Sharovatov

Эфир про доверие и метрики продуктивности с Виталием Шароватовым Собрались мы тут с Виталием @vsharovatov поговорить в прямом эфире о добром-вечном-неИИшном: как человеческое доверие влияет на метрики в командах, в основном, на примере QA У нас и повод хороший есть: ведь мы затеяли полевое исследование по сабжу. Диссертацию не обещаю, но на европейских конфах планирую светить лицом и рассказывать, сколько может стоить компаниям то, что люди друг другу не верят Через неделю мы встретимся, чтобы рассказать и обсудить с вами: - как доверие и недоверие проявляются в командах - на что смотреть в джирах, чтобы понять, что в процессах есть какое-то трение - что и как логичнее измерять: индивидуальное восприятие доверия или командное - что со всем этим добром делать Запись будет, но поразгонять мозгами вместе с нами можно будет только онлайн: приходите 11 июня, 17:00 CET / 18:00 MSK Регаться тут

иш чиво зодумали

миллион лет назад я достаточно хорошо играл в Quake 2. попробовал поднять Quake 2 на apple silicon, думал с ботами погонять, и ничего не вышло. походя удивился тому, как мало динамичных fps-стрелялок под apple silicon: попробовал dusk, prodeus, такое ощущение, что до динамичности q2 им далеко, да и стрейфджампов всяких нету 🙂 кто во что стреляет на apple silicon?

Полная программа митапа Smalltech митап Vol.3. Продуктовая аналитика Мы собрали живые ёмкие кейсы, где что-то пошло не так, пришлось изобретать, заново приоритизировать или выходить из зоны комфорта, а еще — нетипичные инструменты для работы аналитика. 1️⃣Как мы запороли A/B-тест и реанимировали его бутстрапом Регина Кравченко, продуктовый аналитик, продукт «Ипотечный брокер», М2 Честный разбор: эксперимент не взлетел, что делать — не выкидывать, а спасать статистически. Бутстрап, метрики, подводные камни. 2️⃣Текстовые комментарии к заказам как источник инсайтов: ML для продуктовых аналитиков Софроний Новиков, продуктовый аналитик, Петрович-Тех Кейс извлечения гипотез из грязных текстов — с цифрами о том, что реально нашли и как приоритизировали. 3️⃣Как ИИ ускоряет работу продуктового аналитика: от гипотезы до роадмапа за 2 дня вместо 2 недель Максим Богуславский, фаундер, Альфа-Функция Честно: где AI реально экономит часы (генерация user stories, RICE-приоритизация, суммаризация отзывов), а где — нет. С готовыми промптами и чек-листами. 4️⃣Гемба для аналитика: как 2 часа в поле генерируют гипотезы, которые не найти в дашбордах Алексей Борискин, системный аналитик, Техвилл Выход за пределы экрана: какие инсайты о продукте можно получить только «на земле» и как превратить их в проверяемые гипотезы с RICE-оценкой. 5️⃣Мастер-класс по Opportunity canvas: как не тратить спринты на фичи, которые никому не нужны Анастасия Московкина, ИнфоТеКС Участники заполнят канвас под свою гипотезу и унесут его со стола — чтобы сразу начать применять, а не просто слушать. Итого: огромная программа, потому что каждый доклад — действительно золото для практического применения. Регистрироваться на онлайн или офлайн — по ссылке. Если планируете прийти, зарегистрируйтесь заранее, пожалуйста: во спасение своей кармы и души организаторов :)

мой давний дружочек Лиза Царёва сотоварищи делает митапы смолтеховские в РФ, вот этот вот я бы пошел послушать 3 доклада и поспорить с одним (про RICE и всякие суммаризации хихи), коли б там был

потому я не советую никому использовать third-party скиллы проще свои написать и обслуживать легче https://github.com/BeyondQuality/beyondquality/blob/main/research/ap/12-using-skills.md

забавно, https://github.com/BeyondQuality/beyondquality/blob/main/research/ap/12-using-skills-correction.md уже используют люди скиллы для распространения всякой malware

