Недавно мы с техническим директором (CTO) одной компании описывали человека, которого было бы интересно нанять, хотя он занимался IT год-два или даже меньше. От него ожидали законченного проекта с AI-агентами и способности объяснить, как он организовал работу, проверил результат и разобрался с неудачами, причём оплату за такое сочетание навыков планировали на уровне инженера среднего уровня (middle). Небольшой стаж здесь допускался потому, что собственный проект мог дать нам предметный разговор о работе, которую человек уже умеет выполнять.
Ссылка на GitHub сама по себе такого разговора не обеспечивает. Если значительную часть реализации выполнил агент, готовая программа может выглядеть убедительно ещё до того, как её владелец разобрался в принятых решениях; работодателю же предстоит доверить ему следующие задачи, где понадобятся самостоятельная проверка, поиск причин ошибки и понимание последствий. Получить работающий результат и приобрести опыт, позволяющий за него отвечать, теперь особенно легко принять за одно событие.
В пятом выпуске «3 AImigo» Евгений Сергеев, директор инженерного направления (Engineering Director) в Flo Health на момент разговора, принёс вопрос человека, который выбирает профессию или заканчивает университет. Его вопрос отталкивался от привычного ожидания, что после вуза можно попасть на стажировку и учиться у более опытных коллег, постепенно переходя от первых задач к самостоятельной работе. Вместе с Александром Поломодовым мы обсуждали, как начать этот путь, когда инструменты уже способны делать многое из того, на чём прежде учились начинающие. Я смотрел на это с оптимизмом из своей практики внедрения AI в компании; Александр предложил проверить, к какой именно части пути этот оптимизм относится.
3 AImigo, пятый выпуск. Открыть запись на YouTube [1]
Создать продукт и найти своё место в профессии
Мне кажется, что у человека, готового учиться и доводить дело до конца, возможностей стало больше. Агент помогает попробовать идею, сделать приложение и разбираться с инструментами прямо по ходу работы, поэтому часть замыслов можно проверить раньше, чем человек освоит всю самостоятельную реализацию. Под инициативой я здесь понимаю готовность действовать и брать ответственность за результат. Вместе с тем я оцениваю доступность этой работы с многолетним опытом, тогда как новичку ещё предстоит научиться оценивать объяснения модели и выяснять, кому нужно сделанное.
Александр привёл в ответ пример бухгалтера. Предметный эксперт уже знает свой процесс, его исключения и ожидаемый результат, поэтому, автоматизируя работу с Cowork, может заметить подозрительное поведение и задать инструменту содержательное уточнение; если инженер поможет проверить, протестировать и запустить решение, организация получит пользу без отдельного начинающего разработчика на этой задаче. У новичка с Claude Code такого знания может ещё не быть. Ему приходится одновременно осваивать инженерную работу и ту область, для которой он делает программу.
Одинаковый доступ к агенту оставляет эти стартовые условия разными. Компания, в которой уже есть опытные инженеры и предметные эксперты, будет выяснять, что начинающий сможет сделать рядом с ними, а готовое приложение ответит лишь на часть вопроса. Оно подтверждает возможность что-то создать; обучение можно обсуждать по тому, что после этой работы понял сам человек, найм связан с работой, которую ему готовы доверить, а оплата - с пользой, за которую кто-то согласился платить. Неоплачиваемый проект способен многому научить, хотя оплаченный результат тоже может быть почти полностью создан моделью при слабом понимании исполнителя.
Четыре отдельные двери обозначают создание, обучение, найм и оплату. Открыть одну не означает автоматически пройти остальные.
Создать
Получить работающий результат
Научиться
Понять и уметь проверить
Пройти отбор
Показать ценность для команды
Получить оплату
Найти того, кому нужен результат
Вопрос об оплате для Александра связан и с тем, какую профессию человек выбирал. Он пришёл в IT в начале двухтысячных, потому что ему нравилось программирование, а в небольшой компании от программиста ожидали, что тот разберётся почти со всем. Позднее многим стала доступна более понятная карьера, в которой можно было отвечать за техническую часть, выполнять поставленные задачи и расти, оставляя развитие бизнеса другим людям. Когда вместо такого пути советуют сделать продукт, найти клиентов и заработать, к инженерной работе добавляют предпринимательскую, на которую человек мог не соглашаться.
Я считаю доход обратной связью от экономической реальности, а обучение становится заметно по тому, какие решения человек после проекта способен самостоятельно объяснить и принять. Я вижу изменение набора профессиональных навыков, из которого не следует, что каждому нужно основать компанию. Один человек будет адаптироваться внутри инженерной роли, другой попробует свой продукт, третий применит AI в знакомой области; у каждого останется работа по приобретению знаний, которые позволят осмысленно пользоваться новым инструментом. Найм инженером остаётся самостоятельным выбором.
