Лекції

У цій лекції розглянемо, як перетворити розрізнені повідомлення на спостережувану систему. Запровадимо структуровані JSON-логи, єдиний trace_id для наскрізної кореляції (ChatGPT App → MCP → віджет → бекенд → вебхуки), мінімальний «стандарт» полів ( service, env, flow, step), практику логування інструментів і бекенд-проксі, а також правила безпеки (PII-scrub, секрети, обмеження DEBUG у продакшні).

У цій лекції розбираємо базові принципи спостережуваності для ChatGPT App на прикладі GiftGenius. Пояснюємо, чому замість «здається, працює» потрібні вимірювані SLI і цілі SLO. Також розглянемо, як читати й використовувати перцентилі ( p50/ p95/ p99) замість середнього значення, як обчислювати error-rate і availability, чому вебхуки — окрема зона ризику для комерційної частини, і як технічно збирати метрики в TypeScript/Next.js через простий logMetric.

У цій лекції ми зберемо «мінімально життєздатну» піраміду тестування для ChatGPT App на прикладі GiftGenius: швидкі unit-тести для чистих функцій ( scoreGift, rankGifts), contract‑тести на Zod/JSON Schema для MCP‑інструментів ( inputSchema/ outputSchema) і для ACP та вебхуків, «майже E2E» без chatgpt.com (React Testing Library + Playwright), а також smoke‑перевірки в CI. Усе це потрібно, щоб мати гарантію: Next.js стартує, MCP відповідає на базові виклики, а checkout‑ендпоїнти не падають на типовому JSON.

У цій лекції ви зберете практичний релізний процес для ChatGPT App: запровадите матрицю версій за шарами (код, схеми tools, промпти, дані), оформите CHANGELOG і релізні нотатки (release notes), навчитеся безпечно мігрувати SDK/ spec, відокремите розгортання від релізу за допомогою feature flags і побудуєте зрозумілий план відкочування — зокрема для «небезпечних» змін маніфесту та схем інструментів.

У цій лекції розбираємося, як робити «легкі» навантажувальні прогони для ChatGPT App і MCP/ACP‑бекенда. Поговоримо, чому важливіша одночасність запитів, а не абстрактні RPS; як контролювати затримки p95/ p99 та error rate; і чому тестувати варто безпосередньо власні ендпойнти ( /api/mcp, /api/checkout/create), а не через інтерфейс ChatGPT. Далі перейдемо до якості product feed: структурна валідація через Zod, бізнес‑правила та нормалізація даних, дружня до LLM. Наприкінці — як вбудувати smoke‑load і перевірку фіду в процес релізу та яких помилок команди найчастіше припускаються.