возможно потому, что у Codex нет кучи инструментов - только консоль и работа с файлами.
Хотя, казалось бы, дай кодексу возможность работать с любыми MCP серверами, как это нынче сделала Microsoft, и получится продукт-бомба. Но OpenAI хорошо понимает, что в таком случае ни о каком покрытии тестами нельзя вести речь. А значит и прощай стабильность и привет галлюцинации.
Во-вторых, в Codex можно запускать одновременно несколько задач. Каждая из них будет запущена в отдельном контейнере. И вот это как раз кардинально меняет весь подход. Можно, скажем, сказать:
(1) добавь мне шифрование паролей с bcrypt
(2) перепиши доступ к БД с sqlite3 на синхронный better-sqlite3
(3) отладь вот эту ошибку в тестах
и сразу в другом проекте, который совершенно не относится к первому:
(4) напиши тесты к wifi_manager component
(5) сделай, чтобы система переподключалась при проблемах с wifi или websocket
и идти пить кофе. А потом вернуться, посмотреть отчеты с Pull Requests и задать новые задачи.
Получился очень классный продукт для разработки. Это как несколько очень усидчивых Джунов, которые могут помогать разрабатывать несколько проектов одновременно.
Понятно, что есть пара нюансов:
(1) OpenAI Codex - не панацея, он дополняет опытных разработчиков, не заменяет
(2) Среда очень ограниченная, и там есть нюансы (например, e2e browser testing я так пока там не смог запустить)
(3) нужна практика, чтобы освоить инструмент и научиться так формировать проекты, что Codex будет с ними хорошо работать.
Ну и самое главное, OpenAI наглядно показали, что агенты могут работать очень хорошо, если собрать правильный продукт, докинуть туда хорошую reasoning модель и обеспечить приемлемое качество. И тут хорошо выстреливает модель - выдал задания и ушел по своим делам/пить кофе.
Теперь осталось подождать, пока другие компании воспользуются этим примером! Особенно будет интересно увидеть подобные решения не в кодинге, а в бизнес-задачах.
Ваш, @llm_under_hood 🤗
PS: Хотите запустить локально без красивого UI? См OpenAI Codex CLI
Есть вопросы про Domain-Driven Design и AI?
В нашем комьюнити есть люди, которые слышали про Domain-Driven Design или даже используют методы оттуда. Чаще всего это встречается в сложных областях и больших корпоративных проектах.
Я сам постоянно опираюсь на DDD в проектах. Во-первых, DDD сильно помогает приземлять сложные проекты в реальность, изолировать домены и организовывать работу разных команд (которые не всегда дружат). Во-вторых, DDD - как методология уделяющая особенное внимание языку - очень хорошо помогает в разработке решений с Large Language Models под капотом.
Какие вопросы в рамках темы данного канала вы бы хотели задать Эрику Эвансу - автору Domain-Driven Design?
Ваш, @llm_under_hood 🤗
В нашем комьюнити есть люди, которые слышали про Domain-Driven Design или даже используют методы оттуда. Чаще всего это встречается в сложных областях и больших корпоративных проектах.
Я сам постоянно опираюсь на DDD в проектах. Во-первых, DDD сильно помогает приземлять сложные проекты в реальность, изолировать домены и организовывать работу разных команд (которые не всегда дружат). Во-вторых, DDD - как методология уделяющая особенное внимание языку - очень хорошо помогает в разработке решений с Large Language Models под капотом.
Какие вопросы в рамках темы данного канала вы бы хотели задать Эрику Эвансу - автору Domain-Driven Design?
Ваш, @llm_under_hood 🤗
Чем отличается OpenAI Codex от Claude Code / Aider / Cursor итп? Одной картинкой.
Можно запустить разные задачи на разных проектах прямо с телефона.
Ваш, @llm_under_hood 🤗
Можно запустить разные задачи на разных проектах прямо с телефона.
Ваш, @llm_under_hood 🤗
Человек, который разбирается в DDD, подтвердил, что AI проекты со стороны кажутся слишком непредсказуемыми и сложными для опытных интеграторов.
Но если посмотреть на все с точки зрения статистики успешных кейсов и рабочих паттернов, то начинает вырисовыватся интересная картинка. Просто у них пока не было такой статистики и перспективы.
Будем исправлять.
Ваш, @llm_under_hood 🤗
PS: Ваши вопросы я задать не успел, но они уже пригодились. Спасибо! Я их приберегу на потом.
Но если посмотреть на все с точки зрения статистики успешных кейсов и рабочих паттернов, то начинает вырисовыватся интересная картинка. Просто у них пока не было такой статистики и перспективы.
Будем исправлять.
Ваш, @llm_under_hood 🤗
PS: Ваши вопросы я задать не успел, но они уже пригодились. Спасибо! Я их приберегу на потом.
А могут ли современные AI+Coding инструменты справиться с большими проектами? Например, самостоятельно добавить фичу в SaaS продукт?
Такой вопрос мне постоянно задают опытные разработчики. Их скепсис понятен. Если мелкие утилитки и прототипы Claude или Gemini Pro ещё осилят, то вот разрабатывать самостоятельно большие приложения с кучей зависимостей и нюансов - уже сложнее.
Разработчики говорят, что агенты вечно упускают из виду важные нюансы или даже просто несут пургу.
А какой у вас опыт использования AI+Coding инструментов для разработки фич в приложениях?
Ваш, @llm_under_hood 🤗
PS: Тема интересная. Давайте в дискуссии не будем переходить на личности и будем уважительны.
Задача - не доказать что-то, а вместе разобраться.
Такой вопрос мне постоянно задают опытные разработчики. Их скепсис понятен. Если мелкие утилитки и прототипы Claude или Gemini Pro ещё осилят, то вот разрабатывать самостоятельно большие приложения с кучей зависимостей и нюансов - уже сложнее.
Разработчики говорят, что агенты вечно упускают из виду важные нюансы или даже просто несут пургу.
А какой у вас опыт использования AI+Coding инструментов для разработки фич в приложениях?
Ваш, @llm_under_hood 🤗
PS: Тема интересная. Давайте в дискуссии не будем переходить на личности и будем уважительны.
Задача - не доказать что-то, а вместе разобраться.
Вайб-кодить стало проще. Мелкие прототипы и утилиты делать с AI - милое дело.
Вообще, чем моложе код, тем лучше с ним справятся AI+Coding инструменты. И это меняет существующий уклад.
Раньше все парадигмы разработки продуктов строились на том, что разработка дорогая и долгая. Поэтому нужно было десять раз поговорить с клиентами, прежде чем запускать разработку одного прототипа.
Сейчас можно запускать MVP и собирать feedback гораздо быстрее. Главное, чтобы были люди, которые умеют работать с продуктовыми гипотезами.
Понятно, если продукт выстрелит, то его потребуется развивать. Новые фичи, масштабирование, безопасность, версионирование БД и API итп. И тогда уже нужен будет опытный старший брат/пастух, который будет присматривать за стадом из AI+Coding агентов, ловить косяки и периодически чистить техдолг.
Чем сложнее и старше система, тем больше там накапливается нюансов и особенностей. Тем больше там граблей, на которые могут наступить агенты.
Поэтому, когда заходит речь про AI+Coding, то мнения про него нередко поляризуются. Кто-то считает, что AI может справиться с любыми задачами. Кто-то считает, что AI галлюцинирует и делает глупые ошибки.
Чаще всего, в первом лагере те люди, которые работают с молодыми продуктами и небольшими прототипами. Во втором лагере те, кто работает с проектами старше нескольких лет от роду, с накопившейся сложностью и техдолгом.
Понятно, что представление про “два лагеря” - упрощенное, для иллюстрации. В реальности спектр проектов поразнобразнее.
Ведь можно за 30 минут нагенерить такую кашу, что этот молодой проект проще закопать сразу. А еще можно взять проект посложнее и поставить там хорошую архитектуру и среду для AI: оптимизировать стэк, разбить проект на модули, обвязать тестами, хорошей документацией и декомпозировать задачи. Тогда нужно будет реже вмешиваться в работу агентов, засучивать рукава и чистить техдолг.
Но в итоге все сводится к одному - чем старше проект, тем хуже работает вайб-кодинг, тем легче там AI+Coding агентам заблудиться без постороннего пригляда.
Ваш, @llm_under_hood 🤗
Вообще, чем моложе код, тем лучше с ним справятся AI+Coding инструменты. И это меняет существующий уклад.
Раньше все парадигмы разработки продуктов строились на том, что разработка дорогая и долгая. Поэтому нужно было десять раз поговорить с клиентами, прежде чем запускать разработку одного прототипа.
Сейчас можно запускать MVP и собирать feedback гораздо быстрее. Главное, чтобы были люди, которые умеют работать с продуктовыми гипотезами.
Понятно, если продукт выстрелит, то его потребуется развивать. Новые фичи, масштабирование, безопасность, версионирование БД и API итп. И тогда уже нужен будет опытный старший брат/пастух, который будет присматривать за стадом из AI+Coding агентов, ловить косяки и периодически чистить техдолг.
