ИИ в команде: опыт внедрения
ИИ в команде: опыт внедрения В прошлом посте я делился мыслями о том, как LLM меняют саму логику постановки задач — например, на хакатонах. Сегодня — продолжение этой темы, но уже из практики: что происходит, когда ИИ встраивается в повседневную разработку. На этот раз — разбор д
18-09-2025 08:10 (МСК)
ИИ в команде: опыт внедрения В прошлом посте я делился мыслями о том, как LLM меняют саму логику постановки задач — например, на хакатонах. Сегодня — продолжение этой темы, но уже из практики: что происходит, когда ИИ встраивается в повседневную разработку. На этот раз — разбор доклада разработчика из K2 Cloud, где массово внедряют аналоги GitHub Copilot. Выделил основные части и краткое МЕМО по ним. Зачем нужен Copilot? ✅+25% к производительности за $10/мес с пользователя — мощный экономический аргумент. (это, конечно, по словам разработчиков Copilot b и их метрикам, и скорее всего можно смело делить на 2:D) ✅Менеджеры охотно поддерживают внедрение, тогда как разработчики сначала скептически относились к технологии. (я лично, всеми руками за!) Проблемы безопасности 🔹Компания не может использовать SaaS-решения вроде GitHub Copilot из-за политик информационной безопасности. Поэтому фокус — на open-source аналогах, которые можно развернуть локально. Среди open-source вариантов был выбран ContinueDev, так как имел большее количество скачиваний среди open-source конкурентов (2 млн против ~100 тыс. у других). ⚙️ Как это работает? ● Система собирает контекст: текущий файл, соседние, недавно открытые. ● Отправляет запрос модели (например, Llama или Villa). ● Получает подсказку по шаблону fill-in-the-middle. ● Выводится прямо в IDE. ContinueDev добавляет ещё чат и "агентов", которые могут выполнять действия — но они пока слабо используются. Что показала аналитика? ❇️За месяц — 185 тыс. запросов на автодополнение. ❇️Чатом почти не пользовались: контекст часто терялся, ответы были слишком общими. ❇️При задержке >10 сек — подсказки исчезали, что сильно раздражало. ❇️Оптимальная скорость для работы при автоподсказке — 2–3 секунды. Выбор и обучение модели ● В момент сбора статистики использовали Qwen2.5 Code (в видео есть подробное обоснование). ● Полное дообучение требует 124 ГБ VRAM — дорого. ● Широкое распространение получили методы LoRA/QLoRa, которые обучают только небольшую часть весов, экономя ресурсы. (информативно было это послушать) В итоге отказались от дообучения: ждут выхода Qwen3 Code, который должен быть ещё лучше (и пройспойлерю, так оно и оказалось😁) Copilot vs Open Source ✅GitHub Copilot явно впереди: больше контекста, ранжирование подсказок, обучение на принятом коде. ❌ Open-source решения пока уступают в удобстве, индексации кодовой базы и стабильности. Также интересно было узнать, что качество работы зависит от IDE разработки, так как VsCode лучше оптимизирован для работы с ИИ-плагинами. Так как для локальной разработки я сам юзаю VsCode удивился, узнав, что на данный момент это лидер рынка в этом сегменте☺️👍 Выводы Понравилось видео. Был удивлен что в целом есть противники внедрения, как по мне - это ускоряет разработку и даёт возможность глубже понять архитектуру. Так как в кампании, где я работаю, такого инструмента пока нет, смотрел с небольшой завистью😄 Удивило, что редко пользовались чатом, скорее всего из-за несовершенства модели 2.5 Coder, так как 3 версия эти задачи классно решает. Сам лично считаю чат классной возможностью расширить свои знания. 🔗Полное видео доклада: https://www.youtube.com/watch?v=3IjRw3f8RDo 💬 P.S. Сам постоянно пользуюсь LLM в качестве быстрого погружения в тему, настройке различных инструментов (например, на днях быстро поправил настройки keycloak для конкретного клиента) и уточнения по логам ошибок. Как вы используете ИИ в повседневной жизни и работе? — Если да — чем и как? — Если нет — что мешает? #ITИнсайты