Tech Meridian
← К СУЩНОСТЯМ
КОМПАНИЯ · ENTITY #3140
Хронология связанных событий, источники и контекст из новостной базы.
InfoQ опубликовал статью, в которой утверждается, что по мере перехода ИИ от чат-ботов к автономным агентам ключевая задача — управлять тем, что агент знает, запоминает и видит в реальном времени. Рекомендуется разделять контекст, память и знания, создать «контекстный движок» или контрольную плоскость для подбора минимально релевантного контекста для LLM и оптимизировать контекст для снижения галлюцинаций и затрат.
DoorDash сократил задержку в потоке повторного заказа продуктов с примерно 16 с до 2 с, заранее вычисляя кандидатов на регулярные покупки (по 90 дням истории) с помощью пакетного вывода LLM, детерминированной валидации и сохранения повторно используемых данных списка покупок; путь обслуживания затем привязывает позиции к актуальному каталогу. Изменение удвоило просмотры списков и увеличило конверсию заказов примерно на 34%, опираясь на общую платформу агентов и интерфейс Ask DoorDash.
Редакция InfoQ по AI, ML и Data Engineering представила отчет о трендах 2026 года и выпустила подкаст с участием редакторов и гостя Чипа Хуёна, где обсуждаются основные тенденции: переход к меньшим языковым моделям и моделям рассуждения, широкое распространение AI-агентов (от персональных до организационных), интерес к System One-моделям вроде Jev от TypeSafe AI ради более дешевой и быстрой инференции, усиленное внимание к оценкам AI и развитие физического AI. Ведущие также предсказали рост робототехники в США, ограничения по энергии и инфраструктуре, активное применение специализированных/смешанных агентов и четкое разделение задач между ИИ и людьми.
На GOTO Copenhagen Чарльз Хамбл (в интервью InfoQ) заявил, что устойчивость ИИ должна быть ключевым архитектурным приоритетом и рекомендовал использовать готовые или более компактные модели, обучать на возобновляемой энергии, переносить вычисления по времени и месту в регионы с низким углеродным следом и оптимизировать время выполнения и оборудование. Он сослался на данные МЭА и отчёты облачных провайдеров о росте потребления электроэнергии и выбросов из‑за ИИ и центров обработки данных и предложил временно- и локально‑ориентированные подходы для заметного сокращения выбросов.
InfoQ анонсировала три живых онлайн-потока в ноябре 2026 года: AI Engineering с Ади Полаком (12 ноября, PST) и Лан Чу (13 ноября, CET), а также High-Performing Teams с Олимпиу Попом (17 ноября). Программы охватывают практические темы production AI — RAG, пайплайны контекста и памяти, оркестрацию агентов, инфраструктуру и оценки, а также модель работы команд; занятия проходят вживую (не записываются), а сертификация требует участия и выполнения итогового капстоуна.
Статья на InfoQ рассматривает три парадигмы создания «agentic harnesses» для LLM — цепочки (линейные конвейеры), графы (явный контроль потока через узлы/рёбра) и код (первоклассное исполнение в песочнице) — и утверждает, что подходы эволюционировали от «склеенного» прототипа к промышленным, наблюдаемым архитектурам. В материале обсуждаются компромиссы (задержки, хрупкость, устойчивость) и даются рекомендации: считать выводы LLM ненадёжными, разделять планирование и исполнение и вкладываться в наблюдаемость и минимально сложные абстракции.
Исследование Гарварда на данных Jellyfish (≈300 млн событий работы в ~700 компаниях, янв. 2021–март 2026) показало, что ассистенты для кодирования незначительно увеличивают объём кода (строки +12%, коммиты +9%, PR +5%; значимо только для коммитов), а агенты дают больший рост (строки +30%, коммиты +20%, PR +23%). При этом ассистенты не увеличили число решённых задач в Jira, а агенты — лишь на 12%; при этом время ревью PR выросло на 49%, число комментариев на PR +53%, доля PR с request changes удвоилась, а доля инженеров, делающих ревью, выросла на 14% — что указывает на узкие места в последующих этапах разработки.
