Сверхстабильные фреймворки LLM
Почему не-программисты создают более надёжный код с ИИ, чем профессиональные разработчики.
privacy
Эта заметка участвует в semantic memory.
AI Summary
🚀 TL;DR: автор объясняет, почему DeepSeek и другие LLM дают более стабильный код у «чайников» (бизнес-менеджеров, врачей, маркетологов), чем у опытных разработчиков. 🔑 Ключевые факты: 1 млрд пользователей чатов ИИ генерирует несопоставимо больше и качественнее данных «задача-код-проверка», чем 30 млн программистов на GitHub; вендоры LLM стандартизировали ~40 библиотек Python и ~24 React/JSX, отказавшись от TypeScript; «сверхстабильные фреймворки» позволяют даже новичку указать short-list библиотек и получить надёжную архитектуру. 📌 Важные детали: Prototype Driven Development часто эффективнее Spec Driven Development; ИИ лучше работает с библиотеками из своей песочницы (React/JSX), а не с Gradio или TypeScript; добавление «лишних» библиотек снижает стабильность генерации; Борис Черный (Claude Code) утверждает, что рывок в разработке произойдёт, когда domain knowledge принесут сами заказчики. 💡 Вывод и значение: при работе с LLM явно указывать short-list сверхстабильных библиотек и архитектуру (бекенд Python + OpenAPI, фронт SPA на JSX/React); избегать библиотек вне песочницы и TypeScript; использовать Prototype Driven Development для передачи задумки.
Media
Оригинальный пост
🗣 Вернемся к недавним холиварам в чате насчет того, что "Claude может, а остальные LLM - нет". За ним просвечивает интересный момент: многие разработчики просто не верят, что какой-то сложный код может легко делать тот же DeepSeek, потому что у них все разваливается с ним. Одну причину я уже описал: часто здесь проблемы управления агентами, и не везде хайп как Spec Driven Development сработает. Часто работает Prototype Driven Development, потому что прототипы точнее передают задумку, и их может проверить заказчик. Но попытка делать управление агентами на "хайповых методах" — тут только часть проблемы.
Я заметил, что на обучении у меня намного более стабильный код выходит совсем не у IT-профессионалов. Наблюдается эффект, о котором говорит руководитель разработки Claude Code Борис Черный: реальный рывок в ИТ-разработке произойдет, когда ей займутся сами заказчики ПО как бизнес-менеджеры, потому что принесут domain knowledge. Но что интересно: у них не только лучше получается поставить задачу на какую-то кастомизацию для ИИ, но часто у вчерашнего стоматолога, врача или маркетолога код с ИИ куда более устойчивый, чем у сеньоров-помидоров. Если "профи" не могут на том же DeepSeek свой legacy-проект часто править, то "чайник" здесь создает код уровнем стабильности намного выше, чем профессиональные разработчики. Этот парадокс стоит рассмотреть, хотя о причинах его я уже писал, но повторить не лишнее.
Дело в эффекте «сверхстабильных фреймворков» для LLM. Примерно 30 миллионов разработчиков на Земле сейчас думают, что они и есть реальный мир создания большинства кода. Однако это уже не так! Около 1 миллиарда людей сейчас пользуются ИИ-чатами. В чатах ИИ делают вычисления в песочнице Python и делают артефакты для пользователей через JSX/React. Дальше просто срабатывает "эффект массы". 1 миллиард пользователей создают несопоставимо больше задач для ИИ по программированию, чем все 30 миллионов программистов вместе взятые. Причем исходные данные для dataset для обучения формируются несопоставимо более качественные в части связки "задача-код-проверка", чем GitHub, потому что из контекста чата видно, правильно или нет ИИ связывает код с задачей, видна реакция пользователя и коррективы.
Существенный момент: все вендоры LLM фактически ввели де-факто стандарт для своих песочниц в чатах. Это около 40 библиотек на Python и порядка 24 библиотек на React. Существенный момент — полный отказ от TypeScript, о котором я писал. Только JSX, потому что нужна динамическая генерация.
Как теперь это позволяет даже "чайнику" создать сверхнадежное приложение? Да очень просто. Он сразу же в промпте может указать short list этих сверхнадежных библиотек. Далее достаточно дать довольно простые инструкции типа "бекэнд на Python на Open API, а фронт на SPA с JSX на React". Получается довольно профессиональная архитектура и сразу же невероятная надежность за счет тех самых dataset от "золотого 1 миллиарда".
На самом деле здесь много неочевидных вещей. Например, большинство разработчиков скорее не понимают, что ИИ лучше будет программировать именно так, как было в его песочницах. Например, JSX без TypeScript будет стабильнее в генерации. Также те же разработчики фронта легко могут добавить библиотеки не из short list в песочницах и так обвалить стабильность LLM, потому что им кажется, что меньше кода генерировать — так лучше. ИИ наплевать, сколько генерировать кода, ему важнее сидеть жестко на тех фреймворках, на которые он натренирован самым суровым образом. Как пример: ИИ будет сложнее написать стабильный код на Gradio, чем соорудить какой-то чат на JSX, хотя код на Gradio в 10 раз меньше. Однако ИИ меньше на него тренировался, и для него более драматичная проблема — это разные версии Gradio в сравнении с очень стабильным по версиям React.
Этот "эффект сверхстабильных библиотек" на деле очень серьезный момент с LLM.