[2/2] Retired Netflix Engineering Director On Regrets, Video Engineering, Hiring Stories (Рубрика #Engineering)

В продолжении этого крутого интервью, я хотел бы поделиться выводами из него для инженеров и технических руководителей.

Что это значит для разработчиков (IC)
- Если ты single point of failure - это не "круто", это риск. Документация, runbook’и, ротации on-call, передача контекста, “absence drill” (плановая недоступность) — это то, что делает команду взрослой.
- Собирай "evidence of impact" до того, как тебя об этом попросят. Простая привычка: раз в месяц фиксировать “что сделал → какой эффект → какие риски снял → какие метрики/сигналы подтверждают”. Это помогает и в оценке, и в повышении, и в переговорах.
- Не путай "много работал" с "много решил". В разговоре красной нитью: часы - плохой KPI. Системы и команды должны работать так, чтобы не требовать постоянного героизма.
- Про собесы: будь готов к стандартизированным фильтрам, но выигрывает инженерная зрелость. Умение рассуждать про trade‑offs, неопределённость, дизайн систем и реальные решения - то, что отличает сильных на дистанции.

Что это значит для техлидов и технических руководителей
- Культура должна "исполняться", а не декларироваться. Например, "No brilliant jerks" работает только когда есть реальный enforcement: обратная связь, понятные ожидания и готовность расставаться даже с сильными, если они ломают команду.
- Сделайте отпуск диагностическим инструментом. "Vacation/bus‑factor тест": кто уходит на неделю → что ломается → какие знания/доступы/процессы надо распаковать из головы в систему.
- Видимость вклада - это инфраструктура роста. Не обязательно сразу “как в Meta”. Но вам нужна лёгкая версия: цели → зафиксированный impact → регулярная синхронизация ожиданий между командами, иначе на масштабе всё начнёт “тонуть в тумане”.
- Найм: определитесь, что вы реально измеряете, и структурируйте процесс. Если хотите системное мышление и зрелость - добавляйте этапы, которые это проявляют (work‑sample / разбор реального кейса / обсуждение решений при неполных данных), а не только "задачки".
- Компенсируйте перекос в индивидуальной аттрибуции резульататов. Если "светится" только личный вклад - получите локальную оптимизацию. Добавляйте командные сигналы, качество взаимодействия, ownership на длинной дистанции, культуру совместного результата.

#Culture #Management #Leadership #Processes #Engineering #Software #Career #Interview

Building AI-Powered Products (Рубрика #AI)

Прочитал интересную книгу Marily Nika, AI Product Lead (Google, ex‑Meta) и основателя AI Product Academy. Marily рассказывает в ней про то, как выглядит отдельная дисциплина AI product management и как определить, а что именно строим, как меряем качество продукта, сколько это будет стоить в продакшене и почему пользователи не уйдут через неделю. Эта книга вышла в феврале 2025 года и пыталась выдать плейбук, который связывает идею → продуктовую ценность → архитектуру → эксплуатацию → метрики → риски. В ней рассматривались вопросы вида
- Как выбирать AI сценарии, которые приносит value, а не "потому что модно"
- Как думать про измерение успеха: оффлайн‑метрики, human eval, мониторинг в проде
- Как оценивать trade‑offs: качество vs latency vs стоимость инференса vs риски
- Как выстроить работу продакт менеджеров, инжиниринга, data science и research, чтобы ожидания совпали
- Как быть с этикой и compliance: данные, приватность, "галлюцинации", ответственность за работу моделей

Если говорить про содержание книги, то она состоит из preface, 8 глав и appendix.

