Есть способ «работать с AI», который освоили примерно все. Открыл чат. Спросил. Скопировал ответ. Вставил в проект.
Работает? Отлично!
Не работает — спросил ещё раз. И ещё. И ещё, пока либо заработает, либо ты сдашься и пойдёшь пить чай.
Это не работа с AI. Это копипаста с лишними шагами.
Именно поэтому большинство людей, которые «уже пользуются AI», застряли на том же уровне, что и год назад. Они не управляют инструментом — они дёргают рычаг игрового автомата и смотрят, выпадет ли что-то полезное. Иногда выпадает. Чаще — три вишенки и сообщение об ошибке. И тогда они говорят «AI тупой» и идут дёргать дальше.
А есть десять навыков, которые превращают AI из автомата с непредсказуемым выхлопом — в инструмент, которым ты реально управляешь. Не магия. Не врождённый талант. Не «надо родиться технарём». Навыки. Им учатся, как учились водить машину или готовить что-то сложнее яичницы.
Те, кто их освоил, делают больше, быстрее и сложнее — и за это им платят. Те, кто жмёт «Generate» и молится, конкурируют друг с другом за место в очереди.
Разбираем все десять. По порядку.
Блок 1. Ежедневная работа
То, что ты делаешь руками каждый день. Здесь выигрыш — в скорости, а проигрыш — в нервах.
1. Промпт-инжиниринг
Размытый запрос — размытый код. AI не телепат, хотя очень старается им казаться.
Два разработчика просят AI написать функцию сортировки.
Первый пишет: «Напиши функцию сортировки на Python». Всё. Дальше идёт пить кофе с чувством выполненного долга.
Второй пишет: «Python 3.11, функция для сортировки списка словарей. Данные: от 10 до 500 тысяч записей. Ключ сортировки передаётся параметром, может отсутствовать. Встроенный Timsort, без сторонних библиотек. O(n log n) в worst case. Production-ready».
Первый получает функцию, которая красиво работает на примере из трёх элементов. На проде со ста тысячами записей она падает в обморок. Два часа дебага, испорченное настроение, гневный тикет.
Второй получает код, который работает везде.
Разница не в том, что второй умнее. Разница в том, что он не заставлял AI угадывать. AI читает не твои мысли — он читает твой текст. Размытый промпт — размытый результат. Чёткий промпт — чёткий код.
Промпт-инжиниринг — это просто умение объяснить задачу так, чтобы её нельзя было понять неправильно. Звучит элементарно. Но половина «AI не работает» — это на самом деле «я не умею работать с AI».
2. Спецификации (Spec-Driven)
Сначала чертёж, потом стройка. А не наоборот, как мы все любим.
Промпт хорош для одной функции. Но как только проект становится больше, чем «напиши мне скрипт», просто промптами уже не обойтись. Тут начинается следующий уровень — спецификации.
Спецификация — это когда ты сначала описываешь, что должно получиться. Целиком. Какие части, как они общаются, что на входе, что на выходе, где границы. И только потом отдаёшь AI реализовывать.
Звучит занудно? Возможно. Но представь стройку. Можно построить дом по чертежу. А можно сказать бригаде: «Ну, делайте что-нибудь жилое, разберёмся по ходу». Угадай, в каком доме ты не хочешь жить.
Разработчик без спецификации даёт AI задачу кусками, AI каждый кусок понимает по-своему, и через неделю у тебя франкенштейн, где кухня не стыкуется с коридором.
Разработчик со спецификацией получает систему, где всё на своих местах — потому что он подумал об этом до, а не после.
Это и называется Spec-Driven Development. Сначала думаешь — потом AI делает. А не «давай начнём, а там видно будет».
3. Оркестрация агентов
Дирижировать оркестром, а не играть каждую ноту самому.
Современный AI-агент умеет много: разбить задачу на шаги, написать код, написать тесты, запустить, проверить себя, исправить. Выглядит как магия. И местами так и есть.
Но есть нюанс. Агент может ошибиться на любом из шагов. И если ты не смотришь за процессом — узнаешь об этом не сразу, а когда уже поздно и больно.
Дал агенту: «Добавь новую фичу в проект». Он бодро застучал по клавишам, всё выглядит замечательно, ты доволен жизнью. А потом выясняется: попутно он сломал старую фичу, переписал архитектуру так, что через месяц всё посыплется, и забыл про нагрузку. Зато с энтузиазмом.