Почему готовая задача хуже объясняет рост новичка?
При прежнем старте, который описал Александр, небольшие баги и понятные функции соединяли полезную работу с обучением. Старшим инженерам такие задачи часто было скучно делать, а начинающий, разбираясь в коде и получая обратную связь, узнавал устройство продукта и постепенно брал больше ответственности. Исправление появлялось благодаря работе, на которой человек готовился к следующей задаче. По завершённой реализации было проще судить и о пройденной практике.
Когда эту реализацию выполняет агент, связь становится менее надёжной. Компания может получить исправление раньше, но человеку ещё предстоит выяснить, почему оно подходит, какие предположения сделал инструмент и как это проверить; даже небольшая задача, оставшаяся у новичка, уже не свидетельствует с прежней уверенностью о его самостоятельном разборе. В оценке обучения нужно отдельно увидеть, что он теперь умеет объяснить и сделать. [6] Количество закрытых задач этого вопроса не решает.
Слева прежняя лестница простых задач. Справа код готов, а прежние страницы понимания остаются без новых записей: между ними красный разрыв и вопрос. Объяснение и проверки человека дают отдельное свидетельство понимания.
Простые задачи как ступени
Сделал, разобрался, получил следующую задачу
Сигнал разделился
1 - результат агента; 2 - понимание человека
Готовый результат появился. Понимание человека видно в его объяснении и проверках.
Александр предлагает изменить работу с начинающими, однако на его идеи жена отвечает просьбой показать, где такая модель уже реализована. У него есть реальный пример из большой компании, и условия этого примера многое объясняют. В программу приходили сильные участники ICPC, студенческого соревнования по программированию, и олимпиад по информатике, которые уже хорошо писали код, знали алгоритмы и структуры данных. Некоторые программировали со школы и к первым курсам университета приобрели фундамент информатики, хотя ещё ничего не выпускали для реальных пользователей.
Им давали современные инструменты, наставников и бизнес-задачи нормального масштаба в продукте, которым пользовались они сами и их близкие. Понятный интерес к продукту сочетался с подготовкой, а работа с Claude или Codex продолжалась разбором результата с наставником. Успех этой группы относится к сочетанию инструмента, накопленных знаний и обратной связи. Если оставить в истории только агента, она перестанет объяснять, как учились эти люди, и тем более не ответит за новичка, который приходит без их базы.
Книги, агент и проверка стоят на общей прочной основе. Рядом отдельным полем оставлен вопрос обучения новичка без накопленной базы.
Код, алгоритмы, структуры данных
Современные инструменты
Разбор бизнес-задачи и обратная связь
Такую базу я предлагаю изучать параллельно с работой с AI. Поначалу собственную программу я представлял скорее материалом для middle и более опытных инженеров, потому что рассчитывал на уже знакомые читателю архитектуру, проектирование систем, командную работу и отладку. Это облегчало моё объяснение, однако название уровня не определяет, когда человек способен начать разбираться в этих вещах. Начинающему можно знакомиться с инженерными подходами на той же работе, где он осваивает агентов.
Например, при поиске причины ошибки инженер формулирует гипотезу, выбирает проверку, которая отличит её от других объяснений, и по результату решает, что делать дальше. Когда исправление предлагает модель, эта последовательность по-прежнему нужна, поскольку человек должен понять, какое объяснение проверяется и почему полученные данные дают основание принять изменение. За последние месяцы я много работал над последовательным изложением AI-assisted engineering, инженерной работы с поддержкой AI, и в книге с программой собрал теорию, методы, паттерны решения повторяющихся задач и инструменты. Их связь с решаемой задачей позволяет выбирать способ работы осмысленно, вместо того чтобы знакомиться с очередным агентом отдельно от инженерии.
В ткацком станке синие нити работы с AI пересекаются с графитовыми нитями инженерии; их совместное переплетение образует рабочее полотно.
Работа с AI
Постановка, инструменты, проверка результата
Инженерное понимание
Архитектура, отладка, гипотезы и работа в команде
Евгений заметил, что опытные инженеры тоже переучивались и в какой-то момент снова почувствовали себя начинающими. Компания ожидает от одного человека большего охвата работы и старается сократить передачи задач между ролями, но такой переход опытный сотрудник проходит с фундаментом и насмотренностью; выпускник без практики ещё только приобретает их. Дискомфорт у обоих может быть похожим, а объём знаний, с которого они начинают, различается. Поэтому знакомство с новым инструментом полезно рассматривать вместе с тем, какие решения человеку уже понятны и какие ему предстоит научиться принимать.
