Фільтр по тегу

Від vibe coding до пайплайну: як змусити AI-агентів для кодингу не починати з нуля [ukr]

Коли кодбейс росте, AI-агенти для кодингу стають дорожчими й менш надійними. Кожна сесія заново вивчає архітектуру, конвенції розповзаються, а виправлення ламають інші виправлення. Типова реакція — перейти на потужнішу модель. Рахунок від цього зростає, а причина нікуди не дівається. Я пройшов цей шлях на власному продукті: від повністю делегованого агенту фронтенду і рахунку понад $1000 на місяць до пайплайну, де агент працює зі специфікації, а не з історії чату. Поговоримо про те: - як перенести правила, знання та перевірку з чату в репозиторій, щоб сесії стали одноразовими; - чим закінчилися три спроби побудувати базу знань і чому застаріла документація гірша, ніж її відсутність; - як виглядає пайплайн від задачі до пушу і чому специфікація важливіша за промпт; - чому дозволи агента мають бути примусовими обмеженнями, а не проханнями в rules-файлі, і чому все, що агент читає, — потенційні інструкції. Наприкінці я поділюся відкритим плейбуком із правилами, які можна одразу забрати у свій репозиторій.

Богдан Матвійчук

(Senior Scala Engineer at Intellias),
AI fwdays’26
Від 0 до продакшена з Claude і Guinness, або як AI повернув fun в розробку [ukr]

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),
AI fwdays’26
Can on-call be solved with AI? [ukr]

Що, якби на типове запитання під час онколу першим відповідав не інженер? AI-асистент, створений платформною командою Superhuman, допомагає понад 25 командам і самостійно вирішує 20% запитань. Я розповім, як ми перетворили його на платформний сервіс, а також познайомлю з AI Golden Path — внутрішнім сервісом, який допомагає інженерам використовувати AI-агентів і виконувати типові задачі розробки та роботи з інфраструктурою через готові інструменти й покрокові робочі процеси. Поділюся, як ці сервіси вписуються в платформну стратегію, чого ми навчилися, як ми здобували довіру команд, і що плануємо розвивати далі.

Владислав Тріпатхі

(Software Engineer at Superhuman (ex-Grammarly)),
AI fwdays’26
Життя і роботи. Як керувати AI-агентами з телефону і чому це не зовсім круто [ukr]

Коли звикаєш працювати з AI-агентами за ноутом, рано чи пізно хочеться мати їх під рукою 24/7. Можна залишити робочий комп’ютер увімкненим, підняти власний сервер, запустити агента в хмарі або скористатися готовим рішенням на кшталт dot у ChatGPT чи Grok Bot. Розповім, як від першої ідеї «можна ж із телефона» дійшов до експериментів із кількома сетапами для робочих та особистих проєктів. Розберемо • Відмінності в автономності агентів поза робочим місцем. • Підходи та інструменти для роботи з телефона - від сесій у tmux до агрегаторів підписок (T3 Code, Orca) та окремих агентів, які самі оркеструють проєкти (Hermes тощо). • Проблеми синхронізації, оточення, рев’ю результатів та розсіювання уваги. • Підсумуємо, що спрацювало для мене, а від чого я відмовився та чому.

Олег Мельничук

(Head of Product at Artellence),
AI fwdays’26
LLM пропонує. Логіка вирішує. Нейросимвольні агенти, логіка вищого порядку і ШІ, який ми майже забули [ukr]

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 fwdays’26
Gotta remember ’em all: як зробити свій AI таким же розумним, як ви [ukr]

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),
AI fwdays’26
The Self-aware infrastructure: how always-on agents can build knowledge about the company estate [ukr]

Ми створили self-aware infrastructure: систему з пам’яттю, класифікаторами, моделями прийняття рішень у стилі Jev, оцінками та агентами, які здійснюють triage подій в інфраструктурі. Здебільшого агенти розгортаються або як обробники запитів без збереження стану, або як один спільний агент, що обслуговує всіх. Для автономних Triage агентів та командних експериментів нам потрібно було щось інше. Кожна команда або інженер отримує власного агента, що завжди увімкнений (always-on), - Spot. Він запам’ятовує поставлені завдання, продовжує працювати після того, як вони завершують сесію, і чекає на них, коли вони повертаються. Ви можете голосом попросити «RCA для кожної проблеми минулого тижня», закрити сесію і через кілька годин побачити, що робота виконана. У цій доповіді йдеться про те, як ми створили https://triageagent.dev Що отримають учасники: 1. З чого ми почали. Наше експериментальне середовище для масштабного запуску агентів, побудоване на kagent, agentgateway, ego та substrate. 2. Що ми отримали — «Triage Spots». Реальний приклад використання життєвого циклу агента, що завжди активний: один агент на користувача, який активується подіями, має власну пам’ять та квоту. 3. Чесний перелік наших помилок. Історія, що стоїть за цим кейсом: Замість відкриття запитів на платформі та отримання дозволу, ми запровадили для наших команд ізольоване середовище, щоб зменшити масштаб можливих наслідків від ненадійного або експериментального коду на спільних кластерах у великих масштабах. Цей підхід є конкретним, відкритим прикладом створення середовища для розробників на базі agent substrate, включаючи triageagent — переможця Національної премії Індії AI Gamechanger 2026.

Денис Васильєв

(Principal Site Reliability Engineer / UK Global Talent Visa Holder),
AI fwdays’26
Як будувати успішні Software Factories [ukr]

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),
AI fwdays’26
Agentic Workforce: нова операційна модель бізнесу [ukr]

Чому майбутнє автоматизації — не в кількості розробників, а в доступності AI-агентів Традиційна автоматизація вимагає часу, бюджету та залучення IT-команд. Але що, якщо кожен співробітник зможе самостійно автоматизувати власні процеси? Agentic Workforce змінює сам принцип організації роботи. Люди визначають цілі, агенти виконують задачі, а платформа забезпечує інструменти, доступи, безпеку та контроль. Розповім про наш досвід побудови та впровадження Agentic Workforce продукту в ентерпрайз організації, архітектуру агентної платформи, управління цифровими виконавцями та те, як ми бачимо трансформацію корпоративної автоматизації.

Ігор Дрозд

(CTO at Silpo (E-commerce)),
AI fwdays’26
Software factories - is it still a dream or reality? [ukr]

Нашою метою на 2026 рік було підвищити ефективність роботи команди на 15–20%... а ми досягли 30–50%. Цикл розробки програмного забезпечення (SDLC) з використанням ШІ перетворився на цикл, повністю заснований на ШІ, де люди працюють разом з агентами з чітким розподілом обов’язків: люди — за логіку та контроль, агенти — за рутинні завдання. Ми використовуємо підхід «human-in-the-loop» та експериментуємо з циклами агентів. Чи можна це розглядати як «фабрику програмного забезпечення на базі ШІ»? Давайте разом поміркуємо... Я продемонструю, як ми працюємо, на прикладі одного з наших найбільших рішень, що складається зі 152 проєктів із 2,5 млн рядків вихідного коду та 18,7 млн токенів для опису спільного контексту. Як ми це підтримуємо? Як ми долаємо обмеження розміру вікна контексту? Побачимося на події!

Сергій Медведєв

(Fozzy Group, Chief IT Architect),
AI fwdays’26
Увійти
Або поштою
Увійти
Або поштою
Реєстрація через e-mail
Реєстрація через e-mail
Забули пароль?