Chapter 1. The Role of AI Product Managers
Здесь автор рассказывает про роль AI продакт менеджеров и как развивалась эволюция AI: традиционный AI → GenAI → грядущий AGI. Какие особенно у AI продуктов, включая вероятностную природу, зависимость от данных, дрифт моделей, требования к интерпретируемости/объяснимости, автоматизированные решения, масштабируемость и влияние этого всего на UX. Тут же описывается какой набор скиллов требуется для AI продакт менеджеров

Chapter 2. The AI Product Development Lifecycle
Здесь автор рассказывает про каркас AI Product Development Lifecycle (AIPDL) и проводит по стадиям:
- Типы AI‑продуктов: 0‑to‑1 (новый продукт) vs 1‑to‑n (AI‑фичи в существующем) (напоминает историю "Zero to One" Питера Тиля)
- Этап Ideation (в т.ч. брейншторм и приоритизация через RICE
- Этап Opportunity: product‑market fit + бизнес‑viability (ROI/монетизация/риски/регуляторика), реализуемость и desirability,
- Concept & Prototype: прототип "хардкодом", проверка интеграции, доменная экспертиза, ценность "с первого дня",
- Testing & Analysis и Rollout

Chapter 3. Essential AI PM Knowledge
В этой главе автор рассказывает про базовые практики продакт менеджмента, классическую оценку build vs buy, лидерство и коммуникации, связь с инженерной командой, базовые технические концепции и так далее. В общем этакий product management 101.

Chapter 4. The AI PMs Day‑to‑Day
Здесь автор рассказывает про карьерную лестницу AI PM: execution → AI/ML PM → стратегическое лидерство. Дальше она приводит примеры людей, которые работали в этих ролях в разных компаниях. Здесь же идет рассказ про выстраивание кросс‑функциональных взаимодействий в командах.

Chapter 5. Strategic Thinking in AI
Здесь речь про стратегию и "правильные вопросы" до того, как писать код:
- Когда AI может быть не ответом,
- Disruptive vs sustaining и как не проиграть “innovator’s dilemma”,
- AI‑стратегия build vs buy (матрица решения + гибридные подходы),
- Data‑стратегия: synthetic vs real‑world data,
- Выбор подхода: fine‑tuning vs RAG vs grounding + фреймворк принятия решения,
- Product reviews как инструмент получения buy‑in от руководства.

Chapter 6. Setting Goals and Measuring Success
Здесь автор рассказывает про метрики и измеримость: product health, system health, ai proxy metrics. Как собирать OKR.

Chapter 7. AI Tools for Product Managers
Обзор классов инструментов для поддержки AIPDL и инструментов для совместной работы.

Chapter 8. Building AI Agents
Глава про агентные продукты, что это такое и как "сконструировать" агента под продукт: вертикальный vs general‑purpose, activation, autonomy, feedback/learning.

#ProductManagement #Software #SoftwareDevelopment #AI #Engineering #Management #Leadership

Svelte Origins: A JavaScript Documentary (Рубрика #Frontend)

Посмотрел очередной интересный документальный фильм на этот раз про фреймворк Svelte и его историю по конец 2021 года.
В документалке мы видим ключевых персонажей коммьюнити
- Rich Harris (создатель Svelte) и его путь: от задач интерактивной визуализации к идеям Svelte
- Guillermo Rauch (CEO Vercel) - про переход Rich Harris в Vercel и последствия для проекта
- Orta Therox (инженер TypeScript Compiler) - зачем Svelte нужен TypeScript и как его внедряли
- Amelia Wattenberger (GitHub Next) - про DevEx и "удовлетворённость" пользователей
- м ногие другие

Основные инсайты истории следующие
1. Svelte = компиляторный подход: максимум работы делается на этапе сборки, в браузере - минимум “фреймворк‑рантайма”. Идея - меньше JS в проде и проще держать performance budget.
2. Отказ от Virtual DOM - не хайп, а инженерный выбор: обновления DOM специализируются под конкретные компоненты ещё на build‑time.
3. Истоки в "враждебном продакшене": интерактивная журналистика/визуализации, дедлайны, куча сторонних скриптов (реклама/аналитика), строгие ограничения по весу и скорости - отсюда мотивация "делать меньше в браузере".
4. Svelte вырос из опыта Ractive.js: осознание, что прошлые подходы дают лишнюю сложность/издержки, и это можно переупаковать в компиляцию.
5. V1 → V3 как история про DevEx: подчёркивается, что "приятность разработки" - часть идеологии, а не побочный эффект оптимизаций.
6. TypeScript - не "приятный бонус", а блокер адопшна. Подробнее про TypeScript и его историю развития можно посмотреть в документалке
7. Комьюнити - это усилитель экосистемы: Svelte Summit + Svelte Society как инфраструктура онбординга, контента, пакетов и "социального доказательства"
8. Профессионализация через Vercel: Rich получает возможность заниматься Svelte full‑time, при этом отдельно проговаривается независимость governance
Отдельно стоит отметить, что это история на конец 2021 года, когда был снят ролик, а не актуальное состояние фреймворка и планов его развития.

