Для эффективного использования AI важно не просто потреблять много токенов, а оптимизировать взаимодействие агентов через циклы критики с разными моделями. Это повышает качество кода, снижает баги и требует сильного контроля на этапе PR-ревью.
AI-Native Engineering: 100% adoption, 5x search throughput, unlimited tokens — Mikhail Parakhin
наведи и нажми на цифру — раскроется глава
полный разбор ролика · 4 глав ↓
Введение и контекст
Главная ошибка — запускать много агентов параллельно без коммуникации, что ведёт к неэффективному расходу токенов.
Правильная организация — меньше агентов с циклом критики между ними, что повышает качество результатов, хотя увеличивает задержку.
AI-инструменты в Shopify
Почти 100% сотрудников используют AI-инструменты ежедневно, с резким ростом после улучшения моделей в декабре.
CLI-инструменты и внутренние агенты растут быстрее, чем IDE-инструменты, что показывает предпочтение простых и быстрых решений.
Анализ потребления токенов
Потребление токенов растёт экспоненциально, но распределение становится всё более неравномерным — топ 10% потребляют всё больше.
Это может быть проблемой, если не внедрять обучение и распределение нагрузки среди сотрудников.
Оптимизация работы агентов и качество кода
Ключ — не просто потреблять токены, а эффективно их расходовать через взаимодействие агентов с разными моделями.
Тщательный PR-ревью с автоматизацией и использованием мощных моделей снижает количество багов, несмотря на рост объёма кода.