Чем сложнее и старше система, тем больше там накапливается нюансов и особенностей. Тем больше там граблей, на которые могут наступить агенты.
Поэтому, когда заходит речь про AI+Coding, то мнения про него нередко поляризуются. Кто-то считает, что AI может справиться с любыми задачами. Кто-то считает, что AI галлюцинирует и делает глупые ошибки.
Чаще всего, в первом лагере те люди, которые работают с молодыми продуктами и небольшими прототипами. Во втором лагере те, кто работает с проектами старше нескольких лет от роду, с накопившейся сложностью и техдолгом.
Понятно, что представление про “два лагеря” - упрощенное, для иллюстрации. В реальности спектр проектов поразнобразнее.
Ведь можно за 30 минут нагенерить такую кашу, что этот молодой проект проще закопать сразу. А еще можно взять проект посложнее и поставить там хорошую архитектуру и среду для AI: оптимизировать стэк, разбить проект на модули, обвязать тестами, хорошей документацией и декомпозировать задачи. Тогда нужно будет реже вмешиваться в работу агентов, засучивать рукава и чистить техдолг.
Но в итоге все сводится к одному - чем старше проект, тем хуже работает вайб-кодинг, тем легче там AI+Coding агентам заблудиться без постороннего пригляда.
Ваш, @llm_under_hood 🤗
Как разрабатывать большие проекты с кучей зависимостей?
Я сейчас пишу вторую версию своей учебной платформы при помощи OpenAI Codex. Эта версия похожа на ту, на которой расположен мой курс про AI Ассистентов, но в нее хочется добавить больше фич: удобное управление командными пакетами, больше интерактивных задачек и примеров, тесты для самопроверки.
95% кода пока написаны OpenAI Codex. Но есть нюанс.
Сначала я дам контекст и кратко расскажу о проекте, а потом опишу процесс AI+Coding.
О проекте
Архитектуру и стэк проекта я оптимизировал для удобства разработки AI (сам я бы на TS/JS в жизни не стал писать):
- Frontend - Vue.js SPA
- Backend - Express.js, tRPC, SQLite (ибо тесты в контейнере можно запускать)
- Shared - общие для FE/BE типы и контракты на TypeScript/Zod. Ключевая терминология (DDD) кодифицирована там же.
Конкретные библиотеки выбирал при помощи ChatGPT, которому ставил задачи выбирать наиболее стабильные и скучные решения (читай "они точно попали в обучающую выборку OpenAI").
Серверная обвязка - NixOS. Есть интеграции со страйпом, почтой. End-to-end тесты сделаны на playwright. Пришлось повозиться, пока встраивал их в Codex, но теперь он может сам запускать весь стэк, открывать браузер и прогонять тесты перед сочинением Pull Request.
Легковесные очереди. Виртуализация sandboxes будет через FirecrackerVM.
Continuous Integration / Deployment - Github Actions. После того, как я принял Pull Request, GA автоматом выкатит все на DEV stage.
Процесс разработки
Процесс разработки работает аналогично работе команд над большими проектами:
- я ставлю задачу
- AI предлагает решение
- я просматриваю и одобряю
- AI кодит и отправляет в Git
Этот процесс "обрастает” артефактами и правилами, делающими его прозрачным и предсказуемым для людей (меня), и для LLM-ок в команде.
1️⃣ У меня есть архитектурная документация и описание модулей (README, AGENTS, CONTEXT). Это все живет рядом с кодом, я стараюсь поддерживать это в актуальном состоянии.
2️⃣ При постановке задачи я первым делом прошу систему составить детальный план реализации (implementation plan), включая зависимости и тесты. Не писать код, а просто подумать. Если задачка сложная - явно укажу документы, на которые стоит обратить внимание, зависимости.
Кстати, ChatGPT reasonong (не Codex) может тоже работать с Github. Это иногда упрощает работу с планами.
3️⃣ План реализации - это единственный источник правды. Я его проглядываю глазами. При необходимости отправляю его в другую сессию и прошу проверить на логические нестыковки.
Это очень удобно, т.к. все изменения в одном документе, они пока еще не “размазаны” по коду.
4️⃣ Если план реализации проходит мой review, то я его отправляю на исполнение. Потом план можно выкинуть или скопировать в Pull Request на память.
Полет пока нормальный. Это не вайб кодинг, а рутинная работа архитектора/лида. Задачи распараллеливаются, но думать - надо. При этом результат предсказуем, а весь код таки пишет AI.
