Мастерство по-прежнему рождается из повторений

Адди Османи подчёркивает: зрелое инженерное суждение вырастает из тысяч мелких подходов — отладки упавших тестов, анализа чужих пулл-реквестов и жизни с неудачными архитектурными решениями до момента, когда система даёт сбой в продакшене.

Схема конспекта: разрыв в накоплении ментальной модели

рис. 1 из статьи

Агент способен написать код любого модуля. Однако решение о том, стоило ли вообще писать этот код и выдержит ли он реальную эксплуатацию, целиком лежит на инженере.

рис. 2 из статьи

🧩Способность 1: Глубокая экспертиза (Deep Expertise)

«Что должно произойти»: способность понять домен задачи настолько точно, чтобы сформулировать критерии качественного результата. Сюда входит понимание потребностей пользователей, поведения реальной распределённой системы и пограничных случаев, делающих фичу бесполезной.

⚖️Способность 2: Прикладное суждение (Applied Judgment)

«Что убедит меня в успехе»: инженерный вкус, превращённый в чёткий проверяемый план. Выбор контекста для агента, выставление нерушимых ограничений и проектирование тестов, делающих понятие «хорошо» измеримым.

В исследовании Anthropic (2026) инженеры изучали Python-библиотеку асинхронного программирования Trio. Результаты показали значимый разрыв в глубоком понимании между ручной разработкой и бесконтрольной генерацией.

рис. 3 из статьи

1️⃣До первого промпта

Сформулируйте собственную гипотезу о причинах бага или структуре решения. Пусть агент проверит её, а вы сравните ход своих мыслей с выводом модели.

2️⃣Во время работы агента

Регулярно спрашивайте: «Почему именно эта библиотека?», «Какие альтернативы были отброшены?», «Какие допущения о системе сделаны?»

3️⃣В момент сдачи патча (Чтение diff)

Не нажимайте «Merge» вслепую. Спросите себя: «Что в этом изменении может упасть под нагрузкой или на граничных данных?»

4️⃣Периодически пишите руками

Особенно в новых или критических частях стека. Ручной труд медленнее, но это единственный способ закрепить физику работы фреймворка.

Вы можете запромптить только то, что способны вообразить. Но в кодовой базе останется только то, что вы способны строго проверить и подтвердить.

рис. 4 из статьи

typescript в статье

// Контракт верификации: формализуем требования для агента
interface TaskVerificationContract {
  // Пол (Floor): условия, без которых патч бракуется
  floor: {
    maxMobileFrameDrop: "0 frames / 60fps";
    memoryLeakTolerance: "0 MB after 100 interaction cycles";
    requiredTests: [
      "touch-interaction-gesture.spec.ts",
      "webgl-fallback-context-loss.spec.ts"
    ];
  };
  // Потолок (Ceiling): продуктовая гипотеза инженера
  ceiling: {
    experience: "Интерактивный виниловый проигрыватель 90-х";
    validationMethod: "Trace profiling in Chrome DevTools";
  };
}

Адди Османи не призывает отказываться от ИИ: он сам запускает по 5–10 агентских сессий одновременно. Но пропускная способность агентов масштабируется быстрее человеческого внимания.

Если не сохранять выводы в постоянные файлы проекта, каждый новый запуск агента ощущается как онбординг нового стажёра с амнезией, не знающего нюансов архитектуры и предпочтений команды.

Схема конспекта: разделение циклов усвоения знаний

рис. 5 из статьи

Искусственный интеллект перемещает разработку на новый уровень абстракций. Чем больше агентов вы можете запускать параллельно, тем важнее направлять ограниченное время и суждение на внешний контур управления.

Интерактивный маршрут по главам оригинального текста со ссылками на первоисточник.

1. Mastery still comes from doing the reps

читать в статье ↗

Опыт рождается из проб, ошибок и отладки. Агенты срезают эту петлю, поэтому повторения нужно выстраивать намеренно.

рис. 1

2. The short-circuit: короткое замыкание обучения

читать в статье ↗

ИИ-лаборатории фокусируются на скорости выдачи ответа, а не на вашем образовании. Джуниорам требуется проактивность.

рис. 2

3. A completed task is not necessarily a rep

читать в статье ↗

Анализ исследования Anthropic по Trio (50% против 67%). Четыре точки замедления для сохранения навыка.

рис. 3

4. Use them aggressively anyway & A thousand hours in DevTools

читать в статье ↗

Не романтизируйте ручной набор каждого символа. Масштабируйте агентов, но держите фокус на внимании и производительности.

5. You can only prompt what you can imagine

читать в статье ↗

Воображение как верхний предел, верификация как нижний порог надежности системы.

рис. 4

6. Does the next generation need the expertise?

читать в статье ↗

Исследование 400 000 сессий Claude Code: даже базовое понимание домена резко увеличивает шансы на верифицированный успех.

7. Put the lesson where the next agent can find it & The outer loop

читать в статье ↗

Двойной цикл обучения. Защита от потери контекста между сессиями. Управление внешним контуром разработки.

рис. 5

Практический чек-лист внедрения идей статьи в повседневную разработку с AI-ассистентами.