Створи власний AI Second Brain — персональну систему, яка допоможе впорядкувати інформацію, що зазвичай розпорошена між нотатками, чатами, документами та списками задач. Під час воркшопу ти крок за кроком збереш першу робочу версію системи, яку зможеш використовувати одразу після заняття. А згодом — масштабувати й адаптувати під власний стиль роботи. Разом налаштуємо ключові зони для щоденної роботи: • Inbox — ідеї, думки та швидкі нотатки; • Work — задачі, мітинги, follow-up та рішення; • Learning — книги, курси, статті й конспекти; • Personal Projects — особисті проєкти та цілі; • Decisions — аналіз варіантів і прийняття рішень; • Weekly Review — щотижневий огляд, рефлексія та планування. Технічні вимоги: • Воркшоп буде в Claude, для нього потрібна Pro підписка • По знаннях - Claude, Claude Code • Воркшоп працюватиме на MacOS, Linux та Windows Візьми із собою свої нотатки, задачі, ідеї чи плани — наприкінці воркшопу вони стануть основою твоєї персональної AI-системи.
Ігор Закутинський
(CTO at Universe),Коли пишеш продукт сам разом з AI-агентом, код перестає бути вузьким місцем. Код агент пише швидко, а помиляється впевнено: цитує закон, якого не існує, або вигадує засновників для сторінки «Про нас». Розповім, як від ідеї в барі дійшов до Jurly — двостороннього юридичного маркетплейсу в проді, з ШІ-висновками для клієнтів і робочим простором для юристів — і що довелося збудувати навколо агента, щоб його «готово» можна було вірити. Розберемо: - Як одна людина з Claude Code веде продукт від ідеї до проду: спеки, TDD, dev-рев'ю, AGENTS.md і власні скіли для перевірки спек і коду. - AI harness - Галюцинації в продукті: неіснуючий закон, справжня стаття з вигаданим змістом і «чиста галюцинація», яку пропустила навіть автоматична перевірка; як RAG, перевірка цитат кодом, критик і golden set зменшують ризик. - Ціна такого підходу: відповідальність без команди, PII і безпека, журнал помилок агента — і що з цього спрацювало, а що ні. Головна думка: ШІ-система надійна рівно настільки, наскільки надійні перевірки навколо неї. Робота інженера зміщується від написання коду до проектування цих перевірок - від software engineer до product engineer.
Ілля Литвинов
(AI-Native Software Engineer(xEngineer) at Wix),Мовна модель пише вільно і часом помиляється впевнено. У чаті це коштує однієї поганої відповіді. В агенті з пам’яттю — більше: агент зберігає помилку, міркує з неї й завтра повторює. Пошук не може сказати, яка з двох суперечливих нотаток правильна, а друга модель у ролі судді лише передбачає правдоподібний вердикт. Ліки не нові. До глибокого навчання експертні системи, як-от MYCIN і XCON, тримали знання у вигляді правил, застосовували їх щоразу однаково й відповідали на «чому?» і «як?». Підвело їх одне: внесення знань, бо кожне правило вводили вручну. Саме це LLM уміють дуже добре. Нейросимвольний ШІ знову з’єднує дві половини. Доповідь проходить цей шлях на одному наскрізному прикладі: асистент, чия LLM «пам’ятає» зустріч у Берліні, тоді як у календарі та сама людина в цю годину в Лісабоні. Ми розберемо дедукцію, індукцію й абдукцію і те, чому LLM сильні саме в останній; міркування над графом знань із Prolog і Datalog; і те, чому логічне програмування вищого порядку (λProlog) добре пасує агентам: типи, що відкидають некоректний вивід LLM, відношення як значення, локальні припущення «а що як», правила про правила й доведення, які перевіряє мале ядро. Наприкінці — робочий агент, чия LLM пише λProlog за шістьма вартовими, і чесні цифри про те, що логічний шар ловить, а чого не може. Для інженерів ШІ та агентів, які знають Python і LLM. Знань логіки чи математики не потрібно.
