💭 Перед тем как появился хайп вокруг микросервисов, многим казалось, что все довольно просто

Берешь монолит, разбиваешь его на несколько сервисов, настраиваешь взаимодействие между ними - и готово. На конференциях рассказывали про преимущества новой архитектуры, компании массово запускали миграции, а разработчики спешили добавить микросервисы в резюме.

Но довольно быстро выяснилось, что разделить систему на сервисы - это самая простая часть. Настоящие сложности начинались потом: распределенные транзакции, консистентность данных, отказоустойчивость, трассировка запросов, мониторинг, балансировка нагрузки. Появились новые паттерны, новые инструменты и целая инженерная дисциплина, которой раньше просто не существовало.

Мне кажется, сейчас мы наблюдаем очень похожую ситуацию в AI.

Многие все еще продолжают воспринимать AI-системы как набор промптов вокруг LLM. Кажется, что достаточно подключить модель, дать ей несколько инструментов и получится полноценный AI-агент. Но как только такой агент выходит за пределы демо и начинает решать реальные задачи, появляются совсем другие вопросы. Как хранить память и состояние? Как контролировать действия агента? Как строить взаимодействие между несколькими агентами? Как отслеживать причины сбоев и понимать, почему система приняла то или иное решение?

Именно поэтому сегодня все чаще говорят не про Prompt Engineering, а про AI Engineering. Как когда-то недостаточно было просто знать, например Docker, чтобы проектировать распределенные системы, так и сегодня недостаточно уметь писать хорошие промпты, чтобы создавать надежные AI-продукты.

Для тех, кто хочет разобраться в этой области глубже, 15 сентября у нас начинается отдельный курс инженерия AI-агентов. На нем мы разбираем не работу отдельных моделей, а разработку полноценных AI-систем: RAG, MCP, memory, observability, multi-agent архитектуры и другие темы, которые все чаще встречаются в реальных проектах.

Кто я | Навигация | Спасибо