Что это значит для разработчиков
- Если у вас жёсткие бюджеты по JS/TTI/LCP и много интерактива - Svelte логично тестировать как кандидат: философия проекта про это.
- Делайте пилот вертикальным слайсом (одна реальная фича/экран), а не демкой: сравните bundle size, LCP/TTI, скорость доставки и "количество слоёв абстракций".
- Если в компании TS - начинайте пилот сразу с TypeScript, потому что TS‑поддержка в видео явно показана как важнейший запрос рынка.
- Для data‑heavy UI / визуализаций проговаривается сильный паттерн Svelte + D3.

Что это значит для техлидов и руководителей
- Здесь классно показана рамка принятия решений: переносим сложность из runtime в build‑time → выигрываем в рантайме, но должны честно оценить trade‑offs (инструменты, дебаг, экспертиза, найм).
- Риски OSS по-взрослом: Vercel снижает bus‑factor (full‑time maintainer), но появляется управленческая зависимость от спонсора как стейкхолдера. Это стоит проговорить заранее.
- Перед пилотом фиксируйте KPI успеха: RUM‑метрики, регрессии, time‑to‑ship, дефекты UI/реактивности - чтобы обсуждать не "нравится/не нравится", а эффект.
- Стратегия внедрения: инкрементально (страница/модуль/"острова"), а не big‑bang rewrite.
- Инвестируйте в обучение идей (реактивная модель, стоимость обновлений, дизайн состояния), а не только синтаксиса компонентов.

#Software #Documentary #Engineering #Architecture #Management #Frontend

[1/2] How AWS S3 is built (Рубрика #Architecture)

Интересный выпуск подкаста "The Pragmatic Engineer", в котором Gergely Orosz общается с Mai‑Lan Tomsen Bukovec, VP of Data & Analytics в AWS, которая руководит развитием/эксплуатацией S3. А Simple Storage Service - это одна из самых масштабных систем в мире, поэтому из этого обсуждения можно извлечь много интересного

1️⃣ Масштаб, который ломает интуицию
В S3 сотни миллионов транзакций в секунду, 500+ трлн объектов, сотни эксабайт данных. Интересно, что Gergely и Mai‑Lan говорят о том, что сложенные в стопку десятки миллионов дисков в S3 почти смогут достать до МКС

2️⃣ Переход к strong consistency - как крутая инженерная миграция
S3 стартовал с eventual consistency (2006), но затем перешёл к strong consistency без ухудшения доступности и без удорожания для клиентов. Архитектура была примерно такой: replicated journal + протокол когерентности кеша с идеей failure allowance

3️⃣ Тихий переход на Rust в критическом request path
Команда переписала почти всё performance‑critical в обработке запросов на Rust, с мотивацией: максимум perf и минимум latency

4️⃣ 11 девяток durability - это "измерение факта", а не обещания
Durability уровня 99.999999999% поддерживается не магией, а флотом фоновых сервисов: микросервисы аудита, которые непрерывно проверяют каждый байт, и отдельные repair‑механизмы, которые автоматически чинят.

5️⃣ Формальные методы - это production‑практика, а не академические изыски
В S3 активно используют формальные методы верификации: при изменениях в подсистеме индексов/консистентности запускаются автоматические формальные проверки, чтобы не было регресса модели. И это не просто слова: в публикации Amazon Science про "lightweight formal methods" описан опыт, где такие методы помогли не пустить в прод 16 проблем

6️⃣ Главный враг сегодня - correlated failures
Одиночные поломки нормальны, но опасны коррелированные отказы: общий rack/AZ/питание/и т.п. Архитектура строится вокруг борьбы с этими корреляциями: репликация по AZ, quorum‑подходы, физическая/логическая декорреляция, хранение копий в разных fault domain

