Вся история с подходами к ИИ мне немного напоминает найм сотрудника, от которого сначала ждёшь магии, а потом постепенно понимаешь, что ему ещё надо объяснить задачу, показать, где лежат документы, и проверить, что он вообще сделал.
Если упростить, то развитие этих подходов выглядит примерно так.
Потом фокус сместился на Context Engineering, потому что даже лучшему маркетологу неплохо бы рассказать, что мы продаём, кому и почему у нас половина клиентов не возвращается. Начали думать, какие данные дать модели и как сделать, чтобы среди всего этого она нашла нужное.
Дальше Loop Engineering: с первого раза получилось так себе, поэтому давай организуем цикл, в котором ИИ сделает, проверит, исправит и попробует ещё раз. Тут уже надо разобраться, что считать хорошим результатом и когда пора остановиться, иначе сотрудник будет занят вечно.
Есть ещё Harness Engineering, где мы собираем всё окружение для работы агента: инструменты, инструкции, ограничения, проверки. Даже с готовым Codex эту работу под конкретный проект приходится делать, у [OpenAI есть подробный разбор](https://openai.com/index/harness-engineering/).
А когда нужно связать несколько шагов, предусмотреть разные варианты и решить, куда процесс пойдёт после очередной проверки, появляется Graph Engineering. Сами графы и управление такими переходами давно используются, тот же [LangGraph представили ещё в 2024 году](https://www.langchain.com/blog/langgraph).
И вот ты уже читаешь про пять направлений инженерии, хотя изначально хотел, чтобы отчёт собирался без твоего участия 😁
Понятно, что это не строгая смена поколений, все эти подходы могут работать вместе. Просто каждое следующее название подаётся так, что хочется бросить всё и срочно его изучать.
Мне во всей этой истории интересно, в какой момент мы начнём так же увлечённо обсуждать, что у кого заработало и сколько времени сэкономило. Потому что словарный запас у нас уже отличный, теперь бы до отчёта добраться =)
Если упростить, то развитие этих подходов выглядит примерно так.
Сначала был Prompt Engineering, когда мы пытались подобрать правильные слова, чтобы нейронка выдала нужный результат. «Ты лучший маркетолог в мире, у тебя 20 лет опыта, за хороший ответ дам тебе 200 долларов». Казалось, где-то существует идеальный промпт, надо только его найти.
Потом фокус сместился на Context Engineering, потому что даже лучшему маркетологу неплохо бы рассказать, что мы продаём, кому и почему у нас половина клиентов не возвращается. Начали думать, какие данные дать модели и как сделать, чтобы среди всего этого она нашла нужное.
Дальше Loop Engineering: с первого раза получилось так себе, поэтому давай организуем цикл, в котором ИИ сделает, проверит, исправит и попробует ещё раз. Тут уже надо разобраться, что считать хорошим результатом и когда пора остановиться, иначе сотрудник будет занят вечно.
Есть ещё Harness Engineering, где мы собираем всё окружение для работы агента: инструменты, инструкции, ограничения, проверки. Даже с готовым Codex эту работу под конкретный проект приходится делать, у [OpenAI есть подробный разбор](https://openai.com/index/harness-engineering/).
А когда нужно связать несколько шагов, предусмотреть разные варианты и решить, куда процесс пойдёт после очередной проверки, появляется Graph Engineering. Сами графы и управление такими переходами давно используются, тот же [LangGraph представили ещё в 2024 году](https://www.langchain.com/blog/langgraph).
И вот ты уже читаешь про пять направлений инженерии, хотя изначально хотел, чтобы отчёт собирался без твоего участия 😁
Понятно, что это не строгая смена поколений, все эти подходы могут работать вместе. Просто каждое следующее название подаётся так, что хочется бросить всё и срочно его изучать.
Мне во всей этой истории интересно, в какой момент мы начнём так же увлечённо обсуждать, что у кого заработало и сколько времени сэкономило. Потому что словарный запас у нас уже отличный, теперь бы до отчёта добраться =)