Костя 8Бит | Fullstack AI

Оркестрация ИИ-агентов

Очень часто взаимодействую с оркестрацией агентов и решил разобрать как это может быть устроено на примере моего одного проекта.

Куда идет запрос: Фронтенд, бекенд, ИИ слой.?
Первым делом запрос с фронта идет не сразу в оркестратор, а в продуктовый бек. В нем добавляется вся информация о пользователе, его контекст, проверка сессии и тд. В общем дефолтный бек.
Оттуда уже запрос идет в бекенд оркестрации.

Самое важное за что отвечает оркестратор: безопасность, выбор модели, подбор агентов и инструментов. Разберем подробнее.

Гардрейлы на входе и выходе

Гардрейлы - это отдельный сервис, через который проходит запрос до и после модели.

На входе они чекают сам вопрос: на сколько данные деликатные, проверяется prompt injection, классификация данных.
После этой проверке происходит решение о маршруте: какую модель использовать, какой инструмент и нужно ли чистить/маркировать данные.
На выходе из этого узла агент уже получит "чистый" запрос и инструкцию какую LLM выбирать.

На выходе гардрейл проверит ответ модели:
утечка данных, корректность ответа. Если проверка/критика не прошла, запускается пост валидация или перегенераци ответа, а потом снова по цепочке.

Само решение по выбору модели исполняется на уровне прокси.

Выбор модели и маршрутизация

Маршрутизация моделей осуществляется единым прокси-слоем (litellm).
Это удобно тем что есть единый провайдер: агент вызывает «модель», не зная, локальная она или внешняя.

Обычно режимы такие:
1. Локальная модель в защищённом контуре для внутренних данных
2. Внешние модели через роутер для всего остального.

Цикл агента и инструменты

Внутренний агент работает в цикле.
Он получает запрос, контекст и список доступных инструментов ->
после модель решает, какой инструмент вызвать -> результат вызова возвращается в модель -> цикл повторяется, пока задача не решена или не достигнут лимит шагов.

Инструменты подключаются по MCP. Каждый источник (файлы, почта, таск-трекер) отдельный MCP-сервер.
Сверху стоит агрегатор MCP: он сводит все серверы в единую точку, чтобы агент видел один общий каталог инструментов вместо кучи подключений.

Под конкретный запрос оркестратор формирует набор инструментов и нужных агентов.
Это и есть мультиагентность: не один универсальный бот, а агенты, собираемые под задачу.

Итого:

Оркестратор = это слой между продуктовым бэкендом и моделями, который на каждый запрос решает: безопасен ли он, по какому маршруту и какой моделью отвечать, какие инструменты и агенты подключить, что делать при плохом ответе.


В воскресенье в 16 буду проводить ребятам урок по мультиагентным системам. Кому интересно отпишитесь в личку @kostya_xxxx

Оффер в сбер на 350к

В марте ко мне обратился Андрей. Его сократили в из компании и он впервые за 3 года вышел на рынок труда. Прошел пару собеседований и понял что нужна помощь.

17 марта мы стартанули.
На первом звонке я собрал все данные про опыт работы, задачи, челенджи, различные ситуации.
Для чего это нужно ? На каждом собеседование просят рассказать о себе. Поэтому чтобы не придумывать и не вспоминать о своем опыте лучше заранее всегда структурно его подготовить. А именно включить:
- текущий опыт, чем занимаешься
- проект, задачи
- что смог улучшить на проекте
- стек
- процессы
- куда хочешь сейчас двигаться(сфера, задачи)

Второй этап это просмотр собеседований и подготовка к техническим моментам.
На своей платформе даю ребятам обязательно посмотреть собеседования для понимания какие вопросы могут задать, какие бывают удачные или неудачные собеседования. Что не знаешь выписываешь или задаешь отдельные вопросы.

Третий этап это обязательные моковые собеседования. Прогнали с Андреем основные моменты по техничке и по софт скиллам.
Про синтаксис я тут не спрашиваю, а больше вопросы на понимание почему и как выбрал такое решение, а как правильно может быть, а какие трейдоффы и тд.

