CodeGryphon

Почему миллион токенов не гарантирует, что AI поймет ваш проект? 🧠

Развитие LLM долго измеряли цифрами: больше параметров, контекста и прочих составляющих. Особенно впечатляюще выглядит рост контекстных окон. Кажется логичным: если модель способна принять больше информации, значит, ей можно показать практически весь проект и проблема понимания контекста исчезнет. Но в реальной разработке все сложнее.

Проект — это не просто набор файлов, который нужно положить в пропмт. Это архитектура, зависимости, документация, история изменений, бизнес-логика, соглашения команды и огромное количество информации, которая может быть важна для одной задачи и совершенно бесполезна для другой. Поэтому вопрос постепенно меняется с «сколько контекста помещается?» на «какой контекст действительно нужен прямо сейчас?».

AI должен не просто иметь доступ к информации, а уметь находить нужную ее часть, связывать ее с текущей задачей и использовать в правильной последовательности. Это особенно важно для агентных сценариев. Когда AI не просто отвечает на вопрос, а несколько минут или часов работает над задачей, ему приходится постоянно возвращаться к проекту, находить новые зависимости и использовать результаты предыдущих действий. Именно поэтому в AI-разработке появляется отдельная инфраструктурная задача — управление контекстом.

Хороший оркестратор не пытается передать модели все. Он помогает передать ей нужное: проект, файлы, документацию, репозиторий, инструменты и результаты предыдущих шагов. Потому что настоящий контекст — это не количество токенов, это способность системы понимать, какая информация имеет значение для конкретной задачи. 🧘‍♀️

📷 Новый спикер ПЛАС-Форума: Владимир Шабасон — финтех-завод как новая реальность

⭐️ Директор по стратегии ИТ компании Self, Владимир Шабасон выступит на ПЛАС-Форуме «Платежный бизнес и денежное обращение» с темой «Хватит строить банки. Пора их производить» в рамках сессии «Бизнес и технологии. Инфраструктура платежей. Что изменилось за год».

🤔 Что будем обсуждать:
Автомобили, электронику и даже спутники давно производят на технологических конвейерах. А новый банковский продукт мы по-прежнему зачастую запускаем как отдельную стройку: проектируем, разрабатываем, интегрируем, тестируем — и повторяем этот цикл снова.
Что, если изменить сам подход? Не строить очередной банк или продукт с нуля, а создать финтех-завод, способный постоянно выпускать новое?

📍 Эту и другие темы поднимем уже 8–9 сентября, Москва, гостиница «Рэдиссон Славянская», площадь Евразии, д. 2

До встречи на ПЛАС-Форуме!

Когда DevOps только появился, его задачей было не ускорить написание кода 👨‍💻

Решалась иная проблема. За разработкой уже давно стоят не только программисты. Код нужно было тестировать, собирать, разворачивать, сопровождать. И чем больше становилась команда, тем дороже обходились разрывы между этапами. DevOps превратил эти разрозненные процессы в единую систему.

Сегодня похожий этап проходит искусственный интеллект. Во многих командах ИИ по-прежнему используют как отдельный инструмент: написать функцию, объяснить ошибку или попросту сгенерировать текст.

Но настоящий эффект появляется тогда, когда ИИ получает доступ не только к запросу пользователя, а к рабочей среде – к репозиторию, документации, истории проекта, архитектуре, разным моделям и возможности сопровождать задачу на протяжении всей работы.

Сегодня ИИ-оркестраторы объединяют сам искусственный интеллект с процессом создания программного обеспечения.

Попробуйте на практике и вы, скачайте ИИ-оркестратор CodeGryphon, а также листайте карточки 👇

Почему Amazon выигрывает не за счет магазина с огромным ассортиментом товаров? 🧐

Настоящее преимущество компании совсем не в этом. Практически любой крупный ритейлер способен продавать те же товары. Разница появляется в инфраструктуре: логистике, автоматизации складов, алгоритмах маршрутизации, прогнозировании спроса и скорости обработки заказов. Именно процессы позволяют Amazon масштабироваться быстрее конкурентов.

С разработкой происходит похожая история. Сегодня почти у каждой команды есть доступ к сильным ИИ-моделям. Но одинаковые модели не означают симметричный результат. Преимущество получают команды, которые умеют выстраивать процесс: сохранять контекст проекта, автоматически подключать нужные инструменты, управлять задачами и повторно использовать знания.

Поэтому следующим этапом развития ИИ становятся не новые модели, а ИИ-оркестраторы, которые превращают набор инструментов в единую систему работы. Проверьте, как работает ИИ-оркестрация на практике, скачайте CodeGryphon.

Разобрали, почему инфраструктура начинает играть более важную роль, чем сами инструменты 👇