Про очарование и разочарование от Cursor AI
Попробовала Cursor (IDE со встроенным ИИ) для нескольких целей. Одна из ключевых — посмотреть, как инициализируется memory bank, когда у агента есть доступ ко всему репозиторию.
Это как раз та возможность, которая меня как системного аналитика одновременно обрадовала, и смутила. Я долго сомневалась, что LLM может хоть как-то автоматизировать работу СА: ведь ценность аналитика — в глубоком понимании контекста, а не просто в генерации требований. Но всё же решила проверить.
Взяла случайный Kaggle-проект, задала специальный промт, «скормила» описание задачи, сырые данные и верхнеуровневые рамки (правила у меня уже были). За считанные минуты агент выдал довольно годный контекст: выделил ключевые гипотезы, отметил, что требует уточнения, а что можно брать в работу сразу. Даже составил приоритетный план действий, исходя из целей исследования и проблем в данных.
Если немного донастроить промты, такой подход может генерировать неплохую документацию по проекту — и, что особенно ценно, поддерживать её в актуальном состоянии. А на это у аналитиков, как правило, рук не хватает. Звучит заманчиво, правда?
Но тут же подкрадывается существенный минус.
Представьте команду, где каждый работает локально со своей IDE + AI. Каждый выбирает удобную модель, быстро пишет код, а memory bank обновляется параллельно — с новыми интерпретациями, допущениями, иногда даже противоречиями и, конечно, галлюцинациями. Всё это в итоге сливается в одну репу.
А кто будет валидировать изменения в memory bank?
Кто задаст правила, ограничивающие галлюцинации?
Кто обеспечит единообразие формата и логики обновлений?
И главное — кто станет Хранителем этого банка знаний? 🔍😤
Я, конечно, утрирую — такой процесс ещё нужно выстроить. Но перспектива не слишком радужная. Вряд ли системные аналитики мечтали превратиться в архивариусов.
Даже безопасникам, которые запрещают такое в кровавом энтерпрайзе, захотелось сказать спасибо)
А если рассматривать Cursor вне enterprise-контекста?
Для личных и учебных DS-проектов он оказался полезен:
— автоматизация подготовки репозитория: помог быстро сгенерировать структуру, но… насоздавал слишком много каталогов. Пришлось чистить, все еще ИИ не чувствует грань между «хорошо» и «избыточно».
— агенты и моды: перед написанием кода можно проговорить с ИИ гипотезы, риски, альтернативы, учитывая все то, что лежит в исходниках.
— реверс-инжиниринг: когда код есть, но к его автору нет доступа, тут отличная помощь в прочтении исходников и угадывании, что имелось в виду;
— это однозначная победа над страхом чистого листа и когда не знаешь, как подступиться к проекту.
🦦Но! Это точно не инструмент для джунов, которые учатся программировать. Он не научит мыслить как разработчик — лишь ускорит того, кто уже все умеет и задолбит все исправлять. Навайбкодить что-то, конечно, можно, но элегантным и лаконичным этот код точно пока не будет (ну и к безопасности много вопросиков).
И ещё пара минусов:
· дёшево генерировать — дорого согласовать. Легко накидать код, но потом часами выяснять, почему он работает «не так, как ожидалось».
· зависимость от зарубежного решения. Даже оплаченную подписку могут отменить в одностороннем порядке (как с тем же Perplexity).
· скорость vs качество. Генерация быстрая, но часто поверхностная. Требует ручной проверки и рефакторинга.
· лёгкий дофамин. Втягивает, как соцсети. Задачи быстрее закрываются, но думать на такой скорости уже не успеваешь основательно.
· безопасность. Загружать коммерческий или чувствительный код в сторонний сервис — сомнительное удовольствие.
Какой может быть выход? — локально развернуть open-source аналог. Например, VS Code + плагин + локальная LLM ( при помощиOllama, LM Studio) + свои правила для memory bank. Это сложнее, медленне, но безопаснее и контролируемее. Ну и без выстраивания процессов в команде с учётом использования ии, если планируется генерация и поддержание memory bank, никуда.
😳Делитесь вашим опытом, что используете и для чего?