Четвертый этап собеседования + их разбор. Каждое собеседование просил Андрея записывать. Чтобы потом обязательно их разбирать. Смотреть моменты которые не знаешь, моменты где было непонятно.
Тут максимально важно детально разобрать ошибки. Плюс указываю дополнительно на что обратить внимание.


Итого: 12 мая Оффер в крупную компанию на хорошие деньги.
Очень важно отметить что всегда это заслуга ученика на 80%. Андрей супер быстро вырос в прохождении собесов за короткое время.

Убегаю из России!!! (нет)

Последний раз Даша путешественница рассказывала как прибыла в Черногорию. Там я пробыл 2 недели, максимально кайфанул, крайне советую всем Черногорию. После этого поехал в Сербию, дальше в Сочи, Питер, Москва, Ташкент, Самарканд и сейчас уже пару недель в Казахстане.

Каждое новое место и страна дает понять где тебе нравится, что тебе нравится и сравнить места, где живешь сам. В России супер классно айти, цифровизация, автоматизаци в сравнении с другими странами.
Пока что для себя точно понял что в питере не могу уже жить, 8 месяцев плохой погоды ужасно ощущается. Поэтому пока решил пожить вне Питера.

Новые идеи
Также и появляются новые идеи, когда смотришь на мир под другим углом. Начиная с конца марта вынашивал идеи внедрять ИИ в МСП(малый-средний бизнес) для оптимизации рутины.

На текущий момент только айтишники понимают как можно применять ИИ и ускорять работу, а МСП все также ведет таблички в екселе или срмке, но шаг влево шаг вправо и уже нужна новая фича для такого продукта.
Все эти мультиагентные системы работают классно, но в реальности очень мало где реально внедрены. Поэтому есть идея помогать внедрять подобное.

Невероятные совпадения
Улетая из Еревана в Черногорию в 6 утра сотрудники АК FlyOneArmenia (худшая авиакомпания) сказали что мне нужно доплатить 40 евро чтобы зарегистрироваться на рейс и нужно идти оплачивать прямо сейчас в другой конец аэропорта.
Я конечно был несказано рад такому, а потом мне еще нахамили за то что я русский.
НО! При оплате регистрации совершенно случайно познакомился с чуваком, которому тоже нужно было оплатить ее. Слово за слово и оказалось что ему нужны люди кто настроит мультиагентную архитектуру в его приложении! Я подумал на судьба, надо точно подобное делать.
А потом еще через пару дней познакомился с парой, которая в Париже продала ИИ приложуху для магазинов моды.

Куда движемся
Прямо сейчас делаю для клиентов небольшое приложение с ИИ для оптиизации работы с данными, бухгалтерией, аналитикой, отчетами, оптимизацией проверок заказов и тд.

Если у вас или ваших знакомых есть рутина которую хотите оптимизировать с ИИ, но не знаете как, то с радостью обсужу с вами. Сейчас набираю первые кейсы и беру недорого.

ЛС: @kostya_xxxx

Я В ШОКЕ ОТ СОВРЕМЕННОГО ОБРАЗОВАНИЯ

Общаюсь с большим количествим ребят-разработчиков, один из них очень талантливый и учится в университете в Казани. Он рассказал чему они обучаются и меня это реально шокировало.

Примерная программа:

1 курс: мат анализ, дискретка, линал, программирование на джаве, алгоритмы.
2 курс: машинное обучение, мат статистика, теория вероятности, базы данных, веб прога на джаве

Что меня удивило так обучение происходит действительно важных вещей, которые реально используются в продакшене.
Учить шардирование и векторные БД в свои 19 я вряд ли бы додумался, а через некоторое время это станет стандартом.

В мое время 10 лет назад в политехе в питере были предметы совершенно не связанные с реальной разработкой. Бтв, я учил PHP! 🤣🤣🤣
А когда пришел показывать показывать проект на React/Vue в 2017 там не то что не знали что это, было ноль понимания что оказывается существует фронтенд!

Очень рад что молодым ребятам открыт такой огромный доступ к информации и они могут вырасти в крутых инженеров и потом будут пилить классные проекты, продукты.
Сейчас выйдя после учебы можно выйти уже плотным миддлом и это кайф.

Как было у вас устроено обучение в унике или происходит сейчас?