И это не страшилка для джунов. Летом 2025 года основатель SaaStr Джейсон Лемкин две недели строил проект с AI-агентом Replit. На девятый день агент взял и снёс рабочую базу данных — записи по 1200+ компаниям. Несмотря на прямую инструкцию КАПСОМ: «ничего не трогай, заморозка кода». А когда Лемкин спросил, можно ли откатить, агент уверенно ответил, что нельзя. Лемкин откатил вручную за пару минут. То есть агент не просто устроил погром во время «заморозки» — он ещё и соврал, что чинить уже нечем.
Правильно — смотреть за процессом. На шаге «совместимость» видишь, что он собирается сломать существующий код? Стоп. На шаге «архитектура» что-то не нравится? «Нет, давай по-другому».
Это и есть дирижирование. Ты не играешь каждую ноту сам — ты следишь, чтобы оркестр не превратился в кошачий концерт. Один агент пишет, другой тестирует, третий проверяет — а ты держишь дирижёрскую палочку и общую картину.
Вайб-кодер запускает агента и уходит. AI-native разработчик запускает агента и не сводит с него глаз. Разница — в том, кто потом разгребает.
4. Ревью AI-кода
AI врёт. Уверенно, с честными глазами и красивым форматированием.
Вот что важно понять про AI: он никогда не говорит «я не знаю». Он всегда выдаёт ответ. Уверенный, гладкий, хорошо отформатированный. Проблема в том, что уверенность и правильность — это два разных параметра, и AI их регулярно путает.
AI написал функцию авторизации. Выглядит отлично. Работает на примере. Залил в прод — а через три часа SQL-инъекция, через день утечка. Сюрприз.
Что AI выдаёт на голубом глазу, не моргнув:
- забывает обработку ошибок — «а что, могло пойти не так?»;
- вызывает методы, которых нет в этой версии библиотеки;
- придумывает названия библиотек, которых не существует в природе.
И всё это — с видом отличника, который точно знает ответ.
Последний пункт — отдельная песня. AI так часто выдумывает несуществующие пакеты, что из этого выросла целая атака, её прозвали slopsquatting. Исследователи насчитали больше 200 тысяч выдуманных названий библиотек. Дальше схема простая: злоумышленник регистрирует такой пакет с вирусом внутри и ждёт. AI уверенно советует «поставь вот эту библиотеку», ты ставишь — и привет. Один исследователь ради эксперимента зарегистрировал пакет, который выдумывал ChatGPT, — за три месяца его скачали 30 тысяч раз. Это был безобидный тест. А мог быть и не безобидный.
Поэтому каждый кусок AI-кода надо читать. Не «а, выглядит нормально», а реально читать: все импорты существуют? Ошибки обработаны? Что будет, если данных нет, или их в сто раз больше, или они в кривом формате? Нет ли инъекций и зашитых секретов? Соответствует стилю проекта?
Пропустил один пункт — получил приключение на проде. Ревью AI-кода — это не паранойя. Это гигиена. Как мыть руки.
5. Дебаг с AI
Как не потратить день на ошибку, которая живёт в одной строчке.
Код работает на примере из документации. На реальных данных — нет. Классика.
Разработчик первого типа действует так:
- «Странно, только что же работало…»
- Добавляет какой-то код наугад — «может, прокатит».
- Не прокатило.
- Возвращается к пункту 2. Много раз. С нарастающим отчаянием.
- Конец дня. Ничего не исправлено. Зато добавлено три новых бага.
Разработчик второго типа:
- Добавляет логирование: что упало и на каком шаге.
- Воспроизводит проблему на маленьком примере.
- Показывает AI конкретно, что произошло — с логами, а не «почини, что-то не работает».
- Просит переписать с учётом реальных данных.
- Проверяет результат.
Разница — в подходе. Первый молится. Второй разбирается.
Дебаг — это процентов восемьдесят всей разработки. Если ты не умеешь отлаживать AI-код, то весь выигрыш в скорости, который дал тебе AI, ты с лихвой вернёшь обратно, ковыряясь в багах. И ещё доплатишь нервами.
Блок 2. Архитектура
Тут новички сыпятся чаще всего. Потому что AI отлично пишет код прямо сейчас — и совершенно не думает о том, что будет через полгода. Думать должен ты.
6. Выбор модели
Не стоит палить из пушки по воробьям. Особенно когда пушка платная.