7️⃣ Сотни микросервисов - и многие из них не про трафик
В эпизоде фигурирует порядок 200+ сервисов, и заметная часть из них занимается health checks / audit / repair, а не пользовательскими запросами. Сложность удерживается через упрощение - каждый сервис должен быть максимально сфокусирован

8️⃣ S3 перестаёт оперировать только бакетами: новые примитивы Tables и Vectors
Появились новые примитивы
- S3 Tables: объектное хранилище с встроенной Apache Iceberg‑поддержкой и фоновой оптимизацией таблиц (перепаковка/компакшн и т.п. "в фоне"). AWS заявляет до 10x TPS vs Iceberg‑таблицы в обычных S3‑бакетах
- S3 Vectors: нативное хранение/поиск векторов в S3. В эпизоде - инженерная идея vector neighborhoods (предрасчёт кластеров оффлайн), чтобы получить тёплые запросы <100ms, и очень большие масштабы индексов/бакетов

9️⃣ Crash consistency - как мировоззрение
Настоящие инженеры мыслят так: система должна возвращаться в корректное состояние после fail‑stop; проектирование идёт через перебор возможных состояний при отказах + набор сервисов, которые удерживают инварианты

🔟 Принцип Scale must be to your advantage
Нельзя строить так, чтобы рост сервиса ухудшал характеристики; на масштабе, наоборот, должны появляться эффекты, улучшающие надёжность (например, декорреляция нагрузок)

В продолжении расскажу как можно этот опыт переложить на практические рекомендации инженерам и техническим руководителям.

#Culture #Management #Leadership #Processes #Engineering #Software #Architecture #DistributedSystems #SystemDesign

[2/2] How AWS S3 is built (Рубрика #Architecture)

В продолжении этого крутого интервью, я хотел бы поделиться выводами из него для инженеров и технических руководителей.

Для инженеров можно забрать идеи о том, что
- Надёжность - это не try/catch и ретраи, а отдельные системы: аудит, восстановление, непрерывная проверка инвариантов. Если у вас данные с высокими ставками, то думайте не только про happy path, но и про способы самовосстановления
- Корреляция отказов важнее единичных сбоев - дизайн по fault domains (rack/AZ/region), хаос‑тесты не для того, чтобы случайно вырубить ноду, а для того, чтобы отключить общий домен отказа
- Rust в критическом пути - это хороший способ оптимизации, если вы пишете сетевой/IO‑интенсивный runtime или любой hot path - memory‑safe системный язык становится конкурентным преимуществом
- Формальные методы могут быть не избыточно тяжелыми, а практичными: не обязательно верифицировать всё. Достаточно выбрать 1–2 инварианта (консистентность, crash safety, права доступа) и поставить автоматическую проверку рядом с CI

А для технических руководителей это история про то, что
- Сложность можно победить ограничениями - сервисов может быть сотни, но каждый должен быть простым и сфокусированным, а иначе система станет неуправляемой.
- Метрики уровня SLO должны быть измеряемыми, а не декларативными: идея мы можем ответить, какая у нас фактическая durability за неделю/месяц - это про культуру инженерии, где операционка встроена в дизайн.
- Correctness как продукт - automated reasoning/формальные проверки как инвестиция, которая позволяет двигаться быстро и не ломать. Это особенно важно там, где тестами невозможно покрыть комбинации состояний
- Хранилище S3 превращается в data‑платформу: Tables/Vectors - это намёк, что часть базы/поиска/оптимизации всё чаще будет жить рядом с storage. Для архитектуры это означает: регулярно пересматривайте, что выгоднее - строить самим или сдвигать вниз в managed‑примитивы.

Если хочется попробовать этот подход у себя, то можно
- Нарисовать fault domains (реальные) и проверить, где у вас скрытая корреляция.
- Добавить сервис аудита хотя бы для ключевых инвариантов (checksums/версионирование/сверка индексов/реплик).
- Выделить 1 критичный модуль и использовать легковесный формальный подход: спецификация + автоматическая проверка (пусть даже минимальная).
- Пересмотреть сервисы на предмет перегрузки функциональностью и разложить ответственность так, чтобы каждый компонент был тупым, маленьким и проверяемым.

