AWS на русском

Вы уже написали своего DevOps-агента в Kiro или Claude Code. И ещё тысяча ваших коллег - каждый своего, на 80% одинакового. Зачем тогда AWS выпустил готового frontier-агента? В новом выпуске подкаста «AWS на русском» разбираем AWS DevOps Agent с Фёдором Павловым и Антоном Коваленко: 🔹 Зачем готовый агент, если есть Kiro и Claude Code: у тысяч клиентов одни и те же болячки (observability, incident response), а возню с доступами, scope и хостингом («держать палец между крышкой ноута и клавиатурой») берёт на себя AWS 🔹 Из чего он собран: space = IAM-роль (например, read-only на prod) + capabilities (логи, метрики, трейсы, GitHub/GitLab, кастомные MCP). Топология вашей инфраструктуры как «факт» против Terraform-«плана» 🔹 Incident response и root cause: агент коррелирует данные из всех источников, выдаёт RCA и mitigation-план по шагам (validate → backup → change → validate → rollback) 🔹 Proactive prevention: агент копит опыт как инженер, делает weekly refine и даёт рекомендации по 4 направлениям (observability, infrastructure, governance, code) - сразу с готовой спекой для фикса 🔹 Ops → Dev: биллинг по секундам, триаж сотен алертов в одну первопричину, авто-создание support-тикета, а на Summit в Нью-Йорке (preview) - Release Readiness Review и Autonomous Release Testing Будет полезно DevOps/SRE, платформенным и backend-инженерам и архитекторам на AWS, а также всем, кто уже строит агентов в Kiro/Claude Code и думает, где выгоднее готовый frontier-агент. 💡 Доступ к CloudWatch даст и локальный Kiro. Уникальное у готового агента - накопленная история расследований и tribal knowledge: то, что инженеры проговорили у кофе-машины во время инцидента и чего нет ни в Confluence, ни в коде. 🎧 Доступно на любимой платформе: • YouTube, Podbean, Apple Podcasts, Яндекс Музыка, Spotify, RSS (ссылки ниже) 💬 Вы бы доверили managed frontier-агенту prod на запись или держали бы только read-only? Как разграничиваете доступы? #DevOpsAgent #AIAgents #SRE #IncidentResponse #AWS #Подкаст #AWSнаРусском Навигация (Podbean) (0:00) Introduction (0:24) Гости: Фёдор Павлов и Антон Коваленко (1:36) Что такое агент (2:26) Зачем готовый агент, если есть Kiro и Claude Code (4:39) Свой мониторинг против готового решения (7:39) Пример Kiro: spec-driven development и неизменяемый дизайн (10:11) Из чего состоит DevOps Agent: space и IAM-роль (11:25) Capabilities: логи, метрики, трейсы, Git (12:50) Что такое расследование и root cause (14:41) Доступ к инфраструктуре и топология (16:09) План против факта: Terraform и реальность (18:25) Как команда делает RCA вручную (19:41) RCA и mitigation-план по шагам с rollback (22:30) Proactive prevention: агент копит опыт (25:02) 4 типа рекомендаций и готовая спека для фикса (27:39) Что можно менять: скиллы, MCP, системный промпт (30:12) Sub-агенты: специализированный фокус (32:53) Токены и деньги: биллинг по секундам (33:43) Enterprise Support: кредиты на агента (34:22) Проблема на стороне AWS: авто-создание support-тикета (37:02) Триаж: сотни алертов и blast radius (40:49) Talk to your infrastructure (42:31) Tribal knowledge, которого нет в Confluence (43:54) Ops закрыли, а что с Dev? (45:23) Summit NY: Release Readiness Review и Autonomous Release Testing (preview) (48:13) Shift-left и quality gates (50:14) SDLC и тизер эпизода про AI DLC (51:44) Итоги и анонс Навигация (YouTube) 00:00:00 - Начало 00:00:24 - Гости: Фёдор Павлов и Антон Коваленко 00:01:36 - Что такое агент 00:02:26 - Зачем готовый агент, если есть Kiro и Claude Code 00:04:39 - Свой мониторинг против готового решения 00:07:39 - Пример Kiro: spec-driven development 00:10:11 - Из чего состоит DevOps Agent: space и IAM-роль 00:11:25 - Capabilities: логи, метрики, трейсы, Git 00:12:50 - Что такое расследование и root cause 00:14:41 - Доступ к инфраструктуре и топология 00:16:09 - План против факта: Terraform и реальность 00:18:25 - Как команда делает RCA вручную 00:19:41 - RCA и mitigation-план по шагам с rollback 00:22:30 - Proactive prevention: агент копит опыт 00:25:02 - 4 типа рекомендаций и готовая спека для фикса 00:27:39 - Что можно менять: скиллы, MCP, системный промпт 00:30:12 - Sub-агенты: специализированный фокус 00:32:53 - Токены и деньги: биллинг по секундам 00:33:43 - Enterprise Support: кредиты на агента 00:34:22 - Проблема на стороне AWS: авто-создание support-тикета 00:37:02 - Триаж: сотни алертов и blast radius 00:40:49 - Talk to your infrastructure 00:42:31 - Tribal knowledge, которого нет в Confluence 00:43:54 - Ops закрыли, а что с Dev? 00:45:23 - Summit NY: Release Readiness Review и Autonomous Release Testing (preview) 00:48:13 - Shift-left и quality gates 00:50:14 - SDLC и тизер эпизода про AI DLC 00:51:44 - Итоги и анонс YouTube: https://www.youtube.com/watch?v=VIDEO_ID&list=PLxtckYH8Cdy_WT5tcCITt_f61Zr2qQJbL Podbean: https://awsinrussian.podbean.com/ Apple Podcast: https://podcasts.apple.com/by/podcast/aws-на-русском/id1600771698 Яндекс.Музыка: https://music.yandex.ru/album/20088544 Spotify: https://open.spotify.com/show/4kOoih4FvHqyK5mLF3E42J RSS: https://feed.podbean.com/awsinrussian/feed.xml

Думаете, промпт-инжиниринг — это про текст? В агентских системах промпт стал целеполаганием, а контекст агент собирает сам. В новом выпуске подкаста «AWS на русском» говорим с Фёдором Павловым (SA, AWS, обладатель всех 12 сертификатов) о паттернах Agentic AI: 🔹 Чем агентская система отличается от обычного LLM — 3 принципа: автономность, агентность, асинхронность 🔹 Строительные блоки агента — prompting, retrieval (RAG), tool use (MCP), memory 🔹 Memory: short-term vs long-term vs RAG — как устроена память агента и почему LLM «глупеет» от перегруженного контекста 🔹 Cognition augmented vs event-driven — почему агентские архитектуры гибче, но требуют guardrails и мониторинга 🔹 8 паттернов — от tool-based и coding agents до multi-agent collaboration и simulation Будет полезно разработчикам, архитекторам и DevOps-инженерам, которые хотят разобраться в Agentic AI от базовых концептов до мультиагентных систем. 💡 LLM «глупеет» от перегруженного контекста — поэтому long-term memory сжимает старые данные через саму LLM, сохраняя только то, что модели действительно важно. 🎧 Доступно на любимой платформе: • YouTube, Podbean, Apple Podcasts, Яндекс Музыка, Spotify, RSS (ссылки ниже) 💬 Вы уже строите агентские системы? Какие паттерны используете? Делитесь в комментариях! #AgenticAI #LLM #MCP #AWS #Подкаст #AWSнаРусском #AIAgents Навигация (Podbean) (0:00) Introduction (0:46) Представление гостя — Фёдор Павлов (3:06) Чем Agentic AI отличается от обычного LLM (5:27) 3 принципа: автономность, агентность, асинхронность (8:10) Измерения работы агента: reasoning, действия, восприятие (11:03) RAG и retrieval (11:45) Memory: short-term (15:36) Long-term memory — компрессия через LLM (23:53) Long-term memory vs RAG (27:11) Event-driven vs cognition augmented (31:34) Трейд-оффы: стоимость, вероятность, мониторинг (35:12) Обзор Agentic AI паттернов (40:21) Speech/voice agents (43:45) Workflow orchestration agents (48:52) Multi-agent