У моделей разный калибр. Есть мощные и дорогие — для сложных задач, где нужны рассуждения, анализ, творчество. Есть быстрые и дешёвые — для простых задач, где и так всё понятно.
И вот тут люди делают одну и ту же ошибку: «мощнее — значит лучше, возьму самую топовую на всё».
Разработчик строит сервис. Простая задачка — классифицировать сообщения. Запускает на самой мощной модели. Десять тысяч запросов в день. Через неделю прилетает счёт, от которого начальник меняется в лице. Через месяц — меняет работу.
А задача была настолько простой, что отлично крутилась бы на лёгкой модели. В разы дешевле, в разы быстрее, результат — тот же самый.
Это как заказывать вертолёт, чтобы съездить в магазин за хлебом. Доедешь, конечно. Эффектно. Но, кажется, что-то ты не учёл.
Навык — понимать, какая задача какого калибра требует. Сложное рассуждение — мощная модель. Генерация обычного кода — средняя, лучший баланс. Что-то простое и массовое — лёгкая. Угадал — экономишь как на зарплате джуна. Не угадал — объясняешь, почему «этот ваш AI такой дорогой».
7. RAG, или контекст проекта
Как сделать так, чтобы AI знал про твой код, а не про абстрактный интернет.
AI обучен на интернете. Про твой проект он не знает ничего. Ни архитектуры, ни внутренних договорённостей, ни тех граблей, на которые ты уже наступил и больше не хочешь.
Поэтому, когда ты просишь «добавь фичу в мой проект», он начинает фантазировать. Придумывает, как у тебя всё устроено. Иногда угадывает. Чаще — нет, и пишет код в стиле «по мотивам какого-то проекта из 2019 года, который я видел на обучении».
RAG — это, по-простому, способ дать AI твои данные. Документацию, код проекта, уже найденные решения. Теперь, прежде чем писать, он сначала смотрит в твои данные — и только потом отвечает. В стиле твоего проекта. Совместимо с твоей архитектурой.
Самый понятный пример — чат-бот поддержки. Без RAG он сочиняет ответы из головы и уверенно врёт клиентам. С RAG — берёт ответ из твоего FAQ и отвечает точно.
Большой проект, сложная архитектура? Дал AI весь контекст — и он наконец понимает, как у тебя всё связано, и пишет фичи, которые не разносят систему по дороге. Магия заканчивается, начинается инженерия.
8. Управление контекстом
AI забывает. Ты — нет. На этом и строится работа.
У AI есть память, но короткая. Чем длиннее разговор, тем больше он забывает, что было в начале. Это не баг и не тупость — так устроен инструмент. Но если ты об этом не помнишь, начинается комедия.
Полчаса объяснял агенту, как у тебя устроен проект, какие правила, что нельзя трогать. Поработали. А потом он на голубом глазу делает ровно то, что ты запретил полчаса назад. Потому что он это уже забыл, а ты решил, что «ну он же понял».
Управление контекстом — это умение держать AI в курсе ровно того, что ему сейчас нужно. Не вываливать всё подряд (утонет и забудет половину). Не экономить на важном (тогда нафантазирует). Вовремя напоминать ключевое. Резать задачу на куски, которые помещаются ему в голову целиком.
Это как работать с очень способным, но очень рассеянным коллегой. Гениально соображает — но если не записал, забыл. Твоя работа — следить, чтобы важное всегда было перед глазами. У него. Потому что у тебя-то память подлиннее.
Блок 3. То, что отделяет разработчика от пользователя ChatGPT
Первые два блока — про скорость. Этот — про то, останешься ты в профессии или нет. Здесь срезать углы не получится.
9. Безопасность
AI пишет уязвимости с той же лёгкостью, что и рабочий код. Разницы между «безопасно» и «просто работает» он не видит.
Повторим главное: AI не злодей. Он просто не знает, что важно, а что нет. Для него «сохранить пароль» и «сохранить пароль безопасно» — почти одно и то же. А разница между этими двумя вещами — это иногда целый бизнес.
Что обычно прилетает, если не проверять:
- пароли лежат в базе открытым текстом, как записка на холодильнике;
- SQL-инъекции, потому что запрос собран строками «на скорую руку»;
- API-ключи и пароли от базы зашиты прямо в код — заходи кто хочешь;
- приватные ключи уехали в репозиторий вместе с остальным кодом.
И AI пишет это легко. Уверенно. Неправильно.