На QCon AI Манжу Раджашекхар (основатель и генеральный директор Mad Labs) представил доклад «Акторы для агентов», в котором утверждает, что акторная модель естественно соответствует требованиям рантайма для production‑агентов. Он описал шаблоны — владение состоянием, обмен сообщениями, write‑through состояние и границы супервизии — для управления сбоями, продолжениями и изменяющимися графами выполнения, чтобы демонстрации агентов могли превратиться в устойчивые продакшн‑системы.
InfoQ опубликовал серию статей «Agentic AI Architecture», где эксперты рассматривают новые архитектурные паттерны, возникающие под воздействием LLM и агентных систем — декомпозицию решений, режимы отказов, наблюдаемость, контекстную инженерию и практические фреймворки; сборник доступен в виде eMag PDF. Среди авторов — Маллика Рао, Картик Рамгопал, Ади Полак, Субаш Нараяна, Ахилан Поннусами и Рафаł Ганкарж.
Статья на InfoQ утверждает, что прогресс в LLM и системах рассуждения приводит к переходу от архитектур на основе микросервисов к агентным системам, которые декомпозируют решения, а не функциональность. Агентные системы вводят недетерминированные пути выполнения, ставят качество принятия решений в центр проблем надёжности и требуют подходов вроде ограниченной автономии, циклов оценки и детерминистских запасных вариантов.
В подкасте InfoQ Рэйчел Ли Нейборс рассказывает о подходе local-first и своем клиенте Mima (mima.social), утверждая, что локальные небольшие языковые модели (SLM), например Llama 3.2B, могут обеспечить более приватные, быстрые и недорогие альтернативы облачным LLM-оберткам. Она обсуждает оценку моделей с помощью «золотых» наборов данных, применение клиентского ИИ для модерации и агрегации соцлент, а также перспективы ОС-агентов и стандартов динамического UI вроде A2UI.
Вебинар InfoQ «AI in Production: What Breaks, What Works, and Who Approves It?» с участием экспертов ThoughtWorks и специалистов по безопасности/конфиденциальности разобрал реальные операционные проблемы агентных систем — семантический и эмбеддинговый дрейф, утечки через RAG, запоминание модели и проблема масштабирования ручного ревью кода. Панелисты рекомендовали воспринимать оценки как постоянную инфраструктуру, сдвигать проверки в фазу harness, применять mutation testing и непрерывный трассинг, назначать агентам отдельные идентичности и уровни доступа, проводить red‑teaming и изолировать секреты.
InfoQ опубликовал eMag «Evolutionary Architecture in Practice» — сборник статей участников программы InfoQ Certified Architect Program, рассматривающих эволюционную архитектуру как непрерывную систему обратной связи и её пересечение с ИИ — в том числе материал об agentic fitness functions (слое ИИ для оценки в CI/CD), понимании системы, платформенных ограничениях и стратегии федерации владения.
Spotify сообщил, что месячное число объединённых изменений выросло примерно с 8 100 до 17 000 год к году в августе после расширения AI‑помощи в разработке. Компания внедрила фоновый агент Honk (запускающий Claude через Agent SDK в Kubernetes), расширила автоматизацию и оркестрацию Fleetshift и усилила мониторинг, тестирование, механизмы выкатывания и отката после инцидентов, когда объём изменений превысил возможности верификации.
В эпизоде подкаста InfoQ Джой Эбертц (principal software engineer в Imprint) обсуждает, как ИИ меняет практики разработки и архитектуры ПО — подчёркивая растущую важность однозначных требований и тестов, различие между «vibe coding» и плотным парным программированием с ИИ для критичных систем, а также неопределённость в долгосрочных паттернах (например, микросервисы против монолита) и в обучении младших инженеров.