Писать код руками == каменный век

В последнее время я 99% пишу код с помощью ИИ.

Знаем мы как пишут код ИИ! Ничего толкового не напишет! Я пробовал, выдает не то!

И это правда. Скуф-тимлид, который это сказал, будет прав. Но единственное, в чем он не прав, что он использовал ИИ-инструменты как волшебную кнопку и ожидая от нее нереального качества.
А в реальности говорить, что экскаватор тупой потому что мы не знаем какие кнопки жать.

Тут я рассказывал как изменился мой флоу разработки, сейчас он опять немного модифицировался. Сейчас за меня все делают запущенные ИИ-агенты и на каждом этапе друг друга контролируют.

В реальности выглядит все так:
1. Выработка требований
2. Анализ требований
3. Ресерч проекта (добавляем контекст)
4. Сравнение какие фичи нужно внедрить исходя требований вместе с ресерчем проекта
5. Проектирование фич(агент проектировщик.
Если фич много или фича большая сплитится на мелкие кусочки.
6. Ревью проектирования.
супер важный этап отсмотреть что нейронка вообще предлагает сделать. Этап проектирования + ревью ни в коем случае нельзя пропускать. Именно на этом этапе мы специалисты оцениваем что происхоодит и выбираем как все должно работать.
7. Планирование разбитие файлика проектирования на фазы и итерации для разработки кода
8. Ревью плана
9. Разработка кода
10. Ревью кода:
Общее ревью
Ревью на соответствие бизнес функциональности
Ревью на безопасность
11. Написание + прогон тестов.
12. Оценка кода на линтинг, правила кода, архитектурные моменты.

🛡И обязательно на каждом этапе стоят guardrails.
🫸Набор фильтров, правил и ограничений, которые удерживают агентов в заданных рамках, иначе они натворят делов.
Если изменения серьезные и реально многое поменяют обязательно нужен апрув от меня.

Также я всегда стараюсь делиться задачи на мелкие кусочки, потому что нейронка не может понять большие длинные файлы .md и потом теряет контекст/пропускает реализацию нужных файлов.

ИТОГО: работа программиста это уже не написание скучного бойлрплейта, а обдумывание системы как она должна существовать , делать нужные трейдоффы и быстро использовать ии инструменты для написания кода.

В своем курсе я рассказываю детальнее про свой флоу работы сейчас. Также в нем будет ролик про команды и их оркестрацию с помощью ИИ.

Узнать детальнее: kostya-it.pro/ai

1000 тулов MCP для ИИ-агента

Мы уже разобрались что такое MCP, из чего он состоит и как написать свой сервер. Но часто совершают серьезную ошибку при работе с MCP.

Этой ошибкой является дать агенту все доступные тулы и отправить работать. Агент не понимает контекст так, как понимаете его вы. Он выбирает тулы на основе описаний и текущего промпта. И может вызвать тул, который не предусматривался.
Но почему это так критично?

1. Безопасность
Каждый тул расширяет поверхность некорректного выполнения.
Представьте агент для аналитики продаж. Вы подключили ему MCP-сервер с тулами: get_sales_data, send_email, delete_records, update_user.
Агент хочет отправить отчёт вызывает функцию send_email. Но в промпте была неоднозначность, и он решает "помочь" почистить старые данные через delete_records.
Никакого злого умысла. Просто был доступ, и он решил что так правильно.

2. Надёжность
Чем больше тулов, тем выше шанс что агент выберет не тот. Модели путаются при большом выборе, особенно если описания тулов похожи между собой. Результат: непредсказуемое поведение, которое сложно дебажить.

3. Скорость и стоимость
Это часто забывают. Каждый тул это дополнительные токены в контексте. Описание, параметры, схема всё это обрабатывается при каждом запросе.
Чем больше тулов, тем:
- дольше обрабатывается запрос
- дороже каждый вызов (токены описаний входят в input tokens)
- ниже точность выбора нужного тула

При 5 тулах модель выбирает правильный почти всегда. При 50 точность заметно падает.

Принцип минимальных привилегий
Тот же принцип, что и в безопасности обычных систем: давай доступ только к тому, что нужно для конкретной задачи.
Агент для чтения аналитики? Только read тулы.
Агент для отправки отчётов? Только на отправку.