Володимир Павлишин
(Senior Staff Engineer at Affinidi),AI-агент знає лише те, що ви йому показали, і не підкаже рішення, про існування якого не підозрюєте ви самі. А ще він забуває все між чатами. Доповідь пояснює, які знання потрібні людині, щоб агент працював на повну, і як побудувати для нього пам'ять: від локальних файлів до спільної пам'яті через MCP-сервер. Ви дізнаєтесь: — чому агент не пропонує очевидних рішень і як це виправити — патерн memory bank і готову структуру файлів, з якої можна почати — рівні пам'яті агента: чати, локальні файли, Obsidian, git, MCP-сервер пам'яті — практичні правила, як тримати пам'ять агента актуальною
Ганна Ліхтман
(Solution Architect at Geniusee),Розробка ПЗ переходить від агентів, які допомагають писати код, до автономних систем, що беруть затверджену вимогу, пишуть код і самі перевіряють результат майже без нагляду людини, — software factories. Підхід новий, але OpenAI, Anthropic, Stripe, Uber та інші компанії вже публічно описали свої фабрики. У кожної — власний шлях, проте через усі ці історії проходять спільні принципи: що фабриці дозволено будувати, як вона доводить, що результат правильний, наскільки можна довіряти її агентам і як зробити, щоб вона окупалася. У доповіді я розбираю ці принципи й пояснюю, навіщо потрібен кожен, спираючись на публічні описи та на фабрики, які будую в Dev AI Consulting. Мірило успіху — фабрика, чиєму «готово» можна вірити.
Вʼячеслав Колдовський
(Founder at Dev AI Consulting),Чому з тими самими інструментами одні команди прискорюються, а інші тонуть у слопі? Розберемо типові антипатерни роботи з AI-агентами в розробці: від «згенеруй усе одразу» до сліпої довіри до результату. Покажу, до чого вони призводять на практиці і що робити замість цього.
Кирило Сулімовський
(Head of Development at GameInspire),Всеволод розповість, як йому вдалось без інвестицій побудувати прибутковий B2B SaaS, яким користуються топові наукові видавництва та грантові агентства. Які рішення були вірні і допомогли все побудувати в умовах обмежених ресурсів? Які рішення були помилковими? А також про те, як найкраще організувати роботу команди в таких умовах і при чому тут мікросервіси.
Всеволод Соловйов
(prophy.ai),Поговоримо про архітектурні рішення, які дозволяють Elasticsearch залишатися стабільним під високим навантаженням: правильна організація індексів і шардів, політики ILM, використання persistent queues у Logstash, даунсемплінг метрик та моніторинг самої observability-системи. Поділюся досвідом побудови надійної платформи з терабайтами логів і мільйонами подій на день.
Антон Приходько
(EPAM, Systems Architect),Що може піти не так, якщо дозволити кожному сервісу напряму звертатися до бази даних? У стартапі це здається швидким і зручним рішенням, та з часом система масштабується, і зʼявляються проблеми, про які ніхто не здогадувався. У своїй доповіді я поділюся досвідом Solidgate у трансформації архітектури: від хаосу прямих підключень до сервісної моделі доступу до даних. Розповім про стадії переходу, bottlenecks і про те, як ізоляція вплинула на підтримку інфраструктури. Чесно покажу, що спрацювало, а що — ні. Словом, розберемо всю контроверсійність цієї теми.
Михайло Кратюк
(Backend Software Engineer at Solidgate),Оскільки єдиного рецепта ребрендингу не існує, в цій доповіді розглянемо best practice поєднання бізнес-стратегії та комунікацій для досягнення бізнес цілей. Яке місце ребрендингу в бізнес-стратегії: Коли і навіщо потрібен ребрендинг? Які проблеми ребрендинг вирішує та не вирішує?
Анна Великоіваненко
(Brand & GTM strategy, corporate communications, employer brand at DataArt),