Попробовала Cursor (IDE со встроенным ИИ) для нескольких целей. Одна из ключевых — посмотреть, как инициализируется memory bank, когда у агента есть доступ ко всему репозиторию.
Подробнее про концепцию memory bank можно прочитать [тут] или [тут]
Это как раз та возможность, которая меня как системного аналитика одновременно обрадовала, и смутила. Я долго сомневалась, что LLM может хоть как-то автоматизировать работу СА: ведь ценность аналитика — в глубоком понимании контекста, а не просто в генерации требований. Но всё же решила проверить.
Взяла случайный Kaggle-проект, задала специальный промт, «скормила» описание задачи, сырые данные и верхнеуровневые рамки (правила у меня уже были). За считанные минуты агент выдал довольно годный контекст: выделил ключевые гипотезы, отметил, что требует уточнения, а что можно брать в работу сразу. Даже составил приоритетный план действий, исходя из целей исследования и проблем в данных.
Если немного донастроить промты, такой подход может генерировать неплохую документацию по проекту — и, что особенно ценно, поддерживать её в актуальном состоянии. А на это у аналитиков, как правило, рук не хватает. Звучит заманчиво, правда?
Но тут же подкрадывается существенный минус.
Представьте команду, где каждый работает локально со своей IDE + AI. Каждый выбирает удобную модель, быстро пишет код, а memory bank обновляется параллельно — с новыми интерпретациями, допущениями, иногда даже противоречиями и, конечно, галлюцинациями. Всё это в итоге сливается в одну репу.
А кто будет валидировать изменения в memory bank?
Кто задаст правила, ограничивающие галлюцинации?
Кто обеспечит единообразие формата и логики обновлений?
И главное — кто станет Хранителем этого банка знаний? 🔍😤
Я, конечно, утрирую — такой процесс ещё нужно выстроить. Но перспектива не слишком радужная. Вряд ли системные аналитики мечтали превратиться в архивариусов.
Даже безопасникам, которые запрещают такое в кровавом энтерпрайзе, захотелось сказать спасибо)
А если рассматривать Cursor вне enterprise-контекста?
Для личных и учебных DS-проектов он оказался полезен:
— автоматизация подготовки репозитория: помог быстро сгенерировать структуру, но… насоздавал слишком много каталогов. Пришлось чистить, все еще ИИ не чувствует грань между «хорошо» и «избыточно».
— агенты и моды: перед написанием кода можно проговорить с ИИ гипотезы, риски, альтернативы, учитывая все то, что лежит в исходниках.
— реверс-инжиниринг: когда код есть, но к его автору нет доступа, тут отличная помощь в прочтении исходников и угадывании, что имелось в виду;
— это однозначная победа над страхом чистого листа и когда не знаешь, как подступиться к проекту.
🦦Но! Это точно не инструмент для джунов, которые учатся программировать. Он не научит мыслить как разработчик — лишь ускорит того, кто уже все умеет и задолбит все исправлять. Навайбкодить что-то, конечно, можно, но элегантным и лаконичным этот код точно пока не будет (ну и к безопасности много вопросиков).
И ещё пара минусов:
· дёшево генерировать — дорого согласовать. Легко накидать код, но потом часами выяснять, почему он работает «не так, как ожидалось».
· зависимость от зарубежного решения. Даже оплаченную подписку могут отменить в одностороннем порядке (как с тем же Perplexity).
· скорость vs качество. Генерация быстрая, но часто поверхностная. Требует ручной проверки и рефакторинга.
· лёгкий дофамин. Втягивает, как соцсети. Задачи быстрее закрываются, но думать на такой скорости уже не успеваешь основательно.
· безопасность. Загружать коммерческий или чувствительный код в сторонний сервис — сомнительное удовольствие.
Какой может быть выход? — локально развернуть open-source аналог. Например, VS Code + плагин + локальная LLM ( при помощиOllama, LM Studio) + свои правила для memory bank. Это сложнее, медленне, но безопаснее и контролируемее. Ну и без выстраивания процессов в команде с учётом использования ии, если планируется генерация и поддержание memory bank, никуда.
😳Делитесь вашим опытом, что используете и для чего?