🤖 ИИ и технологии
33 статей
AI-воркфлоу аналитика от и до: связка MCP, агента и базы знаний
Полный end-to-end пайплайн AI-ассистента аналитика: MCP-серверы для доступа к Jira и Confluence, база знаний на RAG, агент с инструментами. Как собрать все части в один рабочий воркфлоу.
AI для управления бэклогом: приоритизация и груминг с LLM
Как использовать LLM для кластеризации задач, выявления дублей, приоритизации и поиска зависимостей в бэклоге продукта.
Стоимость AI-функции: как считать токены, кэшировать и не разориться
Сколько стоит один вызов LLM в бою: токены, prompt caching, батчинг, сравнение моделей по цене и стратегии удержания бюджета AI-функции в рамках.
Разведочный анализ данных с AI: как задавать вопросы к таблицам и получать инсайты
Как LLM помогает аналитику исследовать данные без SQL: поиск аномалий, трендов и корреляций через чат с таблицами — практические промпты и pipeline разведочного анализа
AI-ассистенты в IDE для системного аналитика: Cursor, Copilot и не только
Как системному аналитику использовать AI-ассистенты в IDE для работы со спецификациями, диаграммами, SQL-запросами и ревью документации — практический гайд по Cursor, Copilot и Windsurf
Контекст-инжиниринг для LLM: как готовить контекст и чанкинг
Разбираем контекст-инжиниринг для LLM: стратегии чанкинга, управление окном контекста, борьба с потерей середины и сборка релевантного контекста для надёжных ответов модели.
Локальные LLM (Ollama, LM Studio) для аналитика: приватность и оффлайн
Как запустить локальную LLM через Ollama и LM Studio для задач системного аналитика: приватные спецификации, оффлайн-модели, требования к железу и сравнение с облачными API. Пошаговое руководство.
Оценка качества ответов LLM: галлюцинации, метрики и guardrails
Как оценить качество ответов LLM: детекция галлюцинаций, guardrails для формата и безопасности, LLM-as-Judge и сквозной пайплайн проверки. Практическое руководство для тех, кто внедряет AI в продукт.
AI: как превратить интервью со стейкхолдерами в структурированные требования
Пошаговый pipeline: транскрибация интервью → LLM извлекает ФТ, НФТ, противоречия → генерирует User Story и вопросы для уточнения. Практические промпты и две диаграммы
AI для генерации тест-кейсов из требований: покрытие и граничные случаи
Как использовать LLM для автоматической генерации тест-кейсов из функциональных требований: позитивные и негативные сценарии, граничные значения и оценка покрытия. Промпты, примеры и типичные ловушки.
Мультиагентные системы: оркестрация нескольких AI-агентов
Разбираем мультиагентную оркестрацию AI-агентов: supervisor-паттерн, параллельный и последовательный запуск, swarm-архитектура. Когда одного агента мало и как собрать команду для комплексных задач аналитика.
AI-агенты на практике: собираем рабочего агента для рутины аналитика на LangGraph
Пошаговая сборка AI-агента для автоматизации рутины системного аналитика: инструменты через MCP, ReAct-цикл на LangGraph, рабочая и долговременная память. Практическое руководство с кодом.
Structured Output и function calling: как получать надёжный JSON от LLM
Разбираем Structured Output и function calling: как заставить LLM возвращать строго валидный JSON по схеме, вызывать внешние инструменты и интегрироваться в системы аналитика без regex-парсинга и ручного хакинга.
Продвинутый промпт-инжиниринг: chain-of-thought, few-shot, паттерны для аналитика
Практическое руководство по продвинутым техникам промпт-инжиниринга для системных аналитиков: как chain-of-thought и few-shot prompting помогают получать точные и структурированные результаты от LLM.
Сравнение AI-моделей для системного аналитика: Claude, ChatGPT, Gemini — что выбрать под задачу
Практическое сравнение Claude Sonnet 4, ChatGPT 4o и Gemini 2.5 Pro на реальных задачах аналитика: генерация требований, ревью ТЗ, построение диаграмм, SQL-запросы, документация и анализ legacy-кода
AI для написания пользовательской документации: от спецификации к руководству пользователя
Как LLM помогает системному аналитику генерировать руководства пользователя, FAQ и заметки к релизу из спецификаций и ТЗ. Промпты, чек-лист проверки и типичные ошибки.