Что можно увидеть за ссылкой на проект?
Для разговора о таких решениях собственный проект даёт материал ещё до первой коммерческой работы. Евгений предложил рассматривать весь цикл продукта, в котором до реализации нужно понять проблему и привлечь пользователей, а после запуска - исправлять ошибки и сохранять возможность дальнейших изменений. В открытом проекте можно получить похожий опыт, если участие действительно позволяет пройти значимую часть этой работы. Запущенное приложение становится началом знакомства с эксплуатацией, когда его поведение и новые потребности приходится сопоставлять с тем, что было задумано.
На этом этапе человек проверяет решения в условиях, которых не мог полностью предусмотреть заранее, и обнаруживает, насколько удобно разбираться в системе и менять её. Такие вопросы приближают проект к работе сотрудника, потому что компания будет ожидать от него продолжения после первого удачного запуска. Ей нужно понимать, как он действует, когда исходного плана или объяснения агента уже недостаточно.
Три этапа работы над проектом: проблема под лупой, реализация на ноутбуке и наблюдение за системой после запуска.
До реализации
Проблема, люди, нужный результат
Реализация
Агент помогает собрать работающую систему
После запуска
Ошибки, эксплуатация и следующие изменения
Именно такого человека мы с CTO описывали в клиентском примере. По отдельности мало убеждали большой инженерный стаж без работы с AI и использование Claude без фундамента, при котором человек действует, пока модель даёт ему понятное направление. Первому кандидату предстояло бы адаптироваться к способу работы этой компании; у второго оставался вопрос, как он справится с тем, чего пока не понимает. Законченный проект на GitHub или GitLab позволял обсуждать эту способность на конкретном материале, поэтому для этого профиля я начинал бы с организации работы и проверки результата, оставляя эстетику кода и выбор между Python и Rust на дальнейший разговор.
В репозитории можно открыть AGENTS.md, файл с инструкциями агенту, посмотреть CI/CD, автоматические проверки и доставку изменений, и разобраться, как инструменты с правилами объединены в рабочую среду. Однако смысл такого просмотра раскрывается в объяснении кандидата. Он должен понимать, что поручает агенту, зачем включил выбранные проверки и почему считает их достаточными для своей задачи; наличие файлов и настроенной автоматизации ещё оставляет эти вопросы без ответа.
Один ноутбук с проектом находится между постановкой на листе и лупой проверки. Возвратная линия ведёт от проверки к пересмотру постановки.
Какую проблему решали и что нельзя менять?
Что делал агент и как организована проверка?
Почему решение подходит и где может сломаться?
Что не получилось и как изменили подход?
Мне интересен и способ, которым человек учится, потому что рабочую среду приходится менять вместе с инструментами. Кандидат может рассказать, откуда узнаёт об изменениях и как перерабатывает новую информацию, а если он попробовал новую модель, в разговоре можно выяснить, с чем сравнивал результат и на каком основании решил изменить привычную работу; Astra в выпуске была одним из таких примеров. Разбор неудачи продолжает ту же проверку самостоятельности. Человек объясняет, как заметил расхождение с ожиданиями, искал причину, проверял исправление и чему научился после ошибки, а собственный проект позволяет обсуждать всё это ещё до коммерческого трудоустройства.
Евгений обратил внимание, что такой профиль охватывает бизнесовую проблему, системное обучение и вопросы, которые раньше связывали с более опытными сотрудниками. Широта тем здесь не равна опыту старшего инженера (senior), поскольку часть реализации выполняет агент, а человек приобретает умение формулировать требования и выбирать решение. Меняется и работа с текстом. К языку программирования добавляется человеческий язык, на котором инженер объясняет ограничения, ожидаемое поведение и критерии проверки, причём эти требования должны быть связаны с системой и кодом, к которым они относятся.
Паспорт одного клиентского найма содержит проект, объяснение процесса и способность учиться. Отдельная записка об оплате ограничена этим наймом, рядом показана другая компания.
Профиль одного клиентского найма
- Показывает проект
- От замысла до работающего результата
- Объясняет процесс
- Постановка, проверка, разбор неудач
- Учится на изменениях
- Пробует и сравнивает новые инструменты
Оплату на уровне middle планировали в одной компании за описанное сочетание навыков. В более традиционной начальной роли набор знаний и оплата могут оставаться другими, а Александр уточнил и сам запрос работодателя. Команде необязательно нужен начинающий эксперт по всем методологиям работы с AI; ей может быть полезнее инициативный человек, который осваивает её конкретный процесс. Проект даёт повод проверить готовность к такому обучению, а требования к самостоятельности определяет работа, которую предстоит ему доверить.
Почему компании может быть выгоднее нанять готового?