Ваш, @llm_under_hood 🤗
Я сейчас пишу вторую версию своей учебной платформы при помощи OpenAI Codex. Эта версия похожа на ту, на которой расположен мой курс про AI Ассистентов, но в нее хочется добавить больше фич: удобное управление командными пакетами, больше интерактивных задачек и примеров, тесты для самопроверки.
95% кода пока написаны OpenAI Codex. Но есть нюанс.
Сначала я дам контекст и кратко расскажу о проекте, а потом опишу процесс AI+Coding.
О проекте
Архитектуру и стэк проекта я оптимизировал для удобства разработки AI (сам я бы на TS/JS в жизни не стал писать):
- Frontend - Vue.js SPA
- Backend - Express.js, tRPC, SQLite (ибо тесты в контейнере можно запускать)
- Shared - общие для FE/BE типы и контракты на TypeScript/Zod. Ключевая терминология (DDD) кодифицирована там же.
Конкретные библиотеки выбирал при помощи ChatGPT, которому ставил задачи выбирать наиболее стабильные и скучные решения (читай "они точно попали в обучающую выборку OpenAI").
Серверная обвязка - NixOS. Есть интеграции со страйпом, почтой. End-to-end тесты сделаны на playwright. Пришлось повозиться, пока встраивал их в Codex, но теперь он может сам запускать весь стэк, открывать браузер и прогонять тесты перед сочинением Pull Request.
Легковесные очереди. Виртуализация sandboxes будет через FirecrackerVM.
Continuous Integration / Deployment - Github Actions. После того, как я принял Pull Request, GA автоматом выкатит все на DEV stage.
Процесс разработки
Процесс разработки работает аналогично работе команд над большими проектами:
- я ставлю задачу
- AI предлагает решение
- я просматриваю и одобряю
- AI кодит и отправляет в Git
Этот процесс "обрастает” артефактами и правилами, делающими его прозрачным и предсказуемым для людей (меня), и для LLM-ок в команде.
1️⃣ У меня есть архитектурная документация и описание модулей (README, AGENTS, CONTEXT). Это все живет рядом с кодом, я стараюсь поддерживать это в актуальном состоянии.
2️⃣ При постановке задачи я первым делом прошу систему составить детальный план реализации (implementation plan), включая зависимости и тесты. Не писать код, а просто подумать. Если задачка сложная - явно укажу документы, на которые стоит обратить внимание, зависимости.
Кстати, ChatGPT reasonong (не Codex) может тоже работать с Github. Это иногда упрощает работу с планами.
3️⃣ План реализации - это единственный источник правды. Я его проглядываю глазами. При необходимости отправляю его в другую сессию и прошу проверить на логические нестыковки.
Это очень удобно, т.к. все изменения в одном документе, они пока еще не “размазаны” по коду.
4️⃣ Если план реализации проходит мой review, то я его отправляю на исполнение. Потом план можно выкинуть или скопировать в Pull Request на память.
Полет пока нормальный. Это не вайб кодинг, а рутинная работа архитектора/лида. Задачи распараллеливаются, но думать - надо. При этом результат предсказуем, а весь код таки пишет AI.
Ваш, @llm_under_hood 🤗
Кто еще использует AI+Coding на проектах 5k - 1M+ строк кода?
В прошлом посте я рассказал про свой опыт использования AI+Coding на небольшом проекте(6k loc full-stack monorepo проекте учебной платформы).
Схожий опыт - в Homai (22k C++ кода, 9k Python, 3k Go, HTML/JS - по мелочам). @AigizK без AI/Codex уже жить не может.
@underbird в чате рассказал про опыт работы над проектом в 100k строчек кода, где AI сильно ускоряет процесс разработки.
Все это не про вайб-кодинг. Он на больших проектах не работает.
У кого еще есть успешный опыт ускорения процесса разработки в больших проектах (больше 5k активного кода) при помощи AI+Coding? Расскажите про свой опыт!
Ваш, @llm_under_hood 🤗
В прошлом посте я рассказал про свой опыт использования AI+Coding на небольшом проекте(6k loc full-stack monorepo проекте учебной платформы).
Схожий опыт - в Homai (22k C++ кода, 9k Python, 3k Go, HTML/JS - по мелочам). @AigizK без AI/Codex уже жить не может.
@underbird в чате рассказал про опыт работы над проектом в 100k строчек кода, где AI сильно ускоряет процесс разработки.
Все это не про вайб-кодинг. Он на больших проектах не работает.
