ИИ-агенты, локальные модели и инженерные практики: итоги ноября на Хабре

Коротко

• ИИ-агенты научились работать с графическими интерфейсами, что требует пересмотра дизайна ПО.
• Появились компактные локальные модели с функцией вызова инструментов (tool calling).
• Растет спрос на структурирование требований к ПО и документации для ИИ.
• ClickHouse остается ключевым инструментом для аналитики больших данных, например, в блокчейне.
• Сообщество активно делится практическим опытом через статьи и мероприятия.

Эволюция ИИ: от помощника к агенту

Что случилось

Искусственный интеллект перешел на новый уровень, научившись напрямую взаимодействовать с компьютерными интерфейсами: видеть экраны, кликать кнопки, писать и проверять код. Это превращает ИИ из инструмента, выполняющего команды, в автономного агента, работающего в средах, созданных для людей.

Почему важно

Это фундаментальный сдвиг. Веб-интерфейсы, приложения и API проектировались для человеческого восприятия и логики. Теперь разработчикам приходится задумываться о том, как их продукты будут «понимать» и использовать ИИ-агенты, что требует новых подходов к проектированию и документированию.

Кому важно

Всем, кто создает программное обеспечение, веб-сервисы или цифровые продукты. Особенно архитекторам, UX/UI-дизайнерам и техническим писателям, которым предстоит адаптировать свои практики.

Что делать

Начинать изучать, как ИИ-агенты воспринимают интерфейсы, и экспериментировать с написанием документации (например, README-файлов), ориентированной на их «понимание». Следить за развитием стандартов и лучших практик в этой новой области.

Источник

Как ИИ научился пользоваться компьютером и почему интернет к этому не готов — лучшие статьи ноября 2025

Локальные модели с расширенными возможностями

Что случилось

Развиваются компактные языковые модели, которые не только генерируют текст, но и способны выполнять функцию tool calling — вызывать внешние инструменты и API. Это позволяет создавать мощные локальные приложения, не зависящие от облачных сервисов.

Почему важно

Такие модели открывают путь к более дешевым, быстрым и конфиденциальным ИИ-решениям. Их можно развертывать на edge-устройствах или в корпоративных сетях, что критично для задач, требующих обработки чувствительных данных или работы в условиях ограниченного подключения.

Кому важно

Разработчикам, которые внедряют ИИ в конечные продукты, энтузиастам локального ИИ, компаниям с жесткими требованиями к безопасности и задержкам данных.

Что делать

Изучать архитектуры и методы обучения, позволяющие малым моделям достигать высокой функциональности. Экспериментировать с подобными моделями для создания автономных агентов или ассистентов.

Источник

Локальный Tool Calling или «У нас есть BFCL-V4 дома»

Инженерные практики в эпоху ИИ и больших данных

Что случилось

Сообщество продолжает углубляться в фундаментальные и прикладные инженерные дисциплины. Актуальными темами стали систематизация требований к ПО, написание документации для ИИ-агентов и практический опыт работы со специализированными СУБД, такими как ClickHouse, для аналитики блокчейн-данных.

Почему важно

Базовые инженерные навыки не теряют актуальности на фоне хайпа вокруг ИИ. Напротив, сложность систем растет, и без четкой структуры требований, качественной документации и умения работать с данными в масштабе эффективная разработка невозможна.

Кому важно

Системным аналитикам, архитекторам, бэкенд- и data-инженерам, а также всем, кто стремится к созданию надежных и поддерживаемых систем.

Что делать

Обращаться к проверенным методикам классификации требований. Учиться формулировать задачи и документацию так, чтобы их понимали не только коллеги, но и ИИ-агенты. Изучать кейсы применения специализированных баз данных вроде ClickHouse для своих областей.

Источник

Классификация требований к ПО в виде иерархии, Как писать README-файлы для ИИ-агентов, Как я вкатывался в Clickhouse

Риски и неопределенности

• Безопасность и надежность ИИ-агентов, взаимодействующих с критической инфраструктурой, не уточняется в источниках.
• Скорость адаптации индустрии к проектированию «ИИ-дружелюбных» интерфейсов может отставать от темпов развития самих агентов.
• Эффективность и границы применения компактных локальных моделей с tool calling требуют дальнейшего изучения и тестирования.
• Качество и структура входных данных (требований, документации) становятся еще более критичным фактором успеха проекта.

Ноябрь показал, что развитие ИИ все теснее переплетается с классической software engineering. Будущее за гибридными подходами, где мощные агенты опираются на четкие инженерные процессы и качественные данные.