При этом потребность в самостоятельном сотруднике ещё не означает готовности компании оплачивать путь к этой самостоятельности. Александр объяснил, что небольшой или средней организации может быть достаточно существующего ядра команды, а на открытую вакансию ей удобнее найти человека, который сразу выполнит значительный объём работы. Заплатить более опытному специалисту больше иногда выглядит выгоднее, чем вкладывать время наставников и деньги в длительный рост начинающего. Для индустрии остаётся потребность в следующем поколении опытных людей, но каждый отдельный работодатель может рассчитывать получить специалиста, которого подготовил кто-то другой.
Это расхождение Александр пояснил трагедией общин. На общем пастбище у каждого владельца есть корова, и ещё одна кажется небольшим увеличением нагрузки, от которого выиграет конкретный хозяин; когда так поступают остальные, травы перестаёт хватать всему стаду. В его аналогии компания принимает удобное для себя решение, тогда как долгосрочная подготовка инженеров нужна многим работодателям. Совместная потребность не устраняет разницу между текущей выгодой и вложением, результатом которого воспользуются в том числе другие.
В аналогии Александра жёлтый значок становится зелёным при обучении и переходит в нанявшую компанию, где группа сохраняет свою подготовку. Контур растения с жёлтым плюсом в грядке обозначает следующую учебную группу, для подготовки которой снова нужны время наставников и реальные задачи.
Вариант: нанять уже подготовленного
Время наставника и настоящие задачи
Каждой следующей группе нужны время наставников и реальные задачи
Подготовленная группа переходит в компанию и сохраняет опыт
Найм меняет место работы подготовленных людей. Следующей группе снова нужны время наставника и реальные задачи.
Дилемма заключённых делает эту разницу видимой через выбор двух людей. В числовом примере Александра, если оба молчат, каждый получает год; если один признаётся, пока другой молчит, первый выходит без срока, а второй получает десять лет; если признаются оба, каждому дают четыре года. Для участника, который решает отдельно от другого, признание выгоднее при любом чужом выборе, поскольку даёт ноль вместо одного года или четыре вместо десяти. Оба приходят к четырём годам, хотя при совместном молчании получили бы по одному.
Здесь я отдельно уточню термины, которые в разговоре были смешаны. Четыре года для каждого - равновесие Нэша, потому что одному участнику невыгодно менять действие, пока второй продолжает признаваться. Вместе с тем этот исход не Парето-эффективен, поскольку существует вариант с одним годом для каждого, где обоим лучше. Само совместное молчание не является равновесием Нэша в этой одноходовой игре, ведь участник может получить ноль, признавшись в одиночку. [13] Свойства различаются, а материал MIT о повторяющейся дилемме заключённых [5] позволяет подробнее рассмотреть, как повторяемость взаимодействия меняет условия сотрудничества.
Матрица сроков в годах: оба молчат - 1,1; первый молчит, второй признаётся - 10,0; наоборот - 0,10; оба признаются - 4,4. Исход 4,4 устойчив к одностороннему изменению, но хуже 1,1 для обоих.
Годы для первого, затем второго
| Выбор первого / второго | Молчит | Признаётся |
|---|---|---|
| Молчит | 1, 1Оба молчат | 10, 0 |
| Признаётся | 0, 10 | 4, 4Оба признаются |
Обоим лучше: 1,1
При одностороннем признании можно получить 0 вместо 1. Это не равновесие Нэша.
Одному менять выбор невыгодно: 4,4
Это равновесие Нэша. Но 1,1 лучше для обоих: исход 4,4 не Парето-эффективен.
В компании выбор зависит от других затрат и стимулов. Евгений поддержал мысль, что удобное бизнесу решение на коротком горизонте может быть плохим для подготовки специалистов на длинном, и добавил расходы на токены, единицы текста, которые обрабатывает модель. Они дополняют зарплату и стоимость инструментов, тогда как от инженера с агентами ожидают большего результата за то же время. Евгений отметил, что при таких требованиях новичку трудно конкурировать, если он ещё не осваивает нужные компетенции со скоростью опытного инженера. Покупка мощного инструмента сама по себе ещё не объясняет, окупится ли участие наставника и обучение нового сотрудника.
В опыте Евгения инвестиции в стажировки сосуществуют с закрытием отдельных программ и повышением планки при найме, а после ухода человека на его место не всегда открывают вакансию. Привычный маршрут сохраняется, но ожидание, что компания научит всему с нуля, всё труднее отделить от её конкретного запроса и возможностей. Новые модели и способы организации работы агента могут снова изменить цикл разработки, поэтому сейчас разумнее разбирать доступные условия, чем выбирать один прогноз о будущей роли инженера.
Как обнаружить то, чего пока не понимаешь?