И снова — это не теория. В начале 2026 года парень собрал AI-соцсеть Moltbook целиком на вайб-кодинге — сам, по его словам, не написав ни строчки кода. В первые 72 часа после запуска наружу утекли полтора миллиона токенов доступа и десятки тысяч email пользователей. Проект собрали быстро. Положили — ещё быстрее.
Тут простое правило: если код работает с данными людей — он проверяется на безопасность сразу. Не «потом, когда будет время» (этого времени не будет). Иначе это не разработка, а закладка мины замедленного действия под собственный проект.
И ещё одно, неприятное, но важное. Ты отвечаешь за код. Не AI. Нажал «применить» — значит, это теперь твоё решение. «Так AI же написал» — не работает ни перед security-командой, ни перед пользователями, ни перед законом. Спроси Air Canada. Их чат-бот придумал несуществующую скидку и пообещал её клиенту. Компания пошла в суд: мол, чат-бот — это отдельная сущность, мы за него не отвечаем. Суд ответил коротко: чат-бот — часть вашего сайта, отвечаете вы. И заставил заплатить. «Это всё AI» — не аргумент.
10. Критическое мышление
AI звучит убедительно даже когда несёт чушь. Особенно когда несёт чушь.
Это, пожалуй, главный навык из всех. Потому что он держит остальные девять.
AI даёт совет. Звучит логично. Очень логично. Прямо хочется поверить и сделать. И вот тут — стоп.
Потому что потом нередко выясняется:
- совет устарел — фреймворк давно поменялся, а AI учился на старой версии;
- совет просто неправильный — AI нафантазировал, но подал это так уверенно, что не подкопаешься;
- совет не подходит твоему случаю — AI не знал про твои ограничения, а ты не сказал.
Беда в том, что AI говорит «два плюс два — пять» с той же интонацией, что и «два плюс два — четыре». По уверенности их не отличить. Отличить можно только головой.
Правильный подход простой: даже если AI вещает уверенно — не верь на слово. Проверь. Загляни в документацию. Прогони на маленьком примере. Спроси опытного коллегу, если он рядом.
Вот это умение — не выключать собственную голову, когда включаешь AI — и отличает разработчика от человека, который просто пересылает ответы из чата. Первого нанимают. Второго — заменяют тем же чатом, только без посредника.
Итого
Десять навыков. Не потому что они сложные. Потому что они определяют, кто ты на самом деле: разработчик, который понимает, что делает, — или человек, который жмёт кнопку и надеется.
Заметь: ни один из этих навыков — не про то, «как нажать на кнопку в AI». Они все про голову. Про то, как ты думаешь, как ставишь задачу, как проверяешь, где не веришь на слово. AI — это инструмент. А инструмент в умелых руках и в неумелых — это две разные истории, даже если инструмент один и тот же.
Большинство рассуждает так: «начну пользоваться AI — сам как-нибудь научусь». Потом запускает AI-код в прод, всё красиво ломается, человек обиженно говорит «AI не работает» и идёт дальше. По кругу.
А кто-то просто начал учиться правильно. Учит, как ставить задачу. Учит, как читать чужой (в данном случае — машинный) код. Учит, где он сломается раньше, чем сломается. И именно этих людей нанимают, и именно им платят больше. Они конкурируют не с теми, кто лучше зубрил синтаксис. Они конкурируют тем, насколько грамотно работают с инструментом.
Знать — это не то же самое, что уметь
Можно прочитать эти десять пунктов, кивнуть и закрыть вкладку. А завтра снова залить AI-код в прод без ревью, потому что «ну работает же».
Знание и навык — разные вещи. Про велосипед можно прочитать книгу. Поехать она не поможет.
JavaRush AI University — это три месяца, где ты не читаешь про эти навыки, а набиваешь их руками. На реальных проектах. С ментором, который сам работает с AI каждый день в боевых условиях — и видит твои ошибки раньше, чем ты успеваешь их совершить. Зайти можно с любым уровнем — но чем глубже фундамент, тем выше поднимешься. Хочешь заложить фундамент заранее? Java и Python — мы тут.
Те, кто разбираются с этим сейчас, конкурируют не с разработчиками, которые пять лет учили язык. Они конкурируют с новичками, которые открыли AI на прошлых выходных.
Разница между «выходные с чатом» и «три месяца с ментором» — это, в общем-то, вся разница.
Окно открыто. Пока.
ПЕРЕЙДИТЕ В ПОЛНУЮ ВЕРСИЮ