3 AImigo

Новые модели, агенты, обвязки, исследования и «AGI уже случился» летят быстрее, чем их успеваешь проверить. Но попытка следить за всем быстро превращает развитие в бесконечное потребление новостей — без времени на практику и собственные мысли. В этом выпуске обсуждаем: — как фильтровать шум и справляться с FOMO;— зачем нужен личный «компас» тем и целей;— как отличать реальный прогресс от обычной занятости;— что можно поручить агентам: сбор новостей, deep research, заметки, рутину и даже роль персонального тьютора;— почему глубокое размышление агента всё равно не заменяет ваше;— как сохранять внимание и ресурс, когда мир AI требует постоянного самообновления. У нас три разных подхода: автоматизировать поток, учиться через практику или сознательно ограничивать входящую информацию. Универсального рецепта нет — зато есть конкретные процессы, инструменты и честный разговор о цене постоянных изменений. Ведущие: Алексей Литвинов, Евгений Сергеев и Александр Поломодов. А как вы остаётесь в контексте и не выгораете?

Начать делать продукты в IT стало проще. Начать получать за это деньги — сложнее. AI-агенты уже справляются с багфиксами и небольшими фичами, на которых джуны раньше «тренировались на кошечках». А если простые задачи исчезают, то как теперь вырастить следующего инженера? В пятом выпуске 3 AImigo продолжаем разговор о найме, но смотрим на него со стороны тех, кто только выбирает профессию, заканчивает университет или пытается получить первую работу. У привычной лестницы "junior → middle → senior" сломалась нижняя ступень. Индустрии всё ещё нужны новые инженеры, но отдельному бизнесу выгоднее усилить опытного специалиста агентами, чем годами растить новичка. Для индустрии это риск, для джуна — новая реальность. Обсудим, что может стать рабочим входным билетом:— собственный end-to-end проект: от проблемы и критериев приёмки до production, поддержки и плана отката;— умение не просто получить код, а объяснить решение агента, проверить его и принять ответственность;— способность учиться: находить пробелы, задавать вопросы и встраивать ответы, а не складывать их в чек-лист;— интерес к бизнесовой задаче и пользователю, а не только к технологии;— отношения с людьми и профессиональное сообщество — этот путь никуда не исчез. Как обычно, разбираемся втроём: Евгений Сергеев, Алексей Литвинов и Александр Поломодов. Timeline00:00 - Как войти в IT, когда простые задачи забирает AI02:18 - Как меняется первая ступень инженерной карьеры03:19 - Почему агенты забирают привычные учебные задачи05:04 - Отношения с людьми и техническая подготовка10:32 - Собственный проект и прохождение полного цикла разработки13:27 - Стажировки для сильных начинающих: что можно перенять16:09 - Почему отдельному бизнесу не всегда нужен джун17:17 - Теория игр: кто должен растить будущих инженеров26:55 - Почему самостоятельное обучение стало доступнее30:23 - Начать делать и начать зарабатывать — разные задачи36:30 - Что показать работодателю в собственном проекте40:30 - Оглавления книг как карта того, чего вы ещё не знаете49:50 - Активное чтение и проверка собственного понимания1:02:40 - Как построить обучение вокруг защиты решений и выпуска продукта1:08:20 - Открытые процессы разработки как учебная среда #AI #AI4SDLC #Agents #Engineering #Career #Education

AI соискателя встречается с AI нанимающего — мегазорд против супер-рейнджера. Запрет AI не делает интервью AI-free, резюме всё хуже подтверждает способность работать, а старые онлайн-этапы дают всё более шумный сигнал. Вопрос у компании прежний: сможет ли человек успешно работать в этой роли? В четвёртом выпуске 3 AImigo смотрим на найм с двух сторон — кандидата и нанимающего менеджера — и обсуждаем, как пересобрать его под AI-Assisted Engineering. Как собрать hiring process как eval-систему: определить признаки для роли, подготовить банк задач с сильными решениями и проверить, что каждый этап измеряет нужный сигнал. Как сочетать AI-on и AI-off, собеседования онлайн и офлайн. Без AI проверять фундамент, с AI — реальную работу: запуск кода, выбор того, что делегировать агенту, и проверку результата. Почему важнее не скорость генерации, а инженерное суждение: уточнение требований, декомпозиция, поиск контекста, system design, debugging, тесты, безопасность, failure modes, trade-offs, ownership финального решения и способность отвергнуть убедительный, но неверный ответ модели. Почему единого трека больше может не быть. Product engineer, платформенный и R&D-инженер создают разную ценность — значит, им нужны разные сигналы и задания. Что меняется для кандидата: AI усилил обе стороны, рынок расслаивается, знакомства не являются новым лайфхаком, поиск становится почти full-time работой, а первой потерей работы из-за AI может оказаться вакансия, которую компания просто не открыла. Как обычно, разбираемся втроём: Евгений Сергеев, Алексей Литвинов и Александр Поломодов. Смотрите выпуск: [ссылка]. И напишите, какой этап вашего последнего собеседования действительно предсказывал будущую работу, а какой проверял умение проходить собеседования. Timeline00:00 - Как AI меняет инженерный найм02:20 - Как был устроен привычный процесс собеседований14:46 - Почему старые способы оценки кандидатов теряют надёжность18:40 - Работа стала агентной, а задания на интервью остались прежними22:00 - От доски к работе с агентом и проверке результата28:26 - Что проверять с AI, а что — без него39:02 - Системный дизайн в песочнице: как увидеть больше навыков41:46 - Почему собеседование остаётся разговором двух сторон57:35 - Разные интервью для продуктовой разработки, платформ и R&D58:46 - Две крайности: эксперт без AI и пользователь AI без основ1:12:09 - Как меняются рынок труда и поиск работы1:16:39 - От узкого стека к самостоятельности и ответственности1:33:14 - Как искать работу: исследование компаний и воронка возможностей1:46:22 - Внутренняя мобильность как карьерная стратегия1:52:54 - Итоги и следующий выпуск про начинающих инженеров #AI #AI4SDLC #Engineering #Management #Evals #Interview #Career