Работу над собственным проектом можно начать ещё до того, как компания решит вложиться в обучение, однако при самостоятельном изучении сначала придётся заметить, какого знания не хватает. Человек не может получить содержательное объяснение от AI по теме, о существовании которой не подозревает. Поэтому я советую найти технические книги по своей области и внимательно посмотреть оглавления. Они дают первое представление о вопросах, с которыми предстоит столкнуться за пределами уже знакомой реализации.
Так рядом с кодом появляются наблюдаемость, оповещения об ошибках и соглашения об уровне обслуживания. [8] Наблюдаемость нужна, чтобы по данным о работе системы разбираться в происходящем внутри неё, оповещения позволяют заметить условия, на которые следует отреагировать, а SLA, соглашение об уровне обслуживания, описывает договорённости о качестве сервиса. [7] Узнав о таких темах, человек может выяснить, в каких условиях они нужны и как относятся к его проекту. Вместо просьбы рассказать всё о разработке у него появляется конкретное непонимание, которое можно исследовать.
Открытый атлас с известным рельефом и пустой областью обозначает границу знаний. Три шага под рисунком ведут от оглавления к вопросу и применению в проекте.

- Оглавление
Какой темы я пока не вижу?
- Вопрос
Что означает термин и когда он нужен?
- Мой проект
Где здесь применить и как проверить?
Евгений сразу показал, как легко остановиться раньше этого исследования. Можно встретить SLA и добавить в инструкции агенту просьбу где-нибудь учесть его, однако затем человеку всё равно предстоит обсуждать договорённость и оценивать результат. Пока он не понимает, что означает выбранное условие и почему оно уместно, новое слово не помогает ему принять решение. Содержательное обучение начинается в работе между названием темы и её применением, когда приходится уточнять смысл и проверять его связь с собственной задачей.
Для такого чтения Евгений предложил карту тем купленной книги [9], по которой можно выбирать интересные или непонятные части и углубляться в них. Он сравнил это со своим знакомством со статьёй или научной работой, где после краткого описания и устройства материала идёт в место, вызвавшее интерес или сомнение, а дальше переходит к связанным вопросам, как при чтении Википедии. Александр предпочитает научный abstract, краткое описание исследования, потому что сразу хочет видеть проблему, причину интереса к ней и способ работы. Именно такого начала ему часто не хватает в ненаучных статьях с долгой историей для вовлечения читателя. Эти привычки позволяют сначала определить предмет разговора, чтобы подробности можно было соотносить с тем, что человек пытается понять.
Ответ приходится связывать с собственным знанием
Даже знакомые отдельные понятия могут не дать такого понимания, если неясно, как они связаны. Александр рассказал об этом на примере часовой лекции о биотехнологиях. Он представлял себе белковые цепочки, знал об AlphaFold [11] и читал «От оргазма до бессмертия» [10] о создании лекарств, но разговор было трудно отслеживать, поскольку у спикеров уже было общее представление о медицинских исследованиях. Они переходили между этапами и уровнями, а слушателю ещё предстояло выяснить, к какому процессу и участнику относится очередной пример.
Александр попросил Codex разобрать устройство процесса, роли людей и место их примеров на разных этапах исследования. После такого объяснения он понял, о чём шёл разговор на лекции. В этом случае недоставало связей между услышанными фрагментами, поэтому полезным оказалось восстановление контекста, в котором отдельные слова приобретали определённый смысл. Дополнительный пересказ без этих связей мог бы сохранить первоначальную трудность.
Прежние знания, участник, этап и новый пример собираются в центральной карте. Синее поле участника и жёлтая полоса этапа задают положение примера; графитовая линия связывает его с прежними знаниями. Это схема контекста разговора, а не биологический процесс.
Прочитанные книги и понятия
Кто что исследует и делает?
На каком участке процесса пример?
Что рассказ дополняет и чему противоречит?
Как всё это связано?
Пример становится понятен, когда видны участник, этап и связь с прежними знаниями.
Новую информацию Александр старается сопоставлять с уже сложившимся пониманием и в новостных сводках, которые готовит через автоматизации в Codex. Обратной связью он уточняет интересы, а от сводки ожидает объяснения, какие прежние тексты и выступления новая информация дополняет и каким противоречит. Тогда появляется основание пересмотреть собственное представление об области. Несколько прочитанных заголовков сами по себе такой работы не выполняют.
Тот же интерес к объяснению он переносит в технические книги. На примере O’Reilly [12] Александр описал запрос разобрать материал с кодом, который можно пошагово запустить в терминале, но его привычка разговаривать с текстом появилась раньше AI. Сначала книга была для него местом, где написана правда, затем он начал мысленно спорить и обсуждать прочитанное с автором, записывать мысли на полях и сопоставлять материал с другими источниками. Интерактивное объяснение продолжает эту работу, когда читатель уже замечает, что ему непонятно.
