← → / PgUp PgDn
01 / 27
Скачать PDF
Личный casebook

Как я использую LLM

Рабочие истории, собственные инструменты и вещи, которые меня раздражают

Авторская героиня и маленький агент у монитора
01 / 27
Обо мне

LLM появились у меня сразу в четырёх разных контекстах

Работа

Lead engineer. Amazon Kiro, модели OpenAI и Claude, CLI и IDE.

University of London

Computer Science, специализация Machine Learning, учебные проекты.

Ardor

Собственный облачный agent harness: functions, tools, refactoring и debugging.

Личные проекты

Соцсети, плагины и небольшие автоматизации вокруг повседневной работы.

02 / 27
Моя исходная точка

«Всё, что мне нужно автоматизировать, я делаю через LLM».

Но это не значит, что я доверяю им всё — или люблю всё, что они делают.

03 / 27
Часть 1

Рабочие
кейсы

Не футуристические демо, а процессы, которые постепенно стали моей обычной рутиной.

Авторская героиня и маленький агент вместе разбирают рабочие задачи
04 / 27
Кейс 1 · рабочая рутина

Работа с агентом начинается как онбординг нового члена команды

Сначала — базовая документация

Правила, стили, архитектура и нюансы. Пока объясняешь их агенту, внезапно появляется документация по проекту.

Потом — доступ к рабочим сервисам

Jira · Bitbucket · Jenkins · logs

Базовые skills нужны, чтобы агент имел доступ ко всему тому, к чему имеет доступ разработчик.

По сути, это те же базовые вещи, которые понадобились бы junior на проекте.

05 / 27
Кейс 1 · рабочая рутина

Я не стесняюсь использовать агента для рутины

Email / SentryЯ пересылаю уведомление агенту
ЛогиАгент ищет нужные логи и сам составляет запросы
Jira + branchСам оформляет bug и рабочую ветку
Commit + pushСобирает короткий pull request
ReviewЯ смотрю решение целиком
Stage → prodПроверяю и выкатываю

Раньше разработчикам было зазорно даже пользоваться UI. А я спокойно тыкаю агента, чтобы не писать запросы к логам самой.

06 / 27
Кейс 1 · рабочая рутина

«Для меня MCP здесь тяжеловесны».

Я прошу агента написать небольшие scripts поверх API.

skills/
├── jira/
│   └── create_bug.sh
├── logs/
│   └── search.py
├── bitbucket/
│   └── branch.sh
└── jenkins/
    └── deploy.py

.env — у каждого разработчика свои токены и действия под своим именем.

07 / 27
Кейс 1 · рабочая рутина

Пока я всё ещё «мясной proxy»

Сейчас
router
+ reviewer

Я передаю сигнал, запускаю следующие шаги и проверяю.

→

Текущий процесс полезен: он позволяет обкатать схему и найти проблемы до полной автоматизации.

08 / 27
Кейс 2 · отчёты

Раз в месяц мне нужно собрать картину команды

Tasks

Что происходило с задачами команды.

Capacity

Как распределялась доступная ёмкость.

Problems

Где появились задержки и сложности.

Я просто ставлю агенту задачу так, как поставила бы аналитику.

09 / 27
Кейс 2 · отчёты

Результат живёт не только в чате

reports/
├── monthly/
├── capacity/
├── problems/
├── templates/
└── Makefile

Jira + commits → analysis → оформленный отчёт

make monthly
  collect-jira
  collect-commits
  render-report

make capacity
  analyze-capacity
  render-report

«Красивые отчёты, все счастливы».

10 / 27
Кейс 3 · техрешения

Агент помогает мне думать до кода

Онбординг Сложные задачи Согласование между командами

Я рассказываю контекст и идеи, обсуждаю детали — и только потом прошу оформить technical solution.

Technical solution

11 / 27
Кейс 3 · техрешения

У каждой задачи появляется своя spec

Session A
обсуждение
→
task.md
→
Session B
продолжение

Validation

Проверить результат относительно исходной задачи.

Context

Не потерять детали между сессиями.

Reuse

Передать работу другому агенту или вернуться позже.

12 / 27
Кейс 3 · техрешения

Я сделала plugin для JetBrains. Но workflow всё равно стал гибридным

Agent UI
Агент
  • Диалог
  • Выполнение задач
  • Интерактивная работа
PyCharm
Я и код
  • Чтение и ручное написание
  • Просмотр commits
  • Разбор проекта

github.com/mandrianova/jb-task-manager-extension ↗

13 / 27
Кейс 4 · код

«Я активно использую LLM — и всё ещё не люблю их код».

Когда я погружаюсь в него, мне часто хочется всё выбросить и переписать.

Довольный маленький агент приносит героине клубок сгенерированного кода, который ей хочется переписать
14 / 27
Кейс 4 · код

Агент для меня — junior с отличной теорией

Подробно объяснить → показать примеры! → дать ограниченную задачу

Простые вещи
Scripts
Разбор legacy
Некритичная логика
Критичная логика — только с осторожным чтением
15 / 27
Кейс 4 · код

Код агента я ревьюю примерно как код junior-разработчика

Некритичная логика
Нет смысла вычитывать всё

Если риск небольшой, проще запустить результат и проверить, как он работает.