AI для генерации SQL-запросов и схем БД: помощник аналитика в работе с данными
Как LLM помогает писать SELECT, JOIN и агрегации, проектировать схемы БД, объяснять чужие запросы и находить узкие места через EXPLAIN — практические промпты и pipeline
AI для оценки сложности и трудозатрат: от требований к стори-поинтам через LLM
Как LLM оценивает трудоёмкость задач в стори-поинтах: промпты, сравнение с экспертной оценкой, калибровка модели и практические сценарии для системного аналитика.
AI для код-ревью требований: как LLM находит противоречия, пропуски и неоднозначности в ТЗ
Как использовать LLM для проверки качества требований: поиск противоречий, пропущенных сценариев и неоднозначных формулировок. Промпты, чек-лист и реальные примеры AI-ревью технического задания.
AI для проектирования REST API: генерация контрактов OpenAPI, валидация и ревью через LLM
Как использовать LLM для генерации OpenAPI-спецификаций из требований, автоматической проверки REST-принципов и валидации названий ручек — практические промпты и pipeline
AI для анализа устаревших систем: восстановление требований и документации из кода
Как LLM извлекает ФТ и НФТ из легаси-кода, строит C4-диаграммы и восстанавливает архитектурные решения — pipeline с промптами, кейсом и двумя диаграммами
RAG vs Fine-tuning vs длинный контекст: как выбрать подход для корпоративного AI
Сравнение трёх подходов к адаптации LLM под корпоративные данные: RAG, дообучение и длинный контекст. Дерево решений, матрица критериев, стоимость и инфраструктура для аналитиков и архитекторов.
AI-агенты для системного аналитика: автономные агенты, инструменты и оркестрация
Разбираемся, чем AI-агент отличается от обычного чата с LLM, как работает цикл ReAct, зачем нужна оркестрация нескольких агентов и где агенты реально полезны системному аналитику.
Промпт-инжиниринг для системного аналитика: паттерны промптов для требований, ТЗ и документации
Практическое руководство по промпт-инжинирингу для системных аналитиков: five-shot, role-prompting, chain-of-thought и структурный вывод — как собирать промпты, которые дают предсказуемый результат, а не галлюцинации
Векторные базы данных и embeddings: как устроен поиск в RAG простыми словами
Что такое embeddings, косинусная близость и векторные базы данных — объяснение без математики для аналитиков и разработчиков. Пайплайн, чанкинг, выбор БД.
Как написать свой MCP-сервер: подключаем LLM к внутренним системам (Jira, БД, API)
Практическое руководство по созданию собственного MCP-сервера на Python: структура tools/resources/prompts, JSON-RPC транспорт stdio и SSE, пример с Jira и PostgreSQL — от первого обработчика до рабочего сервера за час
RAG для системных аналитиков: строим базу знаний на LLM
Как настроить Retrieval-Augmented Generation для поиска по документации, ADR и требованиям — pipeline, стратегии чанкинга и выбор векторной БД.
AI-ассистент аналитика на MCP: как подключить LLM к Jira, Confluence и БД через Model Context Protocol
Практическое руководство для системного аналитика: как через MCP подключить LLM к Jira, Confluence и базе данных, автоматизировать рутинный поиск по задачам и документам, и превратить чат-интерфейс в рабочий инструмент
AI в проектировании архитектуры: LLM для C4-диаграмм, ADR и trade-off анализа
Как системному архитектору использовать LLM для генерации C4-диаграмм, анализа архитектурных trade-off и автоматизации ADR — практическое руководство с промптами.
AI в системном анализе: как собирать и формализовать требования с помощью LLM
Как использовать LLM для извлечения ФТ и НФТ из интервью, генерации User Story и Use Case, проверки требований на противоречия — практический pipeline с промптами и диаграммой
Автопубликация статей через cron, Claude Code и Docker: pipeline без ручной рутины
Как собрать пайплайн автопубликации статей: cron планирует запуск, headless Claude Code CLI пишет пост, guard-check проверяет качество, git push и пересборка Docker-контейнера выкатывают сайт.
LiteLLM: как подружить Claude, OpenAI-совместимый провайдер и один API-слой
LiteLLM proxy простыми словами: как сделать единый OpenAI-совместимый слой над Claude и другими LLM, как настроить роутинг, кеширование, лимиты и подключить Claude Code через прокси.
Что такое Model Context Protocol (MCP)? Почему о нем все говорят?
Model Context Protocol (MCP) — новая система от Anthropic для расширения возможностей ИИ-моделей и упрощения интеграций