С русским третьим изданием Distributed Systems [3] такая проверка стала особенно буквальной. Александр сверял неясные места с английским текстом, иногда мысленно восстанавливал английскую фразу из непонятного перевода и заново формулировал её смысл по-русски, так что к концу книга была исписана и перечёркнута. Он возвращался к источнику именно там, где прочитанное не складывалось в понятное объяснение. Работа с агентом допускает похожее уточнение и проверку на конкретном случае, хотя можно принять его ответ за безошибочный и сразу пойти дальше.
Александр сравнил такое пассивное взаимодействие с нейросетью, которая выдала готовый ответ, тогда как собственные представления человека остались прежними. Это метафора незамкнутой обратной связи. Между реальной задачей и моделью человек может выполнять указания инструмента, не приобретая знания, которые позволят позднее самому объяснить решение. Если же он замечает непонимание, уточняет смысл и проверяет его, у него появляется возможность пересмотреть то, как он видит задачу.
Один устойчивый мост соединяет лист с ответом модели и открытую тетрадь. Его три секции обозначают уточнение, собственную пробу и пересмотр понимания.

Спросить о непонятном и проверить смысл
Применить объяснение к своему примеру
Исправить собственную картину задачи
Мне это знакомо по собственному чтению ответов. На момент разговора я около года пользовался ChatGPT Pro, и особенно заметное изменение увидел с GPT-5 и 5.2 Pro, когда обычный вопрос мог дать эссе страниц на пятнадцать без отдельного глубокого исследования. Я читал русские слова, но смысл почти каждого предложения зависел от понятий, которые мне ещё предстояло построить для себя, поэтому иногда тратил полчаса на разбор одного ответа. Во время разговора у меня была открыта книга с фрагментом о восприимчивости; мысль о включении полезного нового в свою жизнь я связываю именно с таким чтением, когда незнакомое понятие приходится разобрать, чтобы по-новому задать вопрос или осознанно выбрать решение. Надеюсь, после такой работы я понимаю больше.
Позднее похожую сложность я встречал у других моделей, например Opus 5, а в разработке времени на чтение часто меньше, откуда понятен соблазн попросить короткую сводку. Когда связи уже ясны, сокращение убирает повторения; если же трудность в незнакомом понятии, более короткий текст оставляет его незнакомым. Для начинающего это повод задать уточняющий вопрос и проверить объяснение на своём случае, чтобы решение опиралось на разобранный смысл. В выпуске я упоминал со слов Александра уже готовое, но ещё непрочитанное исследование Astra.
Такой способ учиться можно организовать и как собственный инженерный проект. Евгений предложил систему, с которой человек подбирает подходящее себе интерактивное взаимодействие с информацией и постепенно его меняет. Это нужно начинающим и опытным людям, которым тоже приходится адаптироваться. Я иногда устаю от очередной необходимости переучиваться; тогда полезно остановиться и подумать, что изменилось, чтобы решение о новой работе опиралось на понимание, а не на поспешное принятие или отвержение очередного инструмента.
Как сделать обучение видимым в работе команды?
Такое личное усилие ещё нужно сделать понятным людям, которые будут работать с новичком. Александр предложил специально организовать цикл, в котором агент выполняет задачи обычного бизнесового масштаба, а человек учится объяснять постановку, принятое решение и последствия. Начинающему предстоит освоить выбранный командой порядок от намерения и описания задачи к плану, реализации, выпуску и сопровождению; знать одновременно GitHub Spec Kit, OpenSpec, BMAD и остальные методы для этого необязательно. Предложение продолжает вопрос из начала разговора о простых учебных задачах. Если готовая функция уже не позволяет судить о росте человека с прежней уверенностью, наставнику нужны моменты, в которых этот рост можно увидеть отдельно от результата агента.
Первый возникает до реализации, когда новичок объясняет, почему сформулировал задачу таким образом, какого результата хочет, по каким критериям будет его принимать и что менять нельзя. Наставник может разобрать ход мысли и поправить постановку ещё до реализации. После реализации человек читает результат и объясняет хотя бы на общем уровне, почему решение работает, выполняет требования и достаточно для условий этой системы. В предложении Александра он защищает решение, хотя код написал инструмент.
Предлагаемый учебный цикл: постановка, результат агента, проверка предположения наставником и разбор последствий. Возврат обратной связи добавляет проверку в исходную постановку; прежнее условие остаётся видимым рядом с изменением.
Цель, критерии приёмки и ограничения
Что сделал агент и почему это работает?