Один агент = один набор тулов под его задачу.

Как это на практике

Регистрируем тулы динамически только нужные для конкретного агента:

// ❌ так лучше не делать
server.tool("delete_records", ...);
server.tool("send_email", ...);
server.tool("update_user", ...);

// ✅ только то, что нужно агенту
const allowedTools = getToolsForAgent(agentRole); // ["get_sales_data"]

allowedTools.forEach(toolName => {
  server.tool(toolName, toolDefinitions[toolName]);
});

В реальности можно описывать доступные функции агенту в зависимости от его роли.

Что ещё можно сделать
Логировать каждый вызов тула. Если агент что-то сломал, вы должны знать что именно и когда.
Перед delete или update добавить еще проверку доп проверку.
Ну и обязательно тестировать агента в изолированной среде перед боевым запуском.

MCP изнутри: составные части и пишем свой сервер
В прошлый раз разобрали зачем нужен MCP и какую проблему он решает. Сегодня смотрим что там внутри и как написать свой сервер с нуля.

Три участника: Host, Client, Server
Любая MCP-система состоит из трёх частей.
MCP Host = это приложение, в котором живёт AI-агент. Например Claude Desktop, Cursor. Хост запускает всё и управляет соединениями.

MCP Client = живёт внутри хоста и общается с сервером один-к-одному. Один клиент = одно соединение с одним сервером.
Клиент это посредник: передаёт запросы от агента и возвращает ответы обратно.

MCP Server = лёгкая программа/сервер, которую пишете вы. Она подключается к вашим данным (БД, API, файлы) и отдаёт их агенту.

Что умеет отдавать сервер : три примитива
Сервер может отдавать три вещи.
Tools = функции, которые AI вызывает сам. Запрос в базу, отправка письма, вызов API. Аналог POST-эндпоинта: что-то выполняется и возвращается результат.

Resources = данные, которые AI читает в контекст. Файл, строки из таблицы, содержимое документа. Аналог GET-эндпоинта: просто читаем, не меняем.

Prompts = готовые шаблоны для типовых задач. Стандартные заготовленные шаблоны для ваших целей.

Для большинства практических задач достаточно Tools. Их используем чаще всего.

Пишем свой MCP-сервер на TypeScript
Используем официальный SDK от Anthropic @modelcontextprotocol/sdk.

Пример: сервер с одним тулом, который возвращает данные по проекту из условной базы.

// Создаём сервер с именем и версией
const server = new McpServer({
  name: “vash-server",
  version: "3.2.2",
});

// Регистрируем тул функцию, которую сможет вызвать AI
server.tool(
  "get_project_data",                        // имя тула
  "Получить данные по проекту за период",    // описание для AI
  {
    project_name: z.string().describe("Название проекта"),
    month: z.string().describe("Месяц в формате YYYY-MM"),
  },
  async ({ project_name, month }) => {
    // Здесь ваша реальная логика: запрос в БД, вызов API и т.д.
    const data = await fetchFromDatabase(project_name, month);

    return {
      content: [{ type: "text", text: JSON.stringify(data) }],
    };
  }
);

Что тут происходит: создаём сервер, описываем тул с параметрами через Zod-схему (AI сам разберётся какие параметры передавать), внутри пишем любую логику.

И дальше подключаемся например к Claude desktop

{
  "mcpServers": {
    "vash-server": {
      "command": "node",
      "args": ["/путь/до/вашего/server.js"]
    }
  }
}

Теперь можно писать в чат: "выдай данные по проекту Альфа за январь 2025" и Claude сам вызовет ваш сервер.

MCP (Model Context Protocol)
почему об этом говорят все

Уверен что вы слышали о MCP, последнее время почти из каждого утюга в разработке про него слышно. Разберем зачем вообще это нужно.

Главная проблема нейронок: у них нет доступа к внешним данным или инструментам. Они выдают результат только чисто на базе того чем были обучены. Вызвать API и сделать аналитику по вашим отчетам? Возможности нет.

И вот появился открытый стандарт MCP от Anthropic, который решает эту проблему. Он даёт AI-агентам единый способ подключаться к любым внешним инструментам: базам данных, API, файловым системам, браузеру.
Как они сами пишут:

MCP — это USB-C для AI. Один стандартный разъём вместо кучи переходников.