collaboration (50:26) Итоги Навигация (YouTube) 00:00:00 – Начало 00:00:46 – Представление гостя — Фёдор Павлов 00:03:06 – Чем Agentic AI отличается от обычного LLM 00:05:27 – 3 принципа: автономность, агентность, асинхронность 00:08:10 – Измерения работы агента: reasoning, действия, восприятие 00:11:03 – RAG и retrieval 00:11:45 – Memory: short-term 00:15:36 – Long-term memory — компрессия через LLM 00:23:53 – Long-term memory vs RAG 00:27:11 – Event-driven vs cognition augmented 00:31:34 – Трейд-оффы: стоимость, вероятность, мониторинг 00:35:12 – Обзор Agentic AI паттернов 00:40:21 – Speech/voice agents 00:43:45 – Workflow orchestration agents 00:48:52 – Multi-agent collaboration 00:50:26 – Итоги YouTube: https://www.youtube.com/watch?v=VIDEO_ID&list=PLxtckYH8Cdy_WT5tcCITt_f61Zr2qQJbL Podbean: https://awsinrussian.podbean.com/ Apple Podcast: https://podcasts.apple.com/by/podcast/aws-на-русском/id1600771698 Яндекс.Музыка: https://music.yandex.ru/album/20088544 Spotify: https://open.spotify.com/show/4kOoih4FvHqyK5mLF3E42J RSS: https://feed.podbean.com/awsinrussian/feed.xml

Думаете, колоночная БД — это «узкая ниша» для дата-гуру? Знаете ли вы, что ClickHouse ставит рекорды по вставке данных и теперь разворачивается в AWS… одним кликом? В новом выпуске подкаста «AWS на русском» говорим с Дмитрием Павловым (ClickHouse) о том, как построить молниеносную аналитику и подготовить данные для LLM: 🔹 Что такое ClickHouse и зачем он бизнесу 🔹 Marketplace в AWS: биллинг одной кнопкой 🔹 Real-time дашборды — для Tesla, OpenAI и Anthropic 🔹 ClickHouse + MCP: интеграция, которую клиенты сразу начали юзать 🔹 Уроки внедрения: метаданные, контекст и cost optimization   💡 Инсайт: подробное описание таблиц и бизнес-процессов снижает порог входа так сильно, что даже нетехнари начинают писать SQL-запросы сами.     🎧 Доступно на любимой платформе: • YouTube, Podbean, Apple Podcasts, Яндекс Музыка, Spotify, RSS (ссылки ниже) 💬 Какие метрики вашей системы сегодня тормозят больше всего — и попробовали бы вы мигрировать их в ClickHouse? #ClickHouse #AWS #DataAnalytics #AI #Database #Подкаст #AWSнаРусском   Навигация (Podbean) (0:00) Introduction (0:59) Что такое ClickHouse (6:02) ClickHouse в AWS Marketplace (14:59) Real-time дашборды клиентов (23:45) ClickHouse + AI/LLM (36:06) Lessons learned и cost optimization (48:09) Итоги и планы   Навигация (YouTube) 00:00:00 – Начало 00:00:59 – Что такое ClickHouse 00:06:02 – ClickHouse в AWS Marketplace 00:14:59 – Real-time дашборды клиентов 00:23:45 – ClickHouse + AI/LLM 00:36:06 – Lessons learned и cost optimization 00:48:09 – Итоги и планы   YouTube: https://www.youtube.com/watch?v=IhDf_c1icRE&list=PLxtckYH8Cdy_WT5tcCITt_f61Zr2qQJbL Podbean: https://awsinrussian.podbean.com/ Apple Podcast: https://podcasts.apple.com/by/podcast/aws-%D0%BD%D0%B0-%D1%80%D1%83%D1%81%D1%81%D0%BA%D0%BE%D0%BC/id1600771698 Яндекс.Музыка: https://music.yandex.ru/album/20088544 Spotify: https://open.spotify.com/show/4kOoih4FvHqyK5mLF3E42J RSS: https://feed.podbean.com/awsinrussian/feed.xml  