#Culture #Management #Leadership #Processes #Engineering #Software #Architecture #DistributedSystems #SystemDesign

An Illustrated Guide to AI Agents (Рубрика #Agents)

Пока летел обратно из Лондона в Москву успел прочитать эту книгу и могу ее рекомендовать всем. Ее пишут Jay Alammar и Maarten Grootendorst - авторы крутой книги "Hands-On Large Language Models", о которой я уже рассказывал. Новая книга про агентов настолько же хороша, как предыдущая, а еще она находится в процессе написания и пока написана только половина глав. Уже видно, что новая книга продолжает тему LLM, но уже в мире AI agents - то есть в первой книге читатели могут увидеть как устроены LLM (там почти 300 иллюстраций), а в новой - как из LLM собирать агентские системы. То есть первая книга отвечает на вопрос "что у модели внутри", а новая - как вокруг модели построить память, tools, планирование и координацию. В общем, рекомендую читать именно в таком порядке, чтобы сначала понять движок, а потом - архитектуру приложения.

Если говорить про готовность книги, то сейчас уже готовы основные главы

1. Introduction - зачем вообще нужен "agent", чем он отличается от просто LLM-вызова, где кончается чат-бот и начинается система. Это глава для выравнивания терминов и общей архитектурной картинки.
2. Reasoning LLMs - что меняется, когда модель умеет не только отвечать, но и проходить цепочки рассуждений / test-time reasoning. Это важная глава, чтобы не путать "умный ответ" и "умение модели размышлять".
3. Memory - это одна из самых практичных частей: контекст, short-term vs long-term memory, context engineering, как агент "помнит" и почему память быстро становится архитектурной, а не только ML-задачей.
4. Tool Usage, Learning, and Protocols - эта глава про инструменты, function calling, интеграции и протоколы вроде MCP. То есть про момент, когда LLM перестает быть только генератором текста и начинает что-то делать во внешнем мире.
5. Planning and Reflection - здесь речь про декомпозицию задачи, пересборку плана, self-critique и feedback loops. Это уже территория, где агентность начинает влиять на надежность и стоимость решения.
6. Multi-Agent Systems - когда одного агента мало, как делить роли между несколькими, а также как выстроить координацию агентов. Тут появляется и A2A протокол (раньше я уже как-то рассказывал про MCP vs A2A протокол)

В общем, мне книга зашла и я буду следать за появлением новых глав. Думаю, что она будет полезна инженерам и техлидам, которым нужно не увидеть "еще одно демо", а построить себе в голове ментальную модель: из каких блоков вообще собираются AI agents и где в этой конструкции живут реальные инженерные риски. И если "Hands-On Large Language Models" был хорошим входом в тему LLM, то "An Illustrated Guide to AI Agents" выглядит как хороший вход в тему агентских архитектур и мульти-агентных систем

P.S.
Более подробный разбор есть на сайте system-design.space.

#Architecture #Software #AI #Engineering #ML #Data #SystemDesign #DistributedSystems

The third golden age of software engineering - thanks to AI, with Grady Booch (Рубрика #AI)

Интересное интервью Гради Буча, создателя UML и Chief Scientist for Software Engineering в IBM, в подкасте The Pragmatic Engineer. Гради и Gergely Orosz, автор подкаста, обсуждают как меняется ремесло инженера, когда уровень абстракции снова поднимается (как было во времена появления ассемблера, а потом высокоуровневых языков программирования).