У кого еще есть успешный опыт ускорения процесса разработки в больших проектах (больше 5k активного кода) при помощи AI+Coding? Расскажите про свой опыт!
Ваш, @llm_under_hood 🤗
Что бывает, если дать разработчикам 8 часов и AI - 7 примеров
(Скриншоты 7 утилит, которые были полностью написаны AI - в комментариях, тут - контекст и оглавление)
У меня сейчас закончился первый модуль экспериментального курса AI+Coding. Он проводился в одной компании и был посвящен основам разработки при помощи AI. Мы изучали различные инструменты кодинга с AI, отрабатывали практические задания и осваивали процесс быстрого создания простых утилит.
Cегодня участники показывали всей компании результаты своей работы. У них была “выпускная” задача - при помощи AI+Coding за 4-8 часов создать утилиту, которая сделает их работу на основном проекте более легкой и приятной.
Это задание выполняли разные люди с разным опытом из разных проектов. Вот что они сделали:
(1) Инструмент для анализа корпоративных систем на сотни тысяч строк кода на 4GL языке
(2) Утилита для удобного редактирования словарей Contextive (работа с DDD)
(3) Тулза, которая помогает накатывать архитектурные изменения в DS/ML проектах (когда нужно синхронизировать десятки проектов)
(4) Extension для Cursor - ему задаешь вопрос текстом, а он генерит Regex, который найдет нужные файлы
(5) Красивая тулза, которая подключается прямо к Azure DevOps, описывает проект и отвечает на вопросы по коду
(6) Инструмент, который анализирует Docker build logs и визуализирует узкие места в процессе сборки контейнеров
(7) Автоматический анализатор тестов, которые проходят кандидаты в одну компанию газированных напитков (вы видели ее продукты в магазине) на предмет выявления очевидных ботов.
И это было очень круто видеть! Я не ожидал такого разнообразия способов упросить работу на типичных проектах. Ребята взяли самые нудные или наболевшие моменты своей работы и просто избавились от них.
Самое интересное, что весь этот процесс был заказан директором компании, как попытка мотивировать сотрудников в том, чтобы хотя бы начать интересоваться AI. Предварительная его оценка - “Отлично!”
Осталось дождаться результатов - смогут ли эти примеры вдохновить и других сотрудников начать осваивать AI? KPI - сколько еще людей попросятся во второй поток этого курса в данной компании.
Скриншоты этих семи утилит - в комментариях.
А если бы у вас в компании был подобный эксперимент, какую бы утилиту хотели сделать вы?
Ваш, @llm_under_hood 🤗
(Скриншоты 7 утилит, которые были полностью написаны AI - в комментариях, тут - контекст и оглавление)
У меня сейчас закончился первый модуль экспериментального курса AI+Coding. Он проводился в одной компании и был посвящен основам разработки при помощи AI. Мы изучали различные инструменты кодинга с AI, отрабатывали практические задания и осваивали процесс быстрого создания простых утилит.
Cегодня участники показывали всей компании результаты своей работы. У них была “выпускная” задача - при помощи AI+Coding за 4-8 часов создать утилиту, которая сделает их работу на основном проекте более легкой и приятной.
Это задание выполняли разные люди с разным опытом из разных проектов. Вот что они сделали:
(1) Инструмент для анализа корпоративных систем на сотни тысяч строк кода на 4GL языке
(2) Утилита для удобного редактирования словарей Contextive (работа с DDD)
(3) Тулза, которая помогает накатывать архитектурные изменения в DS/ML проектах (когда нужно синхронизировать десятки проектов)
(4) Extension для Cursor - ему задаешь вопрос текстом, а он генерит Regex, который найдет нужные файлы
(5) Красивая тулза, которая подключается прямо к Azure DevOps, описывает проект и отвечает на вопросы по коду
(6) Инструмент, который анализирует Docker build logs и визуализирует узкие места в процессе сборки контейнеров
(7) Автоматический анализатор тестов, которые проходят кандидаты в одну компанию газированных напитков (вы видели ее продукты в магазине) на предмет выявления очевидных ботов.
И это было очень круто видеть! Я не ожидал такого разнообразия способов упросить работу на типичных проектах. Ребята взяли самые нудные или наболевшие моменты своей работы и просто избавились от них.
Самое интересное, что весь этот процесс был заказан директором компании, как попытка мотивировать сотрудников в том, чтобы хотя бы начать интересоваться AI. Предварительная его оценка - “Отлично!”