Думаете, интеграция искусственного интеллекта с вашими внутренними системами — это всегда сложно и долго? А что, если существует стандарт, который упрощает этот процесс до уровня подключения USB? В новом выпуске подкаста "AWS на русском" вместе с Фёдором Павловым и Михаилом Голубевым разбираемся, что такое Model Context Protocol (MCP) и как он меняет правила игры для AI-приложений. 🔹 Что такое MCP? Объясняем на простом примере — это как Telegram-боты, только для больших языковых моделей (LLM). 🔹 Клиент или сервер? Разбираемся, с какой стороны начать разработку и почему вы, скорее всего, будете писать сервер. 🔹 Безопасность прежде всего: Кто отвечает за защиту от prompt injection и как обезопасить свои инструменты? 🔹 Практическое применение: Обсуждаем, как компании вроде PayPal уже используют MCP для расширения своих возможностей.   💡 Инсайт: MCP превращает "M×N проблему" интеграции (M приложений × N инструментов) в гораздо более простую "M+N проблему", создавая единый стандарт для взаимодействия. 🎧 Слушайте на любимой платформе: YouTube Podbean Apple Podcast Яндекс.Музыка Spotify RSS 💬 Какие инструменты вы бы хотели подключить к AI в первую очередь? Делитесь идеями в комментариях!     Навигация для Podbean: (0:00) Introduction: почему мы снова говорим про MCP? (2:45) Что такое MCP: клиент-серверный протокол для LLM (6:47) Как начать разработку: клиентская или серверная часть? (7:47) Аналогия с USB-C и решение "M x N проблемы" интеграции (12:53) Как на практике подключить MCP-сервер? (17:58) Практические примеры: Agentic Coding и доступ к файлам (19:45) Кто уже использует MCP: пример с PayPal (23:36) Вопросы безопасности и Prompt Injection (24:33) MCP — это замена агентов? (29:53) Анонс тем для следующего выпуска: Prompt Caching, CLine и другие Навигация для YouTube: 00:00:00 - Вступление: почему мы снова говорим про MCP? 00:02:45 - Что такое MCP: клиент-серверный протокол для LLM 00:06:47 - Как начать разработку: клиентская или серверная часть? 00:07:47 - Аналогия с USB-C и решение "M x N проблемы" интеграции 00:12:53 - Как на практике подключить MCP-сервер? 00:17:58 - Практические примеры: Agentic Coding и доступ к файлам 00:19:45 - Кто уже использует MCP: пример с PayPal 00:23:36 - Вопросы безопасности и Prompt Injection 00:24:33 - MCP — это замена агентов? 00:29:53 - Анонс тем для следующего выпуска: Prompt Caching, CLine и другие

Как построить ML-систему, которая обрабатывает десятки миллионов предсказаний в месяц? Особенно когда речь идет о критически важном производственном процессе! В новом выпуске подкаста "AWS на русском" мы говорим с AWS ML Hero Рустемом (Rustem Feyzkhanov) о том, как масштабировать ML-системы в облаке от этапа исследований до промышленного внедрения: 🔹 Как построить эффективный ML-пайплайн для автоматического обучения моделей 🔹 Почему SageMaker Training Jobs и AWS Lambda — идеальная комбинация для масштабирования 🔹 Как оптимизировать расходы на ML-инфраструктуру с помощью spot-инстансов 🔹 Секреты мониторинга и отладки ML-систем в продакшене Этот выпуск будет особенно полезен ML-инженерам, DevOps-специалистам и техническим лидам, которые работают над масштабированием ML-решений в облаке. 💡 Узнаете, как сократить время итерации ML-экспериментов с дней до часов и автоматизировать процесс вывода моделей в продакшен. Навигация для Podbean: • (0:00) Введение и представление гостя • (5:30) Особенности AutoML платформы • (15:45) ML-пайплайны и инфраструктура • (25:20) Масштабирование и оптимизация • (35:10) Мониторинг и поддержка • (45:30) Рекомендации и выводы Навигация для YouTube: 00:00:00 - Начало 00:05:30 - Особенности AutoML платформы 00:15:45 - ML-пайплайны и инфраструктура 00:25:20 - Масштабирование и оптимизация 00:35:10 - Мониторинг и поддержка 00:45:30 - Рекомендации и выводы 🎧 Слушайте на любимой платформе: • YouTube • Podbean • Apple Podcast • Яндекс.Музыка • Spotify • RSS 💬 А как вы решаете задачи масштабирования ML-систем? Делитесь опытом в комментариях! #AWS #MachineLearning #SageMaker #MLOps