Обоснование решения и его достаточности
Выпуск, возможный сбой, откат к прежней версии и обратная связь
Обратная связь меняет следующую постановку: к прежнему условию добавляется новая проверка.
Ссылка на Claude Code не заменяет эту защиту, потому что человек принимает изменение и берёт за него ответственность. Затем он наблюдает, как оно попадает в рабочую систему, которой пользуются реальные люди, разбирается с изменением поведения продукта, возможными сбоями и возвращением к прежнему состоянию. Выпуск и откат становятся последствиями определённого решения, а знание команды развёртывания ещё предстоит соединить с пониманием того, что произойдёт после её выполнения.
Для объяснения этой разницы Александр привёл отдельный случай из своей работы над переездом «Тинькофф» в «Т-Банк». Команды обсуждали планы выпуска и возврата изменений, причём для одной замена идентификатора, условно с 68 на 95, выглядела почти безобидной. Она ожидала, что всё продолжит работать, пока разговор с другой командой не показал зависимость существенной части функциональности от этого значения. Переход мог сломать то, чего первая команда не видела из своей работы.
Локальная правка и общий идентификатор переходят от условного A к B. Зависимая система продолжает ожидать A, поэтому в ней виден конфликт A и B. Взаимная проверка возвращает риск в исходный план до выпуска. Это иллюстрация обнаруженной зависимости, не изображение реального сбоя или отката.
Команда считает смену идентификатора простой
Значение используется за границей её кода
Видит другое поведение системы
Обсуждение риска при выпуске и откате
Локально меняется значение идентификатора. Зависимость всё ещё ждёт прежнее; взаимная проверка возвращает риск в план.
Проверка между командами дала возможность сопоставить разные части знания о системе. Этот случай относится к реальной миграции Александра, а не к испытанию предложенного обучения новичков, но он объясняет, зачем обсуждать последствия даже уверенно подготовленного решения. Собственное объяснение нужно уметь предъявить человеку, который знает другую часть продукта и может обнаружить пропущенную зависимость. Хороший агент не делает контекст одной команды полным.
Часть деятельности, которую раньше показывал наставник во время стажировки, теперь можно рассмотреть в опубликованных процессах компаний. Евгений подробно изучал AWS AI-DLC [2], описание жизненного цикла разработки с AI от намерения до рабочего продукта, и предложил пройти этот порядок на собственном проекте. Так можно увидеть, какие решения требуются до реализации и после неё, а затем сопоставить их со своей задачей. Описание этапов даёт порядок работы; разбор непонятного решения с наставником выполняет другую функцию.
Развёрнутая карта процесса имеет три страницы: требования до кода, реализация с проверкой и выпуск с сопровождением. Она показывает этапы работы.
До кода
Замысел, требования и план
Работа с агентом
Реализация и проверка
После кода
Выпуск, сопровождение и обратная связь
Опубликованный процесс описывает порядок работы, а наставник помогает разобраться в непонятных решениях.
Я тоже включил AI-DLC в книгу, но поставил ближе к концу из-за сложности, чтобы читатель уже понимал задачи, для которых нужны отдельные этапы. При этом для постановки требований не обязательно ждать самой новой методологии. Продакт-менеджеры давно формулируют, что нужно продукту и по каким признакам результат можно принять, хотя сами не выполняют реализацию; PRD, документ продуктовых требований, относится к этой практике. Теперь подобную постановку приходится делать человеку, который поручает работу агенту.
Мне интересно, как об этом пишет Акаш Гупта в контексте AI product management, управления продуктом с AI, и его статья о PRD [4] может стать одним из направлений чтения. Более классические материалы о требованиях тоже полезны. Исполнитель изменился, а часть способов ясно сформулировать задачу уже существует, поэтому новое средство работы можно изучать вместе с практикой, которая объясняет его назначение.
Первая попытка и работа, которую можно объяснить
На старте всё это может восприниматься как требование догнать людей, которые начали пять лет назад, когда самому ещё трудно выбрать первую задачу. Из своей практики я вижу спрос на тех, кто учится, организует работу с агентами и отвечает за результат, и описанный профиль кажется мне пока слабо заполненной нишей. Начинающему может помочь отсутствие привычки делать всё прежним способом. В разговоре я сравнил его со стартапом среди компаний, который с чистого листа учитывает возможности агентов, хотя опытные люди тоже способны быстро адаптироваться. Это дополнительная возможность внутри трудного старта.
Чтобы найти такую работу или понять пользу собственного проекта, нужно встретиться с реальными запросами людей. Я давно считаю отношения второй составляющей входа в профессию наряду с технической подготовкой, поскольку через разговор можно узнать требования компании или стажировки, получить рекомендацию и найти тех, с кем получится обсуждать свои решения. Самостоятельно сделанный проект даёт этим разговорам содержание. Инструмент помогает работать одному, а понимание того, кому и для чего нужна эта работа, развивается в общении.
