В нашем мире уже не важно, насколько быстро ты узнал про новую LLM. Важно — насколько глубоко ты встроил её в свою работу. Самый наглядный здесь пример - разработка ПО. Программист, который до сих пор не использует ИИ - птица редкая, возможно даже невыездная. Все остальные можно условно разделить по уровням интеграции (частично навеяно конференцией ai-dev.live - если не смотрели, очень советую): - уровень 1 - Чат-бот в браузере. Полный контроль над результатом, но ограниченные возможности: всё приходится копировать вручную из IDE; - уровень 2 - Чат прямо в IDE. Есть поиск по проекту, копипаст уходит в прошлое. Чаще всего, контекста все еще составляется вручную; - уровень 3а - Агент-помощник в разработке. Ты кладёшь описание проекта (README) в папку, бот подгружает его в контекст и понимает, как устроен код, и куда идти при решении определенных задач; - уровень 3б - Планирующий агент. Перед тем как писать код, он анализирует задачу и составляет чеклист, по которому далее идет, не отклоняясь; - уровень 3в - Агент с внешними инструментами. Помимо стандартных инструментов, боту можно дать собственные вроде "посмотри в гитхабе примеры похожего кода" или "погугли как подключаться к этому сервису по API", чтобы не давать ему в контекст актуальные знания; - уровень 4 - Автономный пайплайн. Агент не только пишет код, но и сам запускает тесты, кликает интерфейс через Playwright, шлёт запросы в Swagger и анализирует результаты. Каждый из этих уровней имеет свои плюсы и подводные камни. Можно посмотреть блестящий доклад о том, как это всё устроено, и даже вдохновиться - но пока ты сам не попробуешь внедрить описанный подход, ты упускаешь большую часть пользы. На практике именно мелочи ломают восприятие инструмента: - если ты написал промпт, в котором было недостаточно контекста для решения твоей задачи - ответ LLM тебя не удовлетворит, и ты решишь, что все эти LLM - ерунда (а это не так) - если ты не описал нестандартную структуру своего проекта в README.md - агент тоже в ней не разберется, даже если 200$ подписку купишь - если в логах полная каша - они заполнят контекстное окно модели, и она ничего не сможет отладить И это понимание приходит только после того, как ты сам попробуешь руками повлиять на работу инструмента, что-то в нем подкорректировать, возможно реализовать свой похожий, а не использовать уже кем-то написанные MCP (и уж тем более, у кого-то купленные). В любой момент изучения новых инструментов можно столкнуться с тем, что "магия" не сработает, и решить, что можно остаться на предыдущем шаге. Но если попробовать немного разобраться, и понять, как эти все интеллектуальные штуки работают "под капотом" - то относительно тех, кто отвалился на предыдущих этапах, у тебя будет значительное преимущество. У тебя будет не только полный контроль над инструментом, повышающим твою личную продуктивность (прям по Стивену Кови - точим пилу), но и также появится понимание, какие продукты с ИИ реально являются стоящими, а какие - только пыль в глаза пускают. И в какой-то момент это понимание начинает экономить очень много времени, денег и других ресурсов. @korneychukov