Фактически это аналог Rest API, но только для нейронок. Но почему тогда просто не использовать rest как раньше?

Во-первых, проблема N x M интеграций. Представьте у вас 5 ИИ-агентов, 10 интеграций. Сколько раз вам нужно написать каждую отдельную интеграцию? Очень много. 50 штук. MCP упрощяет количество таких интеграций до 15.

Каждый инструмент пишет один MCP-сервер. Каждый агент реализует один MCP-клиент. Всё. Они работают друг с другом автоматически.
Компании пишут серверы один раз, и их сразу подхватывают все агенты.

Краткая схема как это работает:
🤖 AI-агент ←→ MCP-клиент ←→ MCP-сервер ←→ 📂 данные

Где в реальности это может применяться?
Да практически везде.
Я писал MCP сервера, чтобы в компании можно было быстро получить данные из БД. Чтоб не сидеть ждать апишку , пишешь нейронке естественным языком:

выдай данные из базы по проекту за декабрь 2025

и выдается вся информация по нему.
Дальше просишь также естественным сделать аналитику чтобы было сделано. И главное любой сотрудник может естественным языком обратиться к нужным корпоративным данным и получить их без программиста.
Если до этого нужно было писать отдельную ручку, внедрять, тестировать, то сейчас все в разы проще и быстрее.

Допустим уже есть готовое приложение, база данных или файловая система. Подключаешь ИИ-агента с MCP и фильтрация, аналитика, получение нужных данных ускоряется в разы.

MCP становится новым стандартном, который в будущем будут использовать все. В след посте расскажу что там вообще внутри, как можно написать свой MCP сервер и как можно использовать для рабочих и не только задач.

Использование нейронок в закрытом контуре

У многих компаний есть NDA по запрету отправки кода в внешние LLM.

Почему?
1. Безопасность
За счет данных кодовой базы можно найти утечки и поломать приложение. Учитывая современные гибридные войны этот аспект очень важно учитывать.
2. Коммерческая тайна
Стратегические планы.
Сведения о партнёрах и контрактах.
Тендеры и переговоры.
Что угодно может повлиять на работе компании в дальнейшем.

Как крупные компании решают эту проблему ?
Крупные компании идут другим путём: запускают модели прямо на своих серверах. Qwen и Llama самые популярные варианты на текущий момент.

Пример:

from ollama import Client

client = Client(host='http://localhost:11434')

response = client.generate(
    model='qwen:7b-code',
    prompt="""Проанализируй код нашего микросервиса:
    
{SECRET_CODEBASE}

Найди уязвимости"""
)

Qwen наверное самый известный и на слуху. Одна из лучших open-source моделей для кода. Но есть подвох.
Кто пользовался говорят что модель «глуповата».

Все из-за того что локальная модель имеет небольшое контекстное окно.

Локальный Qwen видит только 32K токенов контекста.
Если ваш микросервис состоит из 20 файлов,
модель видит максимум 2-3 из них полностью.

Но это локальная модель поставленная на собественный компьютер. У больших компаний есть большие ресурсы. Они могут поставить мощную модель и потом "тюнить" ее под нужды.

Локальные модели будут глупее условного Клода. Но у крупных компаний есть большие ресурсы и они могут использовать fine tuning для улучшения качества кодинга.
Если есть данные на которых можно обучить ( десятки тысяч строк кода ), модель в крупной компании так и обучат.

Фронтенд мертв. Что дальше ?

За месяц пообщался с 10 разными фронтами и у всех плюс минус одна проблема:

Фронт вакансий супер мало, хочется развиваться но непонятно куда

На счет рынка действительно все супер плохо по 5к откликов на вакансию, жесткий демпинг по зп и так далее.

Выбираться из этого я рекомендую переходом в фуллстек/бек. Самый быстрый способ. Выучить ноду/питон/гошку и работа явно быстрее найдется в разы.

Само обучение может занять от 1.5 до 3-4 месяцев. В случае с нодой супер быстро, но вакансий поменьше чем на том же питоне.

