惯性聚合 高效追踪和阅读你感兴趣的博客、新闻、科技资讯
阅读原文 在惯性聚合中打开

推荐订阅源

Y
Y Combinator Blog
S
SegmentFault 最新的问题
WordPress大学
WordPress大学
让小产品的独立变现更简单 - ezindie.com
让小产品的独立变现更简单 - ezindie.com
美团技术团队
博客园 - 叶小钗
大猫的无限游戏
大猫的无限游戏
罗磊的独立博客
Hugging Face - Blog
Hugging Face - Blog
博客园 - 司徒正美
小众软件
小众软件
博客园 - 聂微东
阮一峰的网络日志
阮一峰的网络日志
博客园 - 三生石上(FineUI控件)
月光博客
月光博客
The Cloudflare Blog
T
Tailwind CSS Blog
博客园 - 【当耐特】
Jina AI
Jina AI
量子位
有赞技术团队
有赞技术团队
博客园 - Franky
V
Visual Studio Blog
V
V2EX

Все публикации подряд на Хабре

Ловим музу за клавиатуру: как айтишнику стать автором Что умеет Midjourney в 2026? Мой немного грустный разбор этого шикарного инструмента Никто не любит писать тесты, но ИИ может исправить это IPv8 выглядит как мечта. Поэтому почти наверняка не взлетит Производители вернули в продажу материнки с DDR3. Что происходит? Управление агентом с телефона через Telegram теперь в KodaCode От координации к лидерству: как меняется роль руководителя разработки Я сделала родителям бизнес вместо пенсии: зарабатываем 70 тысяч, мама не даёт продать В три раза быстрее приемка товара и оптимизация трудозатрат на 73%: как «РСТ-Инвент» помог Gulliver Group ИИ-шечный мир победил? О влиянии искусственного интеллекта на игропром Кремль снижает давление на Телеграмм пока Европа строит интернет по паспорту Как CEO, CTO и CIO за 8 часов собрали ИИ-директора, который умеет держать позицию под давлением Как (не) потерять домен за выходные Вместо 8 разных VPS: как я организовал практику студентам на одном сервере Почему твой Open Source проект не замечают? R&D: искусство управления неопределенностью в разработке AI-дефляция: вакансий для разработчиков больше, а рост зарплат — худший за 15 лет Мы отдали управление роботами OpenClaw. Что из этого вышло Галактический ID: система идентификации для всех форм разумной жизни Шесть основ бизнес-анализа: начинаем с вопроса «Кто в игре?» Код-ревью, в котором дело не в коде Данные переехали. Команда — нет Системной подход к сдаче OSWE в 2025 Почему комната управления реактором покрашена в цвет морской пены 4 YAML-файла вместо PySpark: как аналитикам строить пайплайны без разработчиков LLM-агент для поиска свободных доменов: автоматизируем подбор Когда, зачем и как правильно начинать новую сессию в Claude Code? Как я заставил нейросеть писать макросы для FreeCAD Анатомия ИИ‑агента для подбора персонала. От тысячи резюме к топ‑10 за минуты Опыт разработчика как экономика внимания
Claude дал неправильную архитектуру. Настоящая ошибка был...
Владимир · 2026-06-15 · via Все публикации подряд на Хабре

Как Claude Code помог увидеть, что проблема была не в LLM, а в постановке задачи для embedded-деплоя

Один из моих крупных бизнес-проектов - разработка электроники и софта для БПЛА. Дошел до момента, когда на железе после MVP надо стало развернуть корректную воспроизводимую архитектуру деплоя. Конечно, я стал делать это Клодом. Для этого я попросил обнюхать весь проект.

Для понимания: проект действительно многосторонний. Ubuntu Linux, патченное ядро и драйвера, радио, сеть, несколько ролей у устройства, пачка собственного софта и утилит. Claude прочитал документы, нашёл скрипты, конфиги, тесты и выдал вполне осмысленный план.

Проблема была в том, что это был не план деплоя, а аккуратная раскладка всего, что он нашёл в проекте.

Снаружи похоже. В работе — не то.

Разница между списком компонентов и направлением деплоя

Разница между списком компонентов и направлением деплоя

Я попросил его систематизировать ответ. Стало еще аккуратнее, но не правильнее.

Тут и обнаружилась настоящая ошибка: я попросил результат, но не описал много необходимых деталей.

Для embedded-деплоя направление было таким:

1. Base system
   OS, kernel, kernel version, низкоуровневые зависимости

2. Platform layer
   радио, сеть, маршрутизация, системные сервисы

3. Device software
   основной софт устройства, оркестратор, прикладная логика

4. Extras
   тесты, диагностика, observability, дополнительные утилиты

Когда я явно описал эту схему, Claude выдал документ, который уже можно было использовать.

Не потому что модель внезапно стала умнее, а потому что задача наконец получила форму.

Как плохой ответ LLM помогает уточнить постановку задачи

Как плохой ответ LLM помогает уточнить постановку задачи

Промпт — это не заклинание. Это интерфейс к вашей модели задачи.

Если не сказать, как раскладывать задачу, LLM разложит её по-своему, дополнив все, что вы не указали, но реально нужно для решения задачи, своими измышлениями.

Поэтому подчас кажущийся плохим ответ LLM обычно даже полезен: он показывает, какие части задачи вы не сформулировали.

В моём случае Claude не столько ошибся, сколько честно продолжил мою недосказанную мысль. Своим способом.

Я попросил архитектуру, но не объяснил, в каком направлении раскладывать систему. И пока это направление не появилось, каждый следующий промпт только делал неправильный ответ аккуратнее. Не ведитесь на это!

Из моего опыта, в тч из текущего кейса видно, что самый "правильный" способ получить желаемое, явно указать:

Контекст
Цель
Направление декомпозиции
Слои
Ограничения
Ожидаемый артефакт
Проверка результата

Архитектура начинается не тогда, когда LLM пишет первый абзац. Она начинается, когда вы решаете, как раскладывать систему.

P.S. На самом деле, если честно, я все равно продолжаю работать в своем стиле: кидаю первичный запрос, через пару промтов понимаю, куда двигаться, формулирую корректно, и далее мы идем в нужном направлении. Есть люди, которые сначала выдают всю схему и сразу двигаются, куда надо. Каждому свое 🤷‍♂️

Только зарегистрированные пользователи могут участвовать в опросе. Войдите, пожалуйста.

0%Использую Telegram/Max бота0

0%Через сайт (chatgpt.com или другой модели)0

0%На компе Codex / Claude / OpenCode / VS Code и тп0

0%Не использую — это опасно0

0%Не использую — это вредно для ума0

Никто еще не голосовал. Воздержавшихся нет.