От моделей к рабочим системам
AI-практикой занимаюсь с 2023 года. Начинал с GPT, prompt engineering, сценариев ChatGPT и кастомных GPTs, но довольно быстро стало понятно: ценность появляется не в самом диалоге с моделью, а в системе вокруг неё.
Следующим шагом стали Telegram-боты, память, RAG, базы данных и автоматизации. Затем - серверы, SSH, Docker, WSL, VM, сетевые вопросы и эксплуатация сервисов, которые должны работать не только на демонстрации.
В 2024-2025 годах отдельной практической линией были системы мониторинга крипторынка и сигнальные контуры 24/7. Этот опыт сильно закрепил инженерный подход: наблюдаемость, сбои, восстановление и цена неконтролируемого изменения важны не меньше основной логики.
Дальше фокус сместился к agent engineering
OpenClaw стал собственным production/operator контуром и хорошей школой эксплуатации AI-агента: Telegram, память, интеграции, update, backup, rollback и recovery.
Работа с Codex и OsEngine привела к идее portable agent layer: профессиональные правила, routing и skills должны переноситься между runtime, а не жить внутри одного интерфейса.
Hermes / Atlas добавили ещё один слой - knowledge engineering. Недостаточно просто положить документы в vector store: нужны currentness, provenance, validation, staged release и acceptance retrieval.
Как я смотрю на клиентские задачи
Не начинаю с вопроса «какую модель поставить». Сначала смотрю на процесс, данные, ограничения, инструменты и цену ошибки. Иногда нужен агент, иногда RAG, иногда обычная интеграция без LLM.
Если AI имеет смысл, предпочитаю путь диагностика → один проверяемый MVP → production. Так проще понять пользу до того, как система станет дорогой и сложной.