🤖 ИИ и технологии
19 статей
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