Интересно, что в этом интервью Гради Буч заочно дискутирует с Дарио Амодеи, что в прошлом марте публично говорил, что мы можем быть в 6–12 месяцах от ситуации, когда модели будут делать end‑to‑end то, что делают software engineers, а инженеры перейдут в режим "модель пишет - я редактирую. Буч на это реагирует очень жестко и по сути: это взгляд на программирование как на набор строк кода, а не на инженерную дисциплину:)

В общем, основные тезисы интервью такие

1️⃣ Мы уже в "третьем золотом веке" - и он про системы, а не про код
Буч раскладывает историю на 3 золотых века:
1) 1940-1970 - алгоритмы и автоматизация бизнеса
2) 1970-2000 - объектные абстракции
3) 2000-сейчас - системы, где мы собираем продукты из библиотек, платформ, API, облаков - и теперь поверх всего этого появляется ИИ‑слой.
И по мнению Гради AI - это не конец профессии, а очередной скачок абстракции

2️⃣ Экзистенциальная паника - повторяющийся цикл
Когда появились компиляторы и языки высокого уровня, тоже казалось, что всё, программисты не нужны. Но индустрия не умерла - она пересобралась и пошла выше по стеку. Одна из центральных мыслей Буча: ваши инструменты меняются, но ваши проблемы - нет

3️⃣ ИИ силён там, где паттерны уже установились
Текущие инструменты типа Cursor/Claude хороши там, где задачи повторяются: типовые CRUD, стандартные интеграции, привычные веб‑паттерны. Буч прямо отмечает, что они обучены на проблемах, которые мы видели снова и снова. А вот граница интересного - в системах, контексте, компромиссах, ответственности.

4️⃣ Software engineering - это не набор кода, а баланс сил и решений
Инженерия - это баланс технических ограничений, человеческих факторов и этики, а код - лишь один из инструментов. А отсюда у нас простой вывод - ИИ может ускорить производство артефактов, но не заменить принятие решений под ограничениями.

5️⃣ Автоматизация ударит по delivery pipeline (и это нормально)
Буч отдельно отмечает, что пайплайн поставки (всё вокруг сборки/доставки/рутины) - это низко висящий фрукт для автоматизации. И людям в этих ролях может понадобиться дообучение

6️⃣ Чем выше абстракция - тем важнее фундамент
Парадоксально, но факт: когда код писать стало легче, больше ценится глубокая модель мира. Буч рекомендует усиливать фундамент и мышление системами

Кажется, что инженерам теперь качать нужно следующие навыки
- System design и distributed systems, а эта тема неплохо описана на сайте system-design.space
- Умение работать с ограничениями: стоимость, сроки, риски, легаси, безопасность, регуляторика, команда - эта тема хорошо описана там же + скоро появится новый сайт для технических лидеров в том же стиле, что я сделал system-design.space
- Навык “review & governance: проверять, тестировать, ставить ограничения, ловить неочевидные баги, которые ИИ легко генерит наряду с работающим кодом
- Доменные знания: бизнес‑контекст, который теперь ценится еще больше:)

#Architecture #Software #AI #Engineering #ML #Data #SystemDesign #DistributedSystems #History

Как я пишу посты в канал (Рубрика #SelfDevelopment)

Меня периодически спрашивают как я пишу так много постов и есть ли там помощь от LLM. И вот я решил написать про свой подход к потреблению знаний и ведению канала.
Если кратко, то пайплан выглядит примерно следующим образом

- Discovery: у меня есть набор телеграм каналов, обученная система рекомендаций от Google (в браузере и Youtube), есть подписки, что делают отбивки мне на почту. Мои интересы сфокусированы вокруг разработки, менеджмента, наук (в основном точных), искусств (здесь скорее визуальных, включая фотографию)
- Digest: каждый день я смотрю пару видео, читаю несколько статей + несколько глав из книг
- Discuss: дальше я обсуждаю изученное с LLM моделями - раньше у меня часто была проблема, что обсудить материал было не с кем, а теперь даже если я читаю зубодробительный whitepaper, то у меня есть собеседник
- Describe: дальше мой диалог с LLM я прощу суммаризировать SOTA модель в формат поста
- eDit: дальше я делаю ревью того, что получилось, куда входит фактчекинг + проверка того, что в коротком посте подсвечены именно те инсайты, что возникли у меня после просмотра видео / прочтения статьи и дальше дискуссии с LLM
- Deliver: дальше остается запланировать публикацию поста на нужный день и нужное время с учетом моего настроения и тем, которые я люблю группировать в блоки

В итоге, получается 6D процесс, который позволяет мне глубоко погружаться в интересующие меня темы, а также делиться возникшими мыслями с аудиторией канала.

