«Спецификация как источник истины, а не вспомогательный документ».
Разработка на основе спецификаций (Spec-Driven Development) — это одна из тех идей, к которым инженеры по софту обращались ранее, а затем откладывали, когда усилия переставали приносить отдачу.
Спецификации как источник истины или медленная церемония?
Разработка на основе спецификаций (Spec-Driven Development, SDD) вошла в 2026 год как ответ серьезных разработчиков на дрейф в «вайб-кодинге».
Держите намерение близко к коду.
Записи о принятых решениях — это недостающий слой памяти в разработке программного обеспечения с помощью ИИ. Они фиксируют не только то, что было построено, но и почему — и это различие становится критически важным, когда ваш код пишут инструменты на базе искусственного интеллекта.
Обрабатывайте ошибки на правильном уровне.
Обработка ошибок в Go часто вызывает критику. Каждый разработчик на Go сотни раз писал этот код:
Прекратите использовать сон в конкурентных тестах на Go.
Тестирование конкурентного кода на Go всегда требовало определенной дисциплины. Горутины дешевы, каналы просты, а отмена контекста является идиоматичной — фоновые рабочие процессы и таймеры повсюду в реальных сервисах на Go.
A2A не умер, просто он не универсален.
Первый год протокола Google Agent2Agent, обычно сокращаемого до A2A, выдался странным.
Надёжные паттерны опроса для AI-агентов.
Агенты с опросом (polling agents) — одна из наименее гламурных частей архитектуры AI-ассистентов, но одновременно и одна из самых полезных.
MCP предоставляет агентам инструменты. A2A предоставляет агентам коллег.
Архитектура AI-агентов начинает разделяться на два уровня.
A2A превращает агентов в равноправных участников сети.
Протокол A2A (Agent-to-Agent Protocol), аббревиатура от Agent2Agent Protocol, представляет собой открытый стандарт для взаимодействия между независимыми системами ИИ-агентов.
Реализация CQRS на Go без лишних сложностей
CQRS — это один из тех паттернов, который часто переоценивают, усложняют и иногда ошибочно принимают за панацею от скуды обычного CRUD.
Управляйте риском, а не только моделью.
Языковые модели (LLM) непредсказуемы. Они галлюцинируют, утекают данные, генерируют вредоносный контент или отказывают в выполнению легитимных запросов. Ограничители (guardrails) constraining поведение модели без ущерба для её возможностей.
Рабочая, структурная и поисковая память для ассистентов.
Память превращает ассистентов из реактивных в персистентные, но именно в ней множество систем тихо деградируют. Исследования утверждают, что разделения на краткосрочную и долгосрочную память больше недостаточно для современных агентных систем памяти; SDK от OpenAI и LangGraph указывают на более простую стек-модель — рабочая память, персистентное состояние и поиск (retrieval).
Как на самом деле создаются серьезные ассистенты.
Продолжающий работу ИИ-ассистент — это не «языковая модель с промптом». Это система, которая принимает намерения пользователя, сохраняет состояние, принимает решения о том, когда извлекать данные или выполнять действия, и предоставляет достаточно деталей времени выполнения для отладки сбоев.
Поиск — это не структура знаний
Большинство современных систем знаний оптимизируют процесс поиска, и это вполне понятно. Поиск нагляден, его легко продемонстрировать, и он кажется магией, когда работает. Введи вопрос — получи ответ.
Скомпилированные знания для ИИ-систем
Основная идея проста: скомпилированные знания более пригодны для повторного использования, чем извлеченные фрагменты. RAG стал стандартным ответом на простой вопрос — как предоставить LLM доступ к внешним знаниям?
«Карта современных систем знаний»
PKM, RAG, вики, системы памяти ИИ и сейчас практические рабочие процессы с помощью ИИ часто обсуждаются так, будто они решают одну и ту же проблему. Это не так. Все они имеют дело с знаниями, но работают на разных уровнях:
