22 posts
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.
Как LLM помогает аналитику исследовать данные без SQL: поиск аномалий, трендов и корреляций через чат с таблицами — практические промпты и pipeline разведочного анализа
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.
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.
Пошаговый pipeline: транскрибация интервью → LLM извлекает ФТ, НФТ, противоречия → генерирует User Story и вопросы для уточнения. Практические промпты и две диаграммы
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.
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.
Пошаговая сборка AI-агента для автоматизации рутины системного аналитика: инструменты через MCP, ReAct-цикл на LangGraph, рабочая и долговременная память. Практическое руководство с кодом.
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