#Engineering #AI #Productivity #Writing

IntelliJ IDEA — The IDE That Changed Java Forever | DOCUMENTARY (Рубрика #Engineering)

Посмотрел эту документалку про IntelliJ IDEA, что вышла 5 марта 2026. Это захватывающая история о том, как небольшая команда стартовала создала продукт, который переопределил ожидания от dev tools. В кадре находятся как сотрудники компании JetBrains, так и представители индустрии которые делятся своими воспоминаниями о том, как это было.

JetBrains росла органически, без внешних инвестиций, и с самого начала строила не просто редактор, а "интеллектуальный" инструмент для разработчика - забавно, что в конце фильма обсуждается роль искусственного интеллекта в разработке софта и будущего IDE, а сотрудники JetBrains говорят, что редактор даже в названии своем сразу содержал часть про интеллект:) Но если начать сначала, то когда-то IntelliJ шла от рефакторинга и понимания структуры кода, а не от красивой оболочки. Это важно: они сделали ставку не на "еще один IDE", а на то, чтобы машина реально понимала программу глубже.

Другая интересная мысль - это то, что ребята показали как developer tools могут быть платформой, а не только продуктом. В 2009 году JetBrains открыла Community Edition и прямо писала, что убирает главный барьер для более широкого использования - цену, сохраняя при этом коммерческий Ultimate. Причем Community Edition и IntelliJ Platform стали базой не только для IDEA, но и для других инструментов JetBrains. А дальше цепочка уже известна: Android Studio официально построена на IntelliJ IDEA, а Kotlin, запущенный JetBrains в 2011 году и рано открытый в open source, со временем стал частью очень большого сдвига в JVM и Android-мире.

Следующая мысль крутится вокруг качества продукта и общей любви потребителей к нему. В фильме видно, что dog fooding в JetBrains был с самого начала и это был не маректинг. Ребята честно рассказывают о том, как их продукты часто рождались из внутренних потребностей, а сами команды ежедневно работают в собственных инструментах. Плюс у них есть культура 20%-проектов, хакатонов и Labs для выращивания новых идей. Это очень узнаваемый паттерн: когда разработчики сами страдают от своих UX-решений, качество обратной связи резко растет.

Дургой инетерсный момент связан с подходом к ведению бизнеса. Доверие пользователей для JetBrains постулируется важнее "правильной бизнес-модели на бумаге". Это проявилось в 2015 году, когда JetBrains переходили на подписочную модель, что вызвало сильную негативную реакцию. Компания потом публично признала, что не учла важные группы пользователей и плохо объяснила изменения, после чего быстро добавила perpetual fallback license и continuity discounts. Для меня это один из самых сильных эпизодов всей истории: хороший продукт не дает иммунитета от ошибок, но прозрачная коррекция курса помогает доверие вернуть. Не часто видишь похожий подход к тому, чтобы не только декларировать важность доверия пользователей, но и оправдывать его.

Ну и последняя мысль связана с современным трендом на AI4SDLC. Cейчас JetBrains продвигает AI как продолжение IDE: Next Edit Suggestions умеют использовать нативные IDE-действия вроде Rename refactoring, а Junie позиционируется как coding agent прямо внутри IDE. То есть ребята хотят стать центром нового процесса, где генерация соединяется с навигацией, рефакторингом, инспекциями и проверкой изменений. Правда, про это в фильме не говорится, но это видно по анонсам новинок в их продуктах:)

В итоге, руководителям можно забрать тезисы про
- Важность инвестиций в DevEx и крутые инструменты как бустеры эффективности разработки
- Dogfooding как бустер качества продуктов
- Open core как варианта развития коммерческого продукта в связке с open source
- Важность уметь не только декларировать ценности, но и следовать им даже во времена кризисов
- Понимание, что нельзя почивать на лаврах и надо уметь ловить волну (в этом случае AI в разработке)

P.S.
Summary есть и на system-design.space.