Важная логика
Смотреть внимательно

Чем выше цена ошибки, тем глубже я разбираю решение сама.

Самого агента я тоже подключаю к review.

Он проверяет не только свой код, но и находит ошибки в коде людей.

16 / 27
Часть 2

Инструменты
и привычки

За этими историями — мои skills, scripts, plugins и решения о том, чем мне удобно пользоваться.

17 / 27
Инструмент 1 · CLI

Сначала агент жил в терминале PyCharm

«Потом я отказалась: через терминал мне неудобно читать».

В ежедневной работе я возвращаюсь к ответам, читаю изменения и много взаимодействую с результатом.

› Проанализируй изменения...

Сначала я прочитаю структуру проекта,
затем проверю...

[длинный ответ продолжается]
────────────────────────────
scroll  ↓  ↓  ↓  ↓  ↓  ↓
18 / 27
Инструмент 1 · CLI

Но CLI можно использовать не как чат

CourseraСтраница курса
ParserСобирает subtitles
Agent CLIОбрабатывает материалы
PluginГотовые материалы лекций

Daily UI — нет.

Background tool — возможно.

19 / 27
Инструмент 2 · разные харнессы

База становится похожей. Направления — нет

Files
Write
Permissions
Bash

Kiro

Основа на VS Code.

Grok

Своя облачная машина, независимая от компьютера.

Bionic

Local models и Kimi — дешёвая, но мощная модель.

Codex

Interactive UI, browser, annotations и sessions.

Это моя текущая карта, не рейтинг продуктов.

20 / 27
Инструмент 2 · Codex

Настоящая разница начинается за пределами чата

01

Взять управление

Открыть браузер или приложение.

02

Сделать

Выполнить действие внутри интерфейса.

03

Проверить

Посмотреть на результат собственной работы.

«Вот это в Codex меня до сих пор восхищает».

21 / 27
Инструмент 3 · Bionic / LM Studio

Я сделала skill, который сам подключает Codex к локальной модели

Codex
Понимает, когда может пригодиться local model
Skill
Находит, скачивает и запускает нужную модель
LM Studio
Даёт local API для LLM, VLM и embeddings
Result
Возвращается в основной workflow как дополнительная проверка или обработка

Я не скажу, что активно этим пользуюсь. Реальный сценарий — дешевле разрабатывать и тестировать своего агента.

lmstudio.ai/docs/bionic ↗

22 / 27
Инструмент 3 · local / open models

Мощный компьютер — только один из вариантов

Локально

Свои решения, тестирование и данные, которые не хочется отправлять внешнему провайдеру.

Через API

Hosted open models для автоматизаций и простых задач — без собственного мощного железа.

Порядок цен API · input / output за 1M tokens

gpt-oss-120b · AWS Bedrock$0.15 / $0.60
DeepSeek V4.1 Flash · DeepSeek API$0.15–0.30 / $0.60–1.20
GPT-5.6 Sol · OpenAI API$4 / $20
Claude Fable 5.1 · Anthropic API$10 / $50

Прайс-листы на 17.09.2026. Для DeepSeek показан cache miss, диапазон off-peak–peak; для GPT-5.6 Sol действует promotional price. Caching, batch, long context и региональные наценки не показаны.

AWS Bedrock ↗ DeepSeek API ↗ OpenAI API ↗ Anthropic ↗

23 / 27
Инструмент 4 · skills и tools

Повторяющиеся вещи я превращаю в собственные tools

Повторяется
или раздражает
→
Один раз
разобраться
→
Skill
script
tool

С каждой новой задачей этот способ работы можно поправить, если чего-то не хватает.

24 / 27
Инструмент 4 · HTML-summary

Мне ужасно надоело читать длинные ответы в чате

Вот подробный разбор. Сначала рассмотрим контекст, затем я перечислю найденные проблемы, после этого пройдёмся по вариантам решения и в заключение обсудим ограничения…

1. Первый длинный раздел…
2. Второй длинный раздел…
3. Ещё один раздел…
→

Summary

Что произошлоКороткое объяснение и контекст.
Что важноГлавные выводы и связи.
Что делать дальшеСледующие действия в удобном формате.

LLM собирает отдельную HTML-страницу и открывает её в браузере.

25 / 27
Инструмент 4 · project skills

Снаружи всё выглядит очень просто

→
→

Project skills хранят мой контекст — мне не нужно пересказывать его каждый раз.

26 / 27
Пока без финального манифеста

Я не ищу один идеальный способ работать с LLM

01Убрать себя из роли «мясного proxy» и остаться reviewer.
02Понять, где background agents действительно удобнее интерфейса.
03Продолжать превращать повторяющееся раздражение в skills и tools.
04Пробовать local и более дешёвые open models там, где это имеет смысл.

Это не итоговая методология. Это моя система, которая всё ещё меняется вместе с инструментами.

27 / 27