Осталось дождаться результатов - смогут ли эти примеры вдохновить и других сотрудников начать осваивать AI? KPI - сколько еще людей попросятся во второй поток этого курса в данной компании.
Скриншоты этих семи утилит - в комментариях.
А если бы у вас в компании был подобный эксперимент, какую бы утилиту хотели сделать вы?
Ваш, @llm_under_hood 🤗
LLM Бенчмарк Claude 4
Модель Claude Sonnet 4, которой пользуется большинство, значительно выросла в очках сравнению со своим предшественником - Sonnet 3.7. Причем, прогресс есть во всех категориях, кроме сложных BI задач.
Кстати, пусть Claude Sonnet и не в топах по работе с зубодробительным кодом и легаси решениями, но если нужно быстро набросать симпатичный web интерфейс, то альтернативе Sonnet пока нет.
Claude Opus 4 - стал немного хуже, чем Claude 3.7 Sonnet Thinking
Ваш, @llm_under_hood 🤗
PS: Прочитать про мой подход к бенчмаркам можно тут. Там есть и FAQ со всеми вопросами, которые задают последние полтора года. Пожалуйста, прочитайте его, прежде чем оставлять свой первый комментарий.
Модель Claude Sonnet 4, которой пользуется большинство, значительно выросла в очках сравнению со своим предшественником - Sonnet 3.7. Причем, прогресс есть во всех категориях, кроме сложных BI задач.
Кстати, пусть Claude Sonnet и не в топах по работе с зубодробительным кодом и легаси решениями, но если нужно быстро набросать симпатичный web интерфейс, то альтернативе Sonnet пока нет.
Claude Opus 4 - стал немного хуже, чем Claude 3.7 Sonnet Thinking
Ваш, @llm_under_hood 🤗
PS: Прочитать про мой подход к бенчмаркам можно тут. Там есть и FAQ со всеми вопросами, которые задают последние полтора года. Пожалуйста, прочитайте его, прежде чем оставлять свой первый комментарий.
Хорошая статья на тему AI+Coding
Аргументированная точка зрения от человека, который смотрит на LLM прагматично. Не как на откровение вайб-кодеров, но и не как на галлюцинирующий черный ящик. А как на полезный и уникальный инструмент, который уже меняет всю отрасль.
Обязательно читать: My AI Skeptic Friends Are All Nuts
Тон у статьи несколько провокационный, но с положениями о LLM - я в целом согласен.
Вот несколько понравившихся мне цитат про аргументы о AI+Coding:
(1) but the code is shitty, like that of a junior developer
Does an intern cost $20/month? Because that’s what Cursor.ai costs.
(2) but you have no idea what the code is
Are you a vibe coding Youtuber? Can you not read code? If so: astute point. Otherwise: what ... is wrong with you?
You’ve always been responsible for what you merge to main. You were five years go. And you are tomorrow, whether or not you use an LLM.
(3) but hallucination
If hallucination matters to you, your programming language has let you down.
Agents lint. They compile and run tests. If their LLM invents a new function signature, the agent sees the error. They feed it back to the LLM, which says “oh, right, I totally made that up” and then tries again.
(4) but it’s bad at rust
It’s hard to get a good toolchain for Brainfuck, too. Life’s tough in the aluminum siding business.
(5) but i’m tired of hearing about it
And here I rejoin your company. I read Simon Willison, and that’s all I really need. But all day, every day, a sizable chunk of the front page of HN is allocated to LLMs: incremental model updates, startups doing things with LLMs, LLM tutorials, screeds against LLMs. It’s annoying!
But AI is also incredibly — a word I use advisedly — important. It’s getting the same kind of attention that smart phones got in 2008, and not as much as the Internet got. That seems about right.
Ваш, @llm_under_hood 🤗
PS: Но при этом не забываем одну вещь. Весь этот AI+Coding пока хорошо работает для отдельных людей и небольших команд, стартапов. Стабильно и без перекосов масштабировать это на уровень компаний и больших проектов - мы все еще только учимся.
Аргументированная точка зрения от человека, который смотрит на LLM прагматично. Не как на откровение вайб-кодеров, но и не как на галлюцинирующий черный ящик. А как на полезный и уникальный инструмент, который уже меняет всю отрасль.
Обязательно читать: My AI Skeptic Friends Are All Nuts
Тон у статьи несколько провокационный, но с положениями о LLM - я в целом согласен.
Вот несколько понравившихся мне цитат про аргументы о AI+Coding:
(1) but the code is shitty, like that of a junior developer
Does an intern cost $20/month? Because that’s what Cursor.ai costs.