Исследователи из Meta, MIT и Университета Вашингтона предложили «Context Language Models» (CLM) — подход, при котором модель рассматривает контекст как редактируемый файл и может переписывать его для сохранения фактов, удаления лишнего и выработки стратегий управления контекстом. В оценках на бенчмарках (BrowseComp-Plus, EdgeBench, ContextBench) отмечены значительные улучшения — например, zero-shot CLM дал +11.4% точности при снижении FLOPs на 21.5% на BrowseComp-Plus, а RL повысил Qwen3.5-9B с 28.8% до 42.5% на BrowseComp-Plus при сокращении вычислений — при этом авторы отмечают риски (утеря информации, векторы для инъекций промптов, инвалидизация кэша и неопределённая пригодность в продакшене).
Google выпустила Android Bench 2.0 — крупное обновление бенчмарка для оценки моделей ИИ в задачах разработки Android, добавив долгосрочные задачи (LHT), агентную оценку (агенты от провайдеров) и непрерывную шкалу оценки вместо двоичного проход/провал. В обновлённой панели указаны последние модели (например, Gemini 3.8/3.7, OpenAI GPT‑6, Anthropic Fable 5.1, Kimi K3, Qwen 3.8 Max); по состоянию на публикацию лидерство в LHT имеет Claude Opus 5.5 (32%), за ним GPT 6 Astra (28%).
Опрос Coleman Parkes среди 300 старших инженерных руководителей по заказу Undo показал, что агенты для написания кода на базе ИИ ускоряют создание кода, но переносится основной узкий профиль на отладку, понимание и сопровождение — в среднем 9,8 часа/нед пишут код против 16,9 часа/нед на отладку, 35% ИИ‑кода попадает в продакшен до полного понимания командой, а 80% респондентов считают, что агенты слабо справляются со сложными задачами в критичных C/C++ кодовых базах.
InfoQ проводит бесплатный 60‑минутный живой вебинар «AI in Production: What Breaks, What Works, and Who Approves It?», в котором выступят пять практиков (Hien Luu, Katharine Jarmul, Zichuan Xiong, Premanand Chandrasekaran, Lan Chu) и обсудят проблемы продакшн‑RAG, кодирующих агентов, верификацию, доступ к данным и управление; запись доступна всем зарегистрированным. Панель затронет автономию агентов, проверочные ворота, обработку чувствительных данных, архитектуры production RAG и аргументацию инженеров в пользу контроля.
В статье InfoQ описана реализация на Go для сохранения порядка сообщений внутри сессий поверх Kafka с использованием согласованного хеширования, двухуровневой иерархии воркеров и одного goroutine на активную сессию. Автор рассказывает о локальных повторных попытках, коммитах по непрерывному ватермарку и операционной доработке (слив при ребалансировке, обратное давление, идемпотентность, очереди мёртвых сообщений) и сообщает об обработке >40M продакшн-сообщений без замеченных нарушений порядка и >100k сообщений/с в тестах.
QCon London 2027 (13–16 апреля) предложит 15 практических треков по production AI, архитектурным паттернам, платформам данных, наблюдаемости, изменениям SDLC и вопросам командного лидерства — свыше 75 докладчиков поделятся реальными компромиссами и операционным опытом. Среди тем — оценка и ограждения для агентных систем, безопасность при сбоях от людей и агентов и интеграция ИИ без потери надежности.
Akka протестировала рабочий процесс переноса ПО с помощью AI, управляемый спецификациями, на 65 open-source проектах, используя конвейер discovery→specification→porting→benchmarking→improvement. Начальная партия заняла 99.3 часа и потребила 9.41 миллиарда токенов; Akka сообщила об улучшении по строкам кода или производительности в 57 из 65 переносов, реализацию выполнял Claude вместе с Akka Specify, при этом Sonnet в среднем делал порт за 61 минуту против 120 минут у Opus (Opus использовал примерно на 40% меньше токенов).
