Превращаю идеи
в продукты через
vibe coding

В конце апреля я запустил канал «ИИ Судного дня» — систему координат для оценки того, насколько индустрия близка к точке, где развитие AI выходит из-под контроля. Метафора заимствована у Bulletin of the Atomic Scientists, ведущих Часы Судного дня для ядерной угрозы с 1947 года. Стартовая позиция — 11:55. Каждое крупное AI-событие двигает стрелку с обоснованием — или не двигает.

Манифест зафиксировал контур. Апрель 2026 года свёл в одном месяце то, что раньше растягивалось на годы — выходы GPT-5.5, Grok 5, Claude Mythos. Mythos оказался особым случаем: впервые в истории Anthropic отказалась выпускать модель публично, передав доступ одиннадцати организациям через Project Glasswing для поиска уязвимостей. Через две недели Google ответил противоположной доктриной — универсальный Gemini 3.1 Pro плюс парк security-агентов. Две стратегии на одну угрозу: одна лаборатория закрывает модель, две другие обвешивают её инфраструктурой контроля.

Драгунский-фейл (29 апреля) — наглядный пример того, что бывает, когда ИИ-фильтрация работает на подстроках. Эксмо включило ИИ-проверку рукописей на «пропаганду наркотиков» по закону, вступившему в силу 1 марта 2026 года. Через три недели нейросеть зафлажила фамилию писателя Дениса Драгунского — потому что «драг» совпало с английским «drug». Под раздачу попали Пушкин, Гоголь, Толстой, биография Булгакова. Тип ошибки — лексическое совпадение без понимания смысла, оптимизация на recall в ущерб precision при максимальной чувствительности фильтра.

Legal AI как класс продукта прошёл точку, где экономия от автоматизации обнуляется ценой ошибок (4 мая). За первые месяцы 2026 года американские суды наложили 145 000 долларов штрафов за галлюцинированные ИИ-цитаты в исковых заявлениях. Эскалация по нарастающей: 2 500 в январе, 7 500 в марте, 30 000 в начале апреля, 110 000 в Орегоне 4 апреля, и бессрочное отстранение адвоката Грега Лейка от практики 16 апреля в Небраске. Параллельно 61% федеральных судей сами используют ИИ в работе. Системная проблема — в архитектуре сделки, а не в адаптации.

Часы 5 мая впервые двинулись назад — с 11:55 на 11:53. Причина: механистическая интерпретируемость впервые перешла из академической ниши в инженерную практику. MIT Technology Review включил направление в список 10 прорывных технологий 2026 года, на ICLR 2026 в Рио прошёл отдельный семинар, 30 апреля первый стартап выпустил публичный инструмент для отладки LLM. Microscope от Anthropic раскладывает суперпозицию активаций модели на интерпретируемые признаки — можно увидеть, что именно происходит перед галлюцинацией или обходом ограничений. Сдвиг в две минуты, не в пять — потому что инструмент ограничен Anthropic, индустрия пока не повторяет.

Discount-фейл 6 мая — английский интернет-магазин юридически обязан исполнить заказ на восемь тысяч фунтов со скидкой 80%, потому что эту скидку пообещал чат-бот в пять утра. Час лестных вопросов, постепенная эскалация промокодов от 10% до 80%, фейковый код в комментарии к заказу. Под UK consumer law бизнес отвечает за обещания AI как за обещания работника, превысившего полномочия. Тип ошибки — классическая инъекция промпта через социальную инженерию: бот спроектирован с открытой областью компетенции. По данным IEEE S&P 2026, 13 процентов e-commerce-сайтов имеют чат-боты с такой же открытой архитектурой.

Что я фиксирую за первую неделю канала. Mythos и Microscope от Anthropic — единственные сильные движения в правильную сторону. Остальная индустрия пока выпускает максимально возможное. Регуляция фрагментарна и догоняющая. Финансовые штрафы за неосторожное применение AI в legal-tech уже растут быстрее, чем экономия от него самого; в медицине ожидается следующим. Пять минут до полуночи — компромисс между «AGI за углом» (нет, не за углом) и «всё под контролем» (нет, не под контролем).

Всё началось с чат-ботов. Настраивая их для бизнес-задач, я постоянно упирался в ограничения: боту не хватало автономности, контекста, способности принимать решения. Мне хотелось, чтобы система не просто отвечала на вопросы, а действовала самостоятельно. Так я погрузился в автоматизацию, нейросети и в итоге пришёл к тому, что сейчас называют vibe coding.

Для меня vibe coding — это не просто «попросил AI написать код». Это цепочка взаимосвязанных процессов: сначала визуализация конечного продукта, затем декомпозиция на десятки небольших задач, написание чётких инструкций для AI-агента, сам «магический» процесс генерации кода, тестирование, оптимизация и наконец — запуск в production. Каждый этап требует понимания архитектуры, бизнес-логики и пользовательского опыта.

Первые проекты были классикой: автоматизация документооборота, сбор и аналитика маркетинговых показателей — задачи, которые я хорошо понимал из 15 лет в маркетинге. Но постепенно сложность росла: приложение для врача-косметолога с синхронизацией из YClients, платформа лидогенерации с AI-скорингом, аналитика email-кампаний с GPT-4 Vision. Каждый следующий проект был амбициознее предыдущего.