От первой попытки расходятся три возможных пути: работа в команде, собственное дело и AI в другой профессии.
Первая попытка
Стажировка или инженерная роль
Проверить идею проекта и спрос
Использовать инструменты в знакомой области
Поддержка близких даёт пространство для попыток.
Александр в финале предложил заняться идеями, которые раньше были недоступны из-за сложности реализации, и разбирать ошибки, возникающие в такой попытке. Дальше может быть собственное дело, инженерная карьера или использование AI в другой профессии, а поддержка близких помогает выделить время и силы на работу с пока неизвестным результатом. Университет и стажировка тоже остаются путём, хотя, по замечанию Александра, мест в крупных компаниях на всех не хватит. Отказ в этой попытке найма не прекращает возможность работать над своим проектом.
Конкретные следующие задачи зависят от выбранного направления. Кому-то нужно найти наставника для разбора работы, кому-то - посильную задачу и человека, которому нужен её результат, другому - показать приобретённый опыт при отборе резюме.
К клиентскому профилю из начала статьи я поэтому возвращаюсь с той же ссылкой на репозиторий, но с более содержательным разговором за ней. Человек может показать, как выбирал задачу, что поручал агенту, почему принял решение и что пересмотрел после проверки или неудачи. Через эту работу проект становится свидетельством первого опыта, а изучение инженерии продолжается там, где следующее объяснение ещё не складывается. Именно такую готовность разбираться я хотел бы видеть у кандидата.
Для последовательного изучения этой работы я собрал программу по AI-assisted engineering. Инженерные подходы и работу с агентами можно осваивать параллельно, возвращаясь к собственному проекту по мере того, как появляются новые вопросы. А о выборе компании и способах показать свою работу на интервью я подробнее говорил в четвёртом выпуске «3 AImigo» о найме.
Источники и дополнительное чтение
- 1Пятый выпуск «3 AImigo» на YouTubeРазговор Алексея Литвинова, Александра Поломодова и Евгения Сергеева о первом инженерном опыте, обучении и найме с AI.
- 2AWS AI-Driven Development Life CycleОпубликованный пример организации разработки с AI, который Евгений предложил изучать как карту рабочего процесса.
- 3Distributed Systems, третье изданиеКнига, чтение которой Александр описал через сопоставление перевода с оригиналом.
- 4Акаш Гупта, How to Write Product Requirements That Get You PromotedДополнительное чтение о продуктовых требованиях, полезное для постановки задач агенту.
- 5MIT, материал о повторяющейся дилемме заключённыхРазбор стимулов к сотрудничеству при повторяющемся взаимодействии, дополняющий числовую аналогию из разговора.
- 6Anthropic, работа с AI и освоение навыков программированияЭксперимент с изучением незнакомой Python-библиотеки, в котором выполнение задачи и последующая проверка понимания измеряются отдельно.
- 7Google SRE, соглашения и цели уровня обслуживанияГлава о различии между показателем качества сервиса, целевым значением и соглашением с пользователями, в котором предусмотрены последствия нарушения.
- 8Google SRE, наблюдение за работой распределённых системГлава о данных, по которым исследуют поведение сервиса, и о том, когда оповещение требует реакции инженера.
- 9Google, интерактивная работа с купленными книгамиОфициальное описание Expert Intelligence, с помощью которого можно задавать вопросы по поддерживаемым книгам из Google Play Books и исследовать их содержание.
- 10Григорий Никифорович, «От оргазма до бессмертия»Авторская глава из книги о создании лекарств, которую Александр назвал среди своих прежних чтений по биотехнологиям.
- 11DeepMind, AlphaFold и структура белковОбъяснение задачи предсказания структуры белка, которое помогает разобраться в одном из понятий из биотехнологического примера Александра.
- 12O’Reilly Answers и интерактивное обучениеОписание вопросов к тексту книги, пошаговых объяснений и упражнений с кодом на учебной платформе O’Reilly.
- 13Brams и Ismail, равновесие Нэша и Парето-оптимальностьНаучная работа, в которой дилемма заключённых служит примером различия между равновесием Нэша и исходом, более выгодным для всех участников.
- 14IZA, как AI меняет требования к начинающим разработчикамИсследование вакансий в США о том, как после появления ChatGPT изменились требования к опыту и навыкам начинающих разработчиков.
- 15Strada, найм начинающих специалистов в эпоху AIОпрос работодателей в США о планах найма, изменении первых рабочих задач и опыте, который ценят у начинающих кандидатов.