Канал про AI в реальной работе — без хайпа, только практика.

Привет. Я Кирилл — автор @android_broadcast и занимаюсь мобильной разработкой с 2012 года. Долго отрицал AI в разработки, но модели Claude с версии 4.5 и Codex 5.2 смогли меня здорово переубедить в видение будущего разработки.

В канале не будет про потока новостей "Вышла новая модель A которая стала быстрее на N% и уделала всех конкурентов", а то что реально интересно мне в разработке с помощью ИИ:
👉 как применяю AI в разработке и управлении командой
👉 что попробовал, что зашло, что нет
👉 находки и кейсы, которые не влезают в @android_broadcast

🪙 Больше изысканий по теме AI в мобильной разработки будет в моем Boosty

💡 MCP-серверы, которые я использую в Claude

Это моя текущая подборка на момент написания поста. Всё может измениться: что-то отключу, что-то добавлю, что-то найду лучше. MCP-стек — это живая история, не разовая настройка.

Что у меня сейчас подключено в Claude Code:

👉 google-dev-knowledge — документация Google для разработчиков прямо в контексте. Для Android критично: без него модель регулярно выдаёт устаревший или несуществующий API.

👉 Ref — поиск по технической документации с минимальным расходом токенов. В отличие от Context7, не тащит сразу 10k токенов — ищет точечно и читает конкретные страницы по мере необходимости.

👉 DeepWiki — AI-генерируемая wiki по любому публичному GitHub-репозиторию. Когда нужно разобраться в архитектуре незнакомой библиотеки — быстрее, чем читать исходники.

👉 Context7 — подтягивает актуальную, версионированную документацию по конкретным библиотекам прямо в промпт.

👉 maven-mcp — актуальные версии зависимостей из Maven Central. Больше не нужно идти на сайт проверять, что сейчас stable. Собственная разработка

👉 Playwright — автоматизация браузера. Использую когда нужно что-то распарсить или автоматизировать сценарии.

👉 Xcode MCP — сборка, тестирование и работа с симулятором прямо из Claude. Нужен XCode 26.3

👉 IDEA MCP — официальный плагин JetBrains, встроен в IDE начиная с 2025.2. Позволяет Claude работать с открытым проектом напрямую.

👉 Claude-in-mobile - взаимодействие с эмуляторами и устройствами для проверки работы приложений. Фактически выполняет то, что делает тестировщик руками.

Три базы документации одновременно — осознанно. Они покрывают разные ситуации: Context7 — когда знаешь библиотеку и хочешь свежую документацию по ней, DeepWiki — когда нужно понять незнакомый репозиторий целиком, Ref — когда важна точность и экономия контекста. На практике пересекаются редко, модель сама выбирает нужный инструмент. Если бы выбирал минимальный набор — оставил бы Ref и DeepWiki.

И главное правило, которое я для себя вывел: не подключай всё подряд сразу. Подключай MCP/плагины по мере нехватки — почувствовал, что постоянно даёшь модели одну и ту же информацию вручную, вот тогда и смотри. И помни: всегда можно написать маленький свой MCP поверх любого инструмента, если готового нет.

💬 Делитесь в комментариях MCP которые подключили, а может написали и реально прокачивают разработку

#Claude #MCP #AndroidDev #AI

🏝 Tracy — библиотека AI-observability для Kotlin

Чем больше строишь AI-агентов, тем острее чувствуешь одну проблему: LLM-вызовы — это чёрный ящик. Что-то пошло не так, токены улетели, инструмент вызвался не туда — а ты смотришь в логи и гадаешь. Стандартные инструменты observability для этого не приспособлены: они не понимают ни структуру агентов, ни tool-вызовы, ни что вообще происходит между запросами к модели.

JetBrains выпустили 🐱 Tracy — open-source Kotlin-библиотеку, которая закрывает именно этот пробел. Под капотом OpenTelemetry, так что данные уходят в любой совместимый бэкенд.

Что она умеет:

1️⃣ Трейсинг LLM-клиентов — instrument(client) одной строкой, и все вызовы к OpenAI, Anthropic, Gemini автоматически трейсятся. По умолчанию только метаданные, входные/выходные данные включаются отдельно — разумно для продакшна

2️⃣ Трейсинг кода — withSpan { } оборачивает любой блок, всё внутри становится дочерними спанами. Видно, откуда вызов, сколько занял, что происходило рядом

3️⃣ @Trace на интерфейсах — аннотируешь один раз интерфейс Tool, и все реализации трейсятся автоматически. Новые инструменты не потеряются

Интегрируется с OkHttp и Ktor-клиентами, экспортирует в Jaeger, Langfuse, W&B Weave и любой OpenTelemetry-бэкенд.

Аудитория у библиотеки конкретная — те, кто пишет AI-агентов и бэкенд-сервисы с LLM на Kotlin. Не Android, не KMP — именно серверная история. Если вы экспериментируете с агентами на Kotlin или уже катите что-то в продакшн, Tracy выглядит как недостающий кусок пазла.

🔗 Источник: Kotlin Blog

#Kotlin #AI