Плюс учитывая развитие ИИ все это можно выучить супер быстро и пойти работать клепать апишки.

Как я вижу самые популярные и интересные решения для ИИ приложений делаются на питоне + тайпскрипте. Как один из вариантов погружения.

Адаптироваться в любом случае придется, если хотите находить новые проекты или апать зарплату.

ИИ заменяет не только программистов,но и аналитиков и тестировщиков!

Вчера смотрел запись ученика собеса в СБ*Р и подметил интересную вещь. Собеседующий сказал что год-два и уже будет настроена мультиагентная система.

Как он описывал мультиагентный пайплайн:
1. Аналитик прописывает требования агенту
2. Агент формирует требования
3. Агент-критик проводит ревью
4. Агент-архитектор формирует план как встроить эту фичу
5. Программист получает задачу на разработку
6. Тестировщик с MCP Playwright проверяет результат

🏞️Такое вот будущее не за горами. Удивление вызвало что даже в такой огромной бюрократической машине уже видят как это будет работать эта мультиагентная система. Скорость описанных вышей ролей возрастет в разы.

Но это как раз совершенно не означает что всех аналитиков или тестировщиков уволят.

Уже много раз транслировал мысль:

ИИ не заменит программистов, аналитиков или кого еще.

Просто вы не будете востребованы на рынке труда, если не умеете обращаться с новыми инструментами.

У тебя 10 лет и ты нереально крутой бекендер, но не используешь клод и не знаешь про MCP?
Круто! Мы тебе обязательно (не) перезвоним !

Собес на 600к. Техничка.

Сходил на собеседование по этой вакансии, на деле оказалось очень просто. Было ощущение что знаю больше про агентную архитектуру чем собеседующий.

Вкратце сам собес был такой:

1. Рассказ о себе о опыте
2. Секция фронтенд
- Архитектура фронтенда (FSD, feature-based, микрофронты, монорепа)
- как внедрить кнопку контекстного меню с LLM во все приложения фронта (перечислить)
3. ИИ секция
- Как проектировал ИИ-ассистента? ( RAG, данные, чанки, векторные БД )
- с какими ошибками сталкивался у агентов?
- оркестрация агентов (LangChain, LangGraph)
- мульти-агентная архитектура
4. Бекенд секция
- транзакции
- kafka vs rabbitMq
- базовый питон
- как общаются микросервисы?

Сам собес в открытый доступ выкладывать не планирую, а думаю оставить его только в рамках своего курса.

🚀 Становимся ИИ-инженером

У меня появился новый ученик, с которым мы будем учить бекенд с нуля и доп навыки, необходимые для ИИ-инженера. Ему 16 лет, немного знает питон.

⚙️ Сам процесс:
До этого я обучал с нуля с помощью постоянных созвонов, большого количества теории, проверял домашку и т.д. Сейчас будет новый процесс обучения, усиленный ИИ.

Я покажу, как правильно пользоваться ИИ, как использовать skills на практике и весь процесс будет происходить гораздо быстрее. Задания, проверка кода, тесты, объяснение концепций всё это ускоряется именно с помощью скиллов.

Мне кажется, такой подход ускорит обучение в разы (уменьшение рутины, бойлерплейта и проверки кода). Сейчас супер важно уметь быстро решать задачи, а конкретно: системно понимать, как строить приложение, как быстро выискивать баги и как грамотно использовать инструменты.

Важная оговорка: что ИИ не заменяет
Единственное что нейронка не может дать это системное мышление, как правильно построить архитектуру, какие решения принимать при разных трейдоффах и как выпускать проект с 0 до продакшена. Тут уже роляет опыт.

Буду держать вас в курсе, как будет идти процесс 📈

Адаптируемся и учимся, ребята! 💪

Как продать себя на собесе на 900к 💰
Краткий ответ: никак, если сам не захочешь.

У технических специалистов есть чёткое убеждение: скиллы = большая зп. В реальности всё совсем не так. Вот это поверье:

«вот щас выучу паттерны, алгоритмы, архитектуру и мне сразу как отсыпят бабок».

Но по правде, если свой опыт не продавать и не говорить какой ты классный, никто нормальных денег не даст.

