Содержание слайдов

1. 1. Почему AI-copilot архитектора всё ещё не получился

   Разбор систематического обзора 51 исследования с Сергеем Барановым

2. 2. AI видит снимок; архитектура хранит историю

3. 3. Диаграмма показывает форму; решение хранит компромисс

   Артефакт

   Диаграмма

   ADR

   Список паттернов

   Архитектура

   Почему сейчас

   Цена изменения

   Последствия позже

4. 4. Обзор систематизирует исследования, не измеряет эффективность copilot

5. 5. 51 работа прошла многоступенчатый отбор

6. 6. Широкое покрытие, неглубокая интеграция

7. 7. Широкие решения труднее проверять

8. 8. Три эксперимента показывают пользу — и её границы

9. 9. LLM создаёт кандидата, не принятый ADR

10. 10. Runtime даёт измеримый исход

11. 11. Результат верен в границах измерения

    Что реально измерили

    Извлечение / паттерны · 4 проекта / 3 класса

    Кандидат ADR · n=95

    Deployment time · AKS-стенд

    Что из этого не следует

    Требования и компромиссы покрыты

    Граница системы оптимальна

    Решение выдержало релизы

12. 12. 21 инструмент распределён по уровням ISL

13. 13. Инструменты создают острова интеллекта

14. 14. Артефакты существуют. Архитектурной цепочки нет

15. 15. 15 проблем сводятся к 6 требованиям

16. 16. Реальному copilot не хватает шести способностей

17. 17. Адаптация требует памяти о длинном горизонте

    AICH1 · обновлять рекомендацию

    Версия требования изменилась

    Найти зависимые решения

    Пересобрать вариант + evidence

    AICH6 · помнить последствия

    Наблюдать debt и smells

    Связать версии, инциденты, erosion

    Вернуть сигнал в решение

18. 18. Трассируемость без контекста остаётся формальной

    AICH2 · непрерывная traceability

    Requirement ↔ ADR · type/version

    ADR ↔ component · rationale

    Component/code ↔ runtime · evidence

    AICH3 · локальный контекст

    Доменные правила и данные

    Teams · regulation · security boundaries

    Migration cost + legacy constraints

19. 19. Экспертная проверка требует evidence, а не уверенности

    AICH4 · expert review

    Нормы · security · regulation

    Локальные domain exceptions

    Owner принимает residual risk

    AICH5 · evidence-based measure

    Quality attribute

    Signal + baseline

    Threshold меняет решение

20. 20. ArchBench стандартизирует pipeline, но не смысл метрики

21. 21. R2ABench разделяет форму, граф, смысл и evidence

22. 22. Знание не равно ответственности за решение

23. 23. Бенчмарк измеряет способность, не эффект

    Что измеряет бенчмарк

    Фиксированный объект оценки

    Повторяемый input + baseline

    Заданные metric, scope, cost

    Что происходит в компании

    Неполные меняющиеся факты

    Ограничения + конфликтующие качества

    Последствия и ownership во времени

24. 24. Форма улучшается быстрее архитектурной связности

25. 25. Дорожная карта начинается с инфраструктуры знаний

26. 26. Решение должно прослеживаться до runtime и обратно

27. 27. AI анализирует. Архитектор владеет компромиссом

28. 28. Архитектурная база — не большой prompt

    Prompt

    Снимок контекста одного run

    Неявная версия + freshness

    Слабая provenance; нет owner

    Living knowledge

    Schema + typed relations

    Версии + freshness policy

    Evidence + provenance + owner

29. 29. Пройдите одно изменение в обе стороны

30. 30. Начинайте с workflow, не продукта

31. 31. Что подтверждают данные

    51 исследование картирует поле, не ROI

    Узкие задачи дают ограниченную пользу

    21 инструмент автоматизирует отдельные острова

    Бенчмарки не доказывают production-эффект

    Старт: living knowledge + human accountability

    AI удешевляет форму; ценность связности, evidence и ownership растёт

32. 32. Архитектурная память важнее ещё одного ответа

    Лонгрид, paper и replication package доступны по ссылкам на первом слайде

    Книжный куб

    Продолжим обсуждение архитектуры, AI4SDLC и инженерных исследований в канале.

    Александр Поломодов, Technical Director & Fellow, Т-Технологии

    @Book_Cube