InfoQ публикует руководство по платформенной инженерии на примере системы рекомендаций для учёта запасов в ритейле, где уровень галлюцинаций снизили примерно с 15% до 1,5% без замены фаундейшн-модели, применив платформенные меры (автоматические циклы повторов, валидация намерений, реестр подсказок, авторизация инструментов и кастомная телеметрия). В статье есть сопроводительный репозиторий на GitHub с запускаемыми примерами — локальная llama3.1 через Ollama и LiteLLM — и обсуждение маршрутизации через модели вроде Gemini и GPT в корпоративном трафике.
Панель InfoQ Live под руководством Ренато Лозио обсудила, как ИИ и автоматизация трансформируют продакшен-операции и наблюдаемость, превращая оперативные данные в действенные выводы для реагирования на инциденты. Участники из Genesys (ранее AWS), Netflix и Groundcover затронули практические применения (например, агенты и модели, снижающие MTTR), инструментацию вроде OpenTelemetry и архитектуры типа eBPF и BYOC агентной наблюдаемости.
InfoQ запускает два пятинедельных онлайн-кохорта в октябре 2026: AI-Assisted Engineering (старт 19 октября) сосредоточен на создании харднесов, ограничении прав, тестах и CI-проверках для кодирующих агентов в «brownfield»‑репозиториях; AI Security & Privacy Engineering (старт 26 октября) фокусируется на отслеживании чувствительных данных, моделировании угроз, red teaming и тестировании защит. Ведущие — Katharine Jarmul и Zichuan Xiong; кохорты ориентированы на практические проекты, экспертное сравнение и анализ логов.
На QCon AI главный инженер Forter Бен Мараней рассказал о двухнедельном внутреннем спринте, в ходе которого около 200 сотрудников R&D получили практический опыт создания AI‑агентов. Команда снизила барьеры, запустив собственный MCP‑сервер, сочетая no‑code и кодовые платформы, избегая сложных RAG‑настроек и согласовав действия с отделами безопасности и юристами для ускорения внедрения.
Docker представила Cloud Sandboxes — хостированные среды выполнения на базе аппаратно обеспеченных microVM, которые позволяют запускать AI‑кодирующих агентов на инфраструктуре Docker и перемещать песочницы между локальной машиной и облаком с помощью того же CLI и модели изоляции, что и локальные Docker Sandboxes. Docker также обновила спецификацию Sandbox Kit до Kits v3, упаковав наборы как стандартные OCI‑образы; комментаторы отметили удобство для длительных и параллельных задач агентов, но предупредили о сохраняющейся поверхности атаки при доступе песочниц к внешним сервисам.
Маллика Рао, бывший инженерный руководитель в Twitter, Walmart и Netflix, выступает на QCon AI с докладом об операционных и архитектурных задачах адаптивных рекомендательных систем. Она подчёркивает важность обратных связей в реальном времени, актуальности поиска, многоступенчатой оркестрации и балансировки сквозной задержки и затрат для непрерывного обучения и развития рекомендателей в продакшене.
InfoQ провёл подкаст-панель с Мерьем Арик (DoubleWord), Кларой Игерой Кабаньес (BBVA) и Джеффом Смитом (C Proof), в которой обсудили внедрение AI в корпорациях: оптимизацию инференса и стоимости токенов, конфликт проприетарных моделей (например, Claude) и качественных open-source альтернатив, вопросы управления и этики, переход к недетерминированному «генеративному коду» и возможные будущие архитектуры вроде Kolmogorov-Arnold Networks.
Статья на InfoQ вводит термин «agent harness» — всё окружение вокруг модели, необходимое для вывода агента в продакшен, разделяя его на разработку (память, инструменты, извлечение, оркестрация) и эксплуатацию (наблюдаемость, защитные меры, контроль затрат). Описывается сравнение Harness‑as‑a‑Service (например, AWS AgentCore) и самоуправляемых стеков (например, LangChain + Agent Router/Envoy AI Gateway на Kubernetes), показан пример FinBot и рекомендовано начинать с минимальной реализации и расширять её по мере потребности.
Allow Google Analytics to measure visits? It stays off until you choose. You can change your choice at any time.