Главный урок — практика, практика и ещё раз практика. Не стоит бездумно повторять всё, что мелькает в социальных сетях. Гораздо эффективнее придумать свой проект, который решает реальную проблему, и довести его до production. Именно в процессе деплоя, отладки и масштабирования приходит настоящее понимание.

Этот путь подходит всем, кто готов разбираться в том, как работают LLM-модели и агентские системы. Всем, кто жаждет новой информации и готов впитывать её в большом объёме буквально каждый день. CS-образование не обязательно — но любопытство и упорство обязательны.

Поначалу я, как и все, использовал облако. Но чем сложнее становились проекты, тем больше росли расходы на серверы, а их мощностей начинало не хватать. В какой-то момент стало очевидно: для полноценной AI-разработки нужна собственная инфраструктура. Так появился UGREEN DXP4800+ — NAS с Intel Pentium Gold 8505, 64 ГБ DDR5 и SSD на 1.8 ТБ под Docker-контейнеры.

Архитектура получилась трёхуровневой. На NAS крутятся 75+ Docker-контейнеров: среда разработки с Claude Code, CosmoDoc, Plant Care, fit-tracker, n8n для автоматизаций, Dify с RAG-пайплайнами, Ollama для локальных LLM, Jellyfin, Immich и полный медиа-стек. VPS в Амстердаме выступает веб-фронтом: Nginx с Let's Encrypt раздаёт десяток поддоменов, а SSH reverse tunnels пробрасывают на него порты с NAS — публичный доступ без единого проброса на домашнем роутере. Третья точка — небольшой VPS в Петербурге: на нём живёт собственный координатор приватной сети (Headscale, self-hosted-альтернатива Tailscale) и DERP-релей.

Самый дорогой урок — про протоколы. Полгода фронт держался на VLESS Reality: маскировка VPN-трафика под обычный HTTPS на порту 443. Весной это перестало работать — операторская фильтрация начала помечать IP по TLS-отпечатку и резать скорость до 500 байт/с. Ни смена сервера, ни NaiveProxy не помогли: любой TCP+TLS на «помеченном» адресе умирал одинаково. Пришлось уходить на UDP — AmneziaWG с обфускацией и Hysteria 2 поверх QUIC. Второй урок оттуда же: новый сервер нужно проверять с мобильного интернета до того, как переносить на него сервисы. Один арендованный VPS оказался наглухо заблокирован у мобильного оператора — на проводном интернете это было незаметно.

Отдельная история — обход блокировок для самих сервисов. Заблокированы не только API Anthropic и OpenAI, но и Cloudflare proxy, TMDB, servarr.com. Решение — контейнер-прокси, через который заблокированный трафик уходит на амстердамский VPS. Cloudflare при этом работает только в режиме DNS-only. Каждый новый сервис приходится проверять: нужен ли ему прокси?

Среди подводных камней: UGOS kernel ACL блокирует доступ к shared-папкам для non-root пользователей, кастомный resolv.conf ломает Docker DNS, у Docker на NAS кончился пул подсетей, а один SSH-туннель с флагом ExitOnForwardFailure падает целиком, если хоть один проброшенный порт занят. Каждая проблема — это опыт, который экономит часы в будущих проектах. Self-hosted — это не просто экономия, это полный контроль над данными, производительностью и архитектурой.

Мой основной опыт с мультиагентными системами — это развёртывание Dify Platform на self-hosted инфраструктуре. 11 Docker-контейнеров: API-сервер на Flask, фронтенд на Next.js, PostgreSQL, Redis, Weaviate для векторного поиска, песочница для безопасного выполнения кода, воркеры Celery для фоновых задач. Визуальный конструктор workflow позволяет строить цепочки из LLM-вызовов, RAG-запросов и кастомных инструментов без написания кода.

Инструментарий включает Claude Agent SDK для программной оркестрации, MCP-серверы для подключения внешних источников данных, и сам Dify как платформу для визуального проектирования AI-приложений. Каждый инструмент закрывает свою нишу: SDK — для кастомной логики, MCP — для интеграций, Dify — для быстрого прототипирования и командной работы.

Главная проблема, с которой я столкнулся — сохранение контекста. Когда мультиагентная система используется командой, критически важно, чтобы каждый участник имел доступ к контексту запросов коллег и мог его вызвать. RAG-пайплайны с Weaviate частично решают эту задачу: документы, переписки, результаты предыдущих запросов индексируются и доступны всем агентам. Но полноценное решение требует продуманной архитектуры памяти — краткосрочной, долгосрочной и эпизодической.

Куда движется технология? Невозможно даже предугадать масштаб изменений. Возможно, мы на пороге появления мультиагентных систем с полной автономностью, которые будут проходить весь цикл разработки самостоятельно — от анализа требований до деплоя — и лишь запрашивать итоговое разрешение у разработчика на запуск готового продукта. Уже сейчас агенты пишут код, тестируют его и деплоят. Вопрос лишь в том, когда уровень доверия позволит убрать человека из цикла.