🔒Открыть пост
и посмотреть медиа
и посмотреть медиа
Интервью от fouderа компании Relog.
Было интересно посмотреть ту часть видео в котором говорится про используемые им модели llm и прядок подготовки проекта перед генерацией кода ai.
1. Используемые LLM: использует комбинированный подход, подбирая конкретные модели под определенные задачи.
Модели семейства Claude от Anthropic :
Для каких задач: Написание сложного бэкенд-кода, проектирование архитектуры и системный дизайн.
Причины: считает Claude (в частности версию Opus) невероятно крутым инженером, который глубоко понимает технические нюансы, алгоритмы и архитектуру. Модель показывает наивысшие результаты в программировании по бенчмарку SWE-bench Verified и отлично справляется с задачами на длинном горизонте планирования (Long Horizon Tasks), где требуется непрерывное "обдумывание" сложных задач (до 30 часов). Кроме того, Claude даёт больше точности и меньше лишнего текста по сравнению с конкурентами.
Модели семейства GPT от OpenAI:
Для каких задач: Генерация детализированных технических заданий (PRD — Product Requirements Document), текстовых описаний проекта и инструкций для ИИ-инженера.
Причины: Бауыржан отмечает, что для работы с текстом и детального продумывания спецификаций модели GPT подходят лучше, чем Claude. GPT более эффективно расписывает подробные инструкции, которые затем передаются кодинг-агентам.
Lovable:
Для каких задач: Быстрое создание пользовательских интерфейсов (frontend), посадочных страниц (landing pages) и визуальной части проектов.
Причины: Позволяет моментально генерировать UI по текстовому описанию без необходимости писать код вручную, модель сама подбирает стили и цвета.
Бауыржан также упоминает тестирование других моделей, например, Gemini DeepSync от Google, но отмечает, что для задач программирования она уступает топовым моделям OpenAI и Anthropic.
2. Методология предварительной подготовки и планирования (Workflow)
Бауыржан подчеркивает, что без понимания архитектуры и правильной постановки задач ИИ создаст лишь нерабочий прототип, а не масштабируемый продукт ( для production). Этот подход называется Specs Driven Development (Разработка на основе спецификаций).
Процесс планирования до генерации кода выглядит следующим образом:
Этап 1: Создание детального PRD (Product Requirements Document)
До написания единой строчки кода Бауыржан тратит время (иногда дни) на создание подробного ТЗ.
Он описывает ИИ изначальную идею и просит модель (обычно GPT) исправить ошибки в логике и улучшить описание: "fix the errors if any and improve me this project description". Для сложных проектов он просит GPT сгенерировать детальную инструкцию.
Этап 2: Инициализация файла контекста (cloud.md или cursor.md)
В редакторе кода Cursor он создает минимальный базовый markdown-файл, в котором зафиксированы идея проекта, архитектура и основные правила.
Этот файл становится "единым источником истины". Бауыржан не перегружает ИИ огромным количеством жестких правил (чтобы не засорять контекст), а позволяет модели самой принимать решения, опираясь на этот базовый документ.
Этап 3: Режим планирования (Plan Mode) и уточняющие вопросы
Бауыржан не просит агента сразу генерировать код. Он загружает PRD в агента (Claude Code) и запускает режим Plan Mode.
В этом режиме ИИ-агент задает уточняющие вопросы (например, про выбор стека, деталей интерфейса и логики), после чего пишет пошаговый план реализации.
Бауыржан вручную проводит ревью (проверку) этого плана, и только если он его устраивает, дает команду на реализацию (implementation).
Этап 4: Синхронизация и поддержка актуальности (Sync)
После внесения важных изменений Бауыржан заставляет ИИ-агента обновить главный файл документации (команда «update cloud md файл»), чтобы агент не "забыл" архитектуру.
Периодически он просит ИИ сделать summary (краткую выжимку): "расскажи мне очень ёмко о проекте, чем мы занимаемся, какие фичи реализовали". Это позволяет убедиться, что ИИ правильно понимает текущее состояние проекта и не сбился с курса.