#Engineering #Software #Management #Leadership #Startup #Architecture #Documentary #AI

DPE Summit 2025 от Gradle: почему это одна из самых полезных конференций про инженерную продуктивность (Рубрика #Productivity)

Мне нравится конференция DPE (Developer Productivity Engineering) от Gradle, которая проходит ежегодно в Сан-Франциско. Я часто рассказывал про доклады с саммита 2024 года (например, здесь: 1, 2, 3 и 4). Это событие целиком посвящено темам инженерной продуктивности и DX (developer experience) и в этом году оно прошло 23–24 сентября и организаторы уже выложили записи сессий (вот плейлист).

Почему мне кажется это событие важным и интересным - потому что DPE - это взгляд на продуктивность разработки не в лоб вида "сколько строк кода написал инженер", а скорее как на инженерную задачу:
- Как ускорить feedback loops и снизить cognitive loag
- Как улучшить CI/CD (ускорить, упростить, сделать дешевле)
- Как улучшить observability и упростить troubleshooting
Сами Gradle и dpe.org прямо описывают DPE как практику, которая повышает продуктивность и счастье разработчиков за счет инструментов, автоматизации и данных, а не только менеджерских метрик.

Самое ценное в этой конференции - это не абстрактный треп про "developer productivity", а кейсы от крупных инженерных организаций (где все равно может быть вода). В программе были спикеры и доклады от Netflix, Google, Meta, Microsoft, Capital One, Uber, JetBrains, Okta, Lloyds Bank, Square, Databricks и других компаний. Они обсуждали среди прочего темы влияния GenAI на delivery, подходы к измерению эффекта AI на продуктивность, ускорение билдов, universal cache, merge queue, flaky tests, dependency updates, observability и DevEx-метрики.

Если обобщать, то основной вывод саммита в том, чтоGenAI ускоряет написание кода, но не гарантирует ускорение поставки работающего софта. В keynote Ханс Доктер прямо формулирует вопрос:

You can write code faster. Can you deliver it faster?

Логика вопроса простая: чем больше кода генерирует AI, тем сильнее нагрузка на build, test, compliance и deployment. Если pipeline не готов, то AI не ускоряет delivery, а просто переносит bottleneck вниз по цепочке. Отсюда фокус на smarter pipelines, observability, predictive test orchestration, caching и shift-left практиках.

Я посмотрел пока только несколько докладов, но уже видно, что не все доклады как keynote абстрактны. Например, Max Kanat-Alexander из Capital One в доклада "What Makes a Great Developer Experience?" рассказыват о трех вещах, что улучшают DevEx: быстрее итерации, больше focus time и меньше cognitive load. Netflix разбирает productivity в эпоху GenAI и отдельно показывает, как они подходят к build vs buy и внедрению AI coding agents. Google обсуждает, как реально улучшать влияние AI на продуктивность разработчиков. Uber показывает тему merge queue "at scale", а Square - как использовать idle time разработческих машин, чтобы ускорять workflows и улучшать cache hit rate.

Для технических руководителей ценность в том, что DPE Summit хорошо показывает, что продуктивность - это уже не HR-дискуссия и не спор про velocity, а полноценная область platform engineering и engineering management. Мерить надо не только output, но и flow, friction, надежность пайплайна, время обратной связи, стоимость изменений и реальный опыт разработчика. Ну и если посмотреть доклады, то можно перейти от поверхностных разговоров в стиле "AI заменит разработчиков" на обсуждение изменений всего контура delivery - от локальной среды и тестов до pipeline, observability и управляемых DevEx-инвестиций.

В следующие дни я буду много рассказывать про интересные доклады с этого саммита.

#DevEx #Metrics #DevOps #Engineering #Software #Management #Leadership

Чат "Архитектура, менеджмент и влияние AI на разработку"

У меня давно был чат для комментариев в этом канале, но я про него особо не рассказывал:)

Теперь я решил поменять подход и приглашаю вас в этот чат @ai4sdlc, где мы сможем обсудить вопросы проектирования, технического руководства и не только.
Ну и конечно там можно общаться про влияние AI на разработку, так как я теперь full-time занимаюсь этой темой на своей работе.
Я буду бывать в этом часте достаточно часто (как минимум, чтобы удалять ботов из него).
В общем, you are welcome - https://xn--r1a.website/ai4sdlc

#Architecture #AI #Management