В последнем выпуске августа решили попробовать новый формат — новостной дайджест AI за месяц. За последние несколько недель вышло слишком много всего, чтобы просто пролистать ленту и забыть: новые модели и продукты, исследования, заметные кейсы, изменения в подходах команд к разработке с AI. Мы выбрали новости, доклады и тренды, которые показались нам действительно важными, и обсудим не только «что произошло», но и что за этим стоит. Где за громким анонсом есть реальное изменение для инженеров и компаний, а где пока больше шума, чем практической ценности? Что стоит попробовать уже сейчас, а за чем лучше просто понаблюдать? Как обычно, разбираемся втроём: Евгений Сергеев, Алексей Литвинов и Саша Поломодов. Если формат зайдёт, будем делать такой выпуск в конце каждого месяца. Timeline00:00 - Приветствие и формат августовского дайджеста04:48 - Почему AI дешевеет, а внедрение усложняется05:24 - McKinsey: продуктивность сотрудников и отдача для бизнеса15:52 - SAP и Dremio: корпоративные данные в эпоху AI29:50 - Почему интеграторы снова становятся востребованными37:26 - Как компании выстраивают единый контур управления AI52:41 - Почему снижение стоимости AI увеличивает потребление54:35 - Цена и качество быстрых моделей58:32 - Cursor и SpaceX: полный цикл обратной связи1:02:58 - Stripe и OpenRouter: выбор моделей под задачу1:09:56 - Безопасность AI и новости NVIDIA и Hugging Face1:13:28 - Инцидент OpenAI и Hugging Face1:19:51 - Anthropic: проверка моделей на задачах кибербезопасности1:29:05 - Harness, evals и самоулучшающийся цикл разработки1:41:08 - Итоги августа: от возможностей моделей к рабочим системам

В новом выпуске подкаста 3 AImigo разбираемся с парадоксом, который всё чаще встречается в командах: AI заметно ускоряет отдельного инженера, кода становится больше, а до пользователей доходит примерно столько же изменений. Локальная скорость не равна принятому результату — и размер компании от этого не защищает. Обсуждать будем втроём: Евгений Сергеев, Алексей Литвинов и я. У нас разная оптика: управление большой инженерной организацией, практическое внедрение AI-Assisted Engineering и архитектура AI4SDLC. Не будем искать одну «правильную» картину - сравним наши взгляды. Поговорим о продуктовой команде, в которой после ускорения разработки вырос поток задач в тестирование, но вместе с ним увеличились возвраты и время переделки. Разберём AI-native стартап, где агенты закрывают множество задач, работают в изолированных окружениях и дежурят после релизов. Будет и пример крупной корпорации, где AI-инструменты широко используются, но важная миграция всё равно движется значительно медленнее ожиданий.  Отдельно обсудим границу автоматизации. В геймдев-компании AI успешно справлялся с миграциями и изменениями, которые можно проверить компиляцией или тестами. Поговорим о том, как находить настоящее бутылочное горлышко и что оптимизировать первым. Почему fire-and-forget не работает без замкнутого контура обратной связи. Как построить организационную память: собрать доступный агентам контекст, создать семантический слой и сделать знания действительно пригодными для поиска. Обсудим и изменения инженерных ролей: что теперь должен уметь разработчик, как меняется карьерная лестница, куда перемещается ответственность и действительно ли hard skills становятся менее важны. А ещё — почему некоторым людям и подразделениям организационно невыгодно ускорять процесс. Будут не только истории успеха, но и честные примеры того, что не сработало. Главный вопрос выпуска: что нужно изменить в системе разработки, чтобы скорость агентов стала скоростью бизнеса, а не просто новым объёмом кода?