Реальный пример из моей карьеры 👇
Работал в британской компании, получал 6500$. Со мной в команде был другой русский парень. Он делал кучу всего: проектировал, разрабатывал приложение по 10-12 часов и даже на выходных перерабатывал бесплатно.

Мы с ним пообщались и оказалось, что он устроился на мидловскую позицию. Путём несложных вычислений я посчитал его зп около 2800$.

Сам он знал очень много. Но на собеседовании не смог продать свой опыт: говорил скомканно и оценивал себя на миддла. Хотя мог бы уверенно рассказать о своих достижениях и даже немного приврать.

Инженер менеджер мне потом сказал, что я с их точки зрения прошёл собес идеально.

Слушайте популярных блоггеров (нет)

Также такую логическую ошибку подогревают крупные айти блогеры.

Если будешь круто знать техничку то за тобой сразу выстроятся толпы рекрутеров.
Кстати вот мой курс по микросервисам. Купят только избранные.

Да, тех скиллы важны, но куда важнее правильно продать свой опыт, классно пообщаться на собесе и потом еще поторговаться. Поэтому если будете читать о том что невероятно знать вот эту штуку иначе вы дурак недостойный зп сеньора то смело не слушайте.

Что делать???
Все кого я знаю кто зарабатывает хорошие деньги 800+ они постоянно проходят собеседования, а не проходят курс по куберу. Поэтому я бы рекомендовал по мимо качки тех навыков делать упор на хорошее резюме, софт скиллы и проходить как можно больше собесов.

27

Сегодня стал на год старше и вот какие невероятные инсайты я понял:

1. Нужно хорошо спать
2. Кушать вкусную еду
3. Делать бегит и спорт

А серьезно за год супер много поменялось. Оказалось развивать свои продукты, обучать людей и вести ютуб гораздо в разы сложнее чем просто сидеть на зп на трех работах.

Я стартовал свою первую работу верстальщиком в 18 лет.
Сейчас уже 9 лет в IT.
Что понял за это время:

1. Скиллы важны. Но умение продавать важнее.
Деньги приходят от умения продавать себя.
Можно быть сильным разработчиком и сидеть на 100к.
А можно быть просто нормальным и зарабатывать в разы больше, потому что умеешь себя продать.

2. Адаптация решает.

Сейчас всё меняется слишком быстро: технологии, требования, найм. И не важно какой рынок был вчера и как звали на тысячи собесов с зп 900к.
Те, кто цепляются за «как было раньше» выпадают из игры.
Выживут те, кто умеет быстро перестраиваться.

3. Фронтенд = мертв.
За последний год я устроил 20 человек.
И честно это было очень сложно.

Сейчас начал работать с фуллстеками и бекендерами и это в разы проще, чем пробиваться через 5к откликов на каждой позиции.

Цели на следующий год:
Кайфовать
Вкусно кушать
Путешествовать
Может даже найти себе тарелочницу

Спасаемся от выгорания

После Азии приехал домой в Питер, первую неделю все было хорошо , а потом стало грустно из-за отсутствия солнца и холода в СПб.
Продуктивность упала в разы, лень работать, лень записывать ролики.

⚡️Решением было улететь в место с солнцем. Решил поехать в Черногорию, тут много солнца, Адриатическое море, горы, в общем красота.
Плюс надо было успеть пока сюда не нужен шенген.

В итоге после приезда сразу захотелось жить, работать и делать новые проекты. Продуктивность увеличилась в разы.

Учитывая что мы работаем в АйТи на удаленке можно спокойно путешествовать и работать откуда хочешь

600к ЗП ИИ-инженеру

Недавно обновил резюме и теперь эйчарки сами пишут.
Вчера рекрутер сказала, что таких специалистов практически нет на рынке и ищут любых инженеров имеющих опыт с ИИ-агентами.

Требований очень много, но часто это фактически бекенд разработчик плюс базовые знания о ML и умение настраивать ИИ-агентов и оркестрировать их.

Что важно понимать для таких позиций:
- RAG
- ембендинги
- векторные базы данных
- оркестрация агентов (langchain, langgraph, openclaw)
- микросервисы
- брокеры сообщений (Kafka, rabbitmq, redis)

Обучиться Ии агентам: kostya-it.pro/ai