(2) but you have no idea what the code is
Are you a vibe coding Youtuber? Can you not read code? If so: astute point. Otherwise: what ... is wrong with you?
You’ve always been responsible for what you merge to main. You were five years go. And you are tomorrow, whether or not you use an LLM.
(3) but hallucination
If hallucination matters to you, your programming language has let you down.
Agents lint. They compile and run tests. If their LLM invents a new function signature, the agent sees the error. They feed it back to the LLM, which says “oh, right, I totally made that up” and then tries again.
(4) but it’s bad at rust
It’s hard to get a good toolchain for Brainfuck, too. Life’s tough in the aluminum siding business.
(5) but i’m tired of hearing about it
And here I rejoin your company. I read Simon Willison, and that’s all I really need. But all day, every day, a sizable chunk of the front page of HN is allocated to LLMs: incremental model updates, startups doing things with LLMs, LLM tutorials, screeds against LLMs. It’s annoying!
But AI is also incredibly — a word I use advisedly — important. It’s getting the same kind of attention that smart phones got in 2008, and not as much as the Internet got. That seems about right.
Ваш, @llm_under_hood 🤗
PS: Но при этом не забываем одну вещь. Весь этот AI+Coding пока хорошо работает для отдельных людей и небольших команд, стартапов. Стабильно и без перекосов масштабировать это на уровень компаний и больших проектов - мы все еще только учимся.
🚀 Бенчмарк Deepseek 0528: r1 и qwen3-8b - маленькая мощная локальная модель
Ребята из Deepseek продолжают делать нашу жизнь лучше и интереснее.
Свежая версия 0528 модели deepseek-r1 немного улучшила свой предыдущий результат и даже обошла по очкам GPT-4.1.
Но самое интересное - гораздо ниже, на 20-м месте бенчмарка. Deepseek взяли небольшую модельку - qwen3-8b и дообучили ее на цепочках размышлений от DeepSeek-R1-0528. Получившийся "дистиллят" внезапно неплохо умеет рассуждать по планам, которые зашиты в SO CoT моего бенчмарка. Она показывает результат на уровне gpt-4o-2024-08-06!
И это при том, что я эту модельку запускал через API NovitaAI, который Structured Outputs не поддерживает в принципе.
Это настолько хорошо для такой маленькой модельки, что прямо интересно. Кто-нибудь еще использовал эту модель в режиме с Custom Chain of Thought?
Ваш, @llm_under_hood 🤗
PS: Прочитать про мой подход к бенчмаркам можно тут. Там есть и FAQ со всеми вопросами, которые задают последние полтора года. Пожалуйста, прочитайте его, прежде чем оставлять свой первый комментарий.
Ребята из Deepseek продолжают делать нашу жизнь лучше и интереснее.
Свежая версия 0528 модели deepseek-r1 немного улучшила свой предыдущий результат и даже обошла по очкам GPT-4.1.
Но самое интересное - гораздо ниже, на 20-м месте бенчмарка. Deepseek взяли небольшую модельку - qwen3-8b и дообучили ее на цепочках размышлений от DeepSeek-R1-0528. Получившийся "дистиллят" внезапно неплохо умеет рассуждать по планам, которые зашиты в SO CoT моего бенчмарка. Она показывает результат на уровне gpt-4o-2024-08-06!
И это при том, что я эту модельку запускал через API NovitaAI, который Structured Outputs не поддерживает в принципе.
Это настолько хорошо для такой маленькой модельки, что прямо интересно. Кто-нибудь еще использовал эту модель в режиме с Custom Chain of Thought?
Ваш, @llm_under_hood 🤗
PS: Прочитать про мой подход к бенчмаркам можно тут. Там есть и FAQ со всеми вопросами, которые задают последние полтора года. Пожалуйста, прочитайте его, прежде чем оставлять свой первый комментарий.
Как мне OpenAI сегодня сэкономил 8 часов
Я недавно упоминал кейс про 700000 строчек дремучего 4GL кода 30-летней давности. Этот код надо переписать на Java/Kotlin так, чтобы пользователи в 13 странах не заметили подмены и продолжали работать как и раньше.
Чтобы начать оценивать реальность переписывания, надо самостоятельно запустить этот монолит. И это при том, что документацию про запуск в тендер не включили, есть только git с исходниками. Про один из параметров запуска сказать забыли, а он срабатывает при обращении системы к служебным таблицам, куда тоже нет доступа. А БД - файловая, работает по хитрому протоколу через VPN, либо через JDBC, который прикручен сбоку.
