Блог
Нотатки про AI-інженерію
Практичні статті про AI-агентів, RAG, LLM-інтеграції, evals і безпеку — з реальних проєктів, без води.
Модернізація легасі-коду з AI: міграції, оновлення й переписування, що доходять до продакшену
Як використовувати LLM і кодових агентів для модернізації легасі: чого навчилися Google, Airbnb і AWS на великих міграціях з AI, як поєднувати агентів з OpenRewrite, характеризаційними тестами й поетапним викоріненням за патерном strangler fig.
Юніт-тести, згенеровані AI: як отримати тести, що ловлять баги, а не просто проходять
Практичний гайд з генерації юніт-тестів за допомогою LLM: уроки TestGen-LLM від Meta, мутаційне тестування як критерій якості, характеризаційні тести для легасі, промпти й процеси для Java, Kotlin і TypeScript.
Безпека коду, згенерованого AI: вразливості, вигадані пакети й контролі, що працюють
Що дослідження кажуть про безпеку коду, написаного з AI-асистентами, як працюють slopsquatting і вигадані залежності, та багаторівневий набір контролів для команд, що випускають AI-код.
AI-рев'ю пул-реквестів: що ловить, що пропускає і як налаштувати
Як додати LLM-рев'юера в процес пул-реквестів: реалістичні очікування, конфігурація, промпти й правила, контроль шуму та метрики, що показують реальну користь.
Найкращі практики агентного кодування: як працювати з Claude Code, Codex і агентами Copilot
Практичний робочий процес для кодових агентів: файли контексту, спершу план — потім виконання, тести як запобіжники, дозволи, субагенти і рев'ю коду агента без потопання в диффах.