AI-агент удалил продакшен-базу Сегодня наткнулся на историю, которая выглядит как самый большой страх для любого фаундера SaaS-компании. PocketOS — это софт для компаний по прокату автомобилей. Не игрушечный пет-проект, а система, на которой у клиентов завязан операционный бизнес: бронирования, выдача машин, данные клиентов и так далее. Основатель PocketOS рассказал достаточно детально, как именно все произошло: AI-агент в Cursor (на базе Claude Opus) выполнял задачу в тестовом окружении. В какой-то момент он уперся в проблему с доступами — не смог корректно подключиться к базе из-за несовпадения учетных данных. Вместо того чтобы остановиться или явно запросить помощь, агент начал разруливать ситуацию самостоятельно. Он пошел искать альтернативные пути и нашел в кодовой базе API-ключ от хостинга Railway. Этот ключ изначально вообще создавался под другую задачу — управление доменами через CLI. Но в Railway ключи не ограничены по правам: по сути любой ключ = полный админский доступ ко всему проекту. Агент сделал предположение (не проверив его), что проблема связана с неправильным состоянием окружения, и решил “починить” систему радикальным способом — пересоздать нужные ресурсы. Для этого он отправил запрос в Railway API, который удалил целый раздел, в котором жила продакшен-база. Вместе с продакшен-данными удалился и слой с бэкапами, потому что они находились в том же самом окружении и были логически привязаны к этому сервису. То есть фактически это был single point of failure: удаляешь volume — теряешь сразу всё. Единственное, что хоть как-то спасло ситуацию — старый бэкап, который лежал отдельно и был трехмесячной давности. Когда агента спросили «что ты сделал?», он честно разложил по пунктам: — сделал предположение вместо проверки; — выбрал разрушительное действие как “быстрое решение”; — не до конца понимал последствия команды; — проигнорировал ограничения в .cursorrules, которые у него были. Самое интересное в этой истории — не то, что AI ошибся. Ошибаются все: люди, скрипты, деплой-пайплайны, облачные провайдеры. Интересно другое: мы начинаем давать AI-инструментам доступ к системам, где цена ошибки может быть очень высокой. Поэтому AI не отменяет базовые инженерные практики. Скорее наоборот — делает их еще важнее. • прод и тест должны быть жестко разделены; • API токены должны иметь минимально необходимые права; • destructive actions должны требовать явного подтверждения (хотя это не гарантия, агент явно их проигнорировал); • бэкапы должны лежать отдельно от основной инфраструктуры; • у агента не должно быть доступа туда, куда страшно дать доступ человеку без онбординга. В итоге Railway вроде бы смогли восстановить данные, но сама история очень показательная. Мы быстро идем в мир, где AI-агенты будут не только писать код, но и выполнять работу в реальных системах. И вопрос уже не в том, будут ли они ошибаться. Будут. И именно поэтому я занимаюсь тем чем занимаюсь. Оригинальный тред: https://x.com/lifeof_jer/status/2048103471019434248?s=20

с агентами я не только код пишу, но и занимаюсь другими делами, не связанными с программированием: обслуживаю планирование всех ивентов, обсуждаю рисёрчи на beyondquality, пишу статьи, и проч. моя память сильно хуже, чем хранилище маркдаун-файлов :) и товарищам коллегам из маркетинга ихошние агенты (ну точнее процессы работы с агентами) помогаю регулярно делать и обслуживать. в процессе выкристаллизовываются всякие принципы, по которым не-программистские агенты стоит делать публикую тут: https://github.com/BeyondQuality/beyondquality/tree/main/research/ap

Полностью переписал рисерч этот. от анализа того, как работало тестирование до AI (и почему “тестирование-после” уже не работало нормально) и почему оно особенно плохо работает сейчас и до гипотезы о том, а что же с этим всем делать. буду допинывать рисёрч дальше, попробую собрать эксперимент и провести.