При этом ни среду программирования, ни язык я раньше в глаза не видел. Да и вообще специалисты в них уже почти все на пенсии (почему и так горит переписывание).
Сегодня ChatGPT помог за несколько часов благополучно разобраться в коде, найти точки входа, отладить проблемы и запустить систему. Без чьей-либо помощи.
Запросы в ChatGPT выглядели примерно так:
(обращаем внимание на то, как c каждым ответом от ChatGPT понимание происходящего становится лучше)
(1) Вот что это вообще?
(2) Вот тебе список файлов и папок в верхних уровнях проекта. С какой стороны это запускать?
(3) Ну поставил я среду для разработки, какой скрипт наиболее вероятен в качестве точки входа?
(4) Скрипт ругается на отсутствие БД. Как поставить драйвера Progress 4GL под Windows?
(5) В чем различие между JDBC и ABL подключением к БД? Как проще пробросить настройки в сессию?
(6) Вот тебе входной скрипт ABL и релевантные параметры. Помоги отладить причину, почему терминал не пропускает мой логин.
(7) Встрой в приложение отладочное окно, которое покажет статус авторизации моего тестового логина в системной таблице и в ее второй версии от 2008 года
(8) Вот выхлоп отладочного окна. Выдай пару вариантов, почему у меня логин с валидным паролем может не проходить
(9) Напиши ABL скрипт, который достанет _Domain-name для моего пользователя из системной таблицы _Users (OE11+). JDBC не пользуйся - оттуда доступ закрыт.
(10) Как пробросить параметр SESSION:ICFPARAMETER в приложение ABL, запускаемое из PDSOE?
В принципе, я бы осилил весь процесс и сам, но убил бы пару дней на чтение форумов, устаревшей документации и освоение базового синтаксиса 4GL в контексте ABL и терминальных приложений.
А так, ChatGPT + DeepResearch просто за пару часов провели меня за ручку до поставленной цели.
Ваш, @llm_under_hood 🤗
Я недавно упоминал кейс про 700000 строчек дремучего 4GL кода 30-летней давности. Этот код надо переписать на Java/Kotlin так, чтобы пользователи в 13 странах не заметили подмены и продолжали работать как и раньше.
Чтобы начать оценивать реальность переписывания, надо самостоятельно запустить этот монолит. И это при том, что документацию про запуск в тендер не включили, есть только git с исходниками. Про один из параметров запуска сказать забыли, а он срабатывает при обращении системы к служебным таблицам, куда тоже нет доступа. А БД - файловая, работает по хитрому протоколу через VPN, либо через JDBC, который прикручен сбоку.
При этом ни среду программирования, ни язык я раньше в глаза не видел. Да и вообще специалисты в них уже почти все на пенсии (почему и так горит переписывание).
Сегодня ChatGPT помог за несколько часов благополучно разобраться в коде, найти точки входа, отладить проблемы и запустить систему. Без чьей-либо помощи.
Запросы в ChatGPT выглядели примерно так:
(обращаем внимание на то, как c каждым ответом от ChatGPT понимание происходящего становится лучше)
(1) Вот что это вообще?
(2) Вот тебе список файлов и папок в верхних уровнях проекта. С какой стороны это запускать?
(3) Ну поставил я среду для разработки, какой скрипт наиболее вероятен в качестве точки входа?
(4) Скрипт ругается на отсутствие БД. Как поставить драйвера Progress 4GL под Windows?
(5) В чем различие между JDBC и ABL подключением к БД? Как проще пробросить настройки в сессию?
(6) Вот тебе входной скрипт ABL и релевантные параметры. Помоги отладить причину, почему терминал не пропускает мой логин.
(7) Встрой в приложение отладочное окно, которое покажет статус авторизации моего тестового логина в системной таблице и в ее второй версии от 2008 года
(8) Вот выхлоп отладочного окна. Выдай пару вариантов, почему у меня логин с валидным паролем может не проходить
(9) Напиши ABL скрипт, который достанет _Domain-name для моего пользователя из системной таблицы _Users (OE11+). JDBC не пользуйся - оттуда доступ закрыт.
(10) Как пробросить параметр SESSION:ICFPARAMETER в приложение ABL, запускаемое из PDSOE?
В принципе, я бы осилил весь процесс и сам, но убил бы пару дней на чтение форумов, устаревшей документации и освоение базового синтаксиса 4GL в контексте ABL и терминальных приложений.
А так, ChatGPT + DeepResearch просто за пару часов провели меня за ручку до поставленной цели.
Ваш, @llm_under_hood 🤗