14 posts
Как LLM помогает писать SELECT, JOIN и агрегации, проектировать схемы БД, объяснять чужие запросы и находить узкие места через EXPLAIN — практические промпты и pipeline
Как использовать LLM для декомпозиции монолита: выделение ограниченных контекстов, построение матрицы связности, планирование миграции по шагам и оценка рисков.
Как LLM оценивает трудоёмкость задач в стори-поинтах: промпты, сравнение с экспертной оценкой, калибровка модели и практические сценарии для системного аналитика.
Как использовать LLM для проверки качества требований: поиск противоречий, пропущенных сценариев и неоднозначных формулировок. Промпты, чек-лист и реальные примеры AI-ревью технического задания.
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.
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.
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
Что такое embeddings, косинусная близость и векторные базы данных — объяснение без математики для аналитиков и разработчиков. Пайплайн, чанкинг, выбор БД.
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
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
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
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 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.
Model Context Protocol (MCP) — новая система от Anthropic для расширения возможностей ИИ-моделей и упрощения интеграций
