Что программисты делают сами: инструменты эпохи AI

Когда инструмент делаешь ты сам

В 2023 году сообщество Hacker News задало себе неудобный вопрос: «А что вы сами построили с приходом AI?» Не какой ChatGPT используете, не какой Copilot настроили — а именно что сделали своими руками, используя новые возможности языковых моделей. Тред вырос в сотни комментариев, и картина оказалась куда интереснее, чем список подписок на SaaS-сервисы.

Эта статья — не обзор коммерческих продуктов. Это разбор философии и практики «самодельных» AI-инструментов: зачем их делают, как они устроены и что это говорит о новой эре разработки.

Почему «сделай сам» снова в моде

Кажется, что при наличии тысяч готовых AI-продуктов делать что-то самостоятельно — архаизм. Но разработчики, участвовавшие в обсуждении на Hacker News, приводят очень конкретные доводы.

«Мотивация — не новизна. Это контроль. Мне не нужны реклама, онбординг-флоу и попапы, AI-сайдбары, раздутые меню».

Мотивация — не новизна, а контроль. Разработчики не хотят рекламы, онбординг-флоу и попапов, AI-сайдбаров и раздутых меню в инструментах, которыми пользуются каждый день. Блокнот не должен лезть в сеть. REST-клиент не должен обновляться посреди запроса.

Есть и цифры. 84% разработчиков используют или планируют использовать AI-инструменты в своём рабочем процессе, а 51% профессиональных разработчиков применяют их ежедневно. Но это статистика потребления готовых продуктов. Куда интереснее — те, кто перешёл от потребления к созданию.

2025 год стал годом трансформации в подходе к разработке ПО: инструменты повзрослели, и рабочие процессы эволюционировали от «AI как автодополнение» до «AI как параллельная рабочая сила».

Категории самодельных инструментов: что строят чаще всего

Анализ HN-треда и смежных обсуждений позволяет выделить несколько устойчивых архетипов.

1. Браузер с встроенными дизайн-инструментами

Один из самых необычных проектов в треде — браузер, у которого вместо dev tools встроены design tools. Обычные браузеры имеют встроенные инструменты разработчика, а этот инструмент имеет встроенные инструменты дизайна: можно открыть приложение, развернуть окружающий холст, перетащить фрагменты на него, поработать с ними в дизайн-режиме и слить изменения обратно в код — всё в одном интерфейсе. Проект оказался настолько полезным, что автор решил его опубликовать на matry.design.

2. Персональные дайджесты и агрегаторы контента

Классическая боль — слишком много источников информации, слишком мало времени. Один разработчик еженедельно собирает все новые записи докладов с сотен конференций (Devoxx, KubeCon, PyCon, QCon и других) и подкастов, отбирает самое важное с короткими саммари и рассылает список всего остального — проект начинался как личное решение проблемы неудобных YouTube-подписок и RSS-лент, а сейчас его читают более 7500 человек.

3. Автоматизация рутинных рабочих задач

Это самая массовая категория. Скрипты для стендапов, генераторы отчётов, маршрутизаторы уведомлений.

n8n — типичный инструмент выбора для построения автоматизированных воркфлоу: думайте о нём как о самохостируемом движке автоматизации. Можно соединить практически любую комбинацию сервисов, API и триггеров, чтобы повторяющиеся задачи выполнялись сами — от пайплайнов публикации контента до синхронизации данных между инструментами.

4. Агентские пайплайны для кодинга

Наибольший скачок продуктивности приходит не от автодополнения, а от выстраивания цепочек специализированных агентов: одни генерируют код, другие проверяют его на безопасность, третьи пишут тесты, четвёртые составляют документацию. Когда AI-инструменты становятся полноправными участниками пайплайна (а не просто ассистентами), когнитивная нагрузка падает, контекст остаётся согласованным, и у разработчиков появляется больше времени на архитектуру.

5. Инструменты для обучения и работы с информацией

NotebookLM от Google позволяет переварить и связать информацию из разных документов: изучать новые технологии, анализировать данные и генерировать идеи для статей. Это как личный репетитор, который может обращаться к PDF, делать заметки и сверяться с веб-источниками за секунды. Отдельная фишка — превращение источников в подкаст, который можно слушать на ходу.

Архитектура типичного самодельного AI-инструмента

graph TD
    A[Личная боль / рутина] --> B[Выбор подхода]
    B --> C1[LLM API / локальная модель]
    B --> C2[Готовый фреймворк: n8n, LangChain]
    C1 --> D[Скрипт / агент / UI]
    C2 --> D
    D --> E[Автоматизация задачи]
    E --> F{Работает для себя?}
    F -- Да --> G[Иногда публикуют / open-source]
    F -- Нет --> B

Большинство самодельных инструментов проходят один и тот же путь: личная боль → минимальный прототип → итерация → стабильная версия для себя. Публикация — скорее исключение, чем правило, и обычно происходит, когда проект «настолько крутой, что жалко держать для себя».

Реальные цифры: что говорит статистика

52% разработчиков согласны с тем, что AI-инструменты оказали положительный эффект на их продуктивность. Но картина не однозначна.

Рандомизированное контролируемое исследование METR выявило, что при использовании AI-инструментов опытные open-source-разработчики тратят на 19% больше времени, чем без них. Парадокс? Нет — после исследования разработчики в среднем оценивали своё ускорение в 20%, то есть ошибались в оценке реального эффекта AI на продуктивность.

Это ключевой инсайт: субъективное ощущение ускорения ≠ объективное ускорение. Самодельные инструменты хороши именно тем, что их авторы знают свой процесс и могут точнее оценить, где AI помогает, а где мешает.

Как строить: примеры кода и паттерны

Вот минимальный паттерн для личного AI-скрипта на Python — например, автоматического дайджеста из RSS-лент:

import feedparser
from openai import OpenAI

client = OpenAI()  # читает OPENAI_API_KEY из окружения

def fetch_articles(feed_url: str, limit: int = 10) -> list[str]:
    feed = feedparser.parse(feed_url)
    return [
        f"{entry.title}\n{entry.summary}"
        for entry in feed.entries[:limit]
    ]

def summarize(articles: list[str]) -> str:
    content = "\n\n---\n\n".join(articles)
    response = client.chat.completions.create(
        model="gpt-4o-mini",
        messages=[
            {"role": "system", "content": "Ты — редактор дайджеста. Выдели 3 самых важных материала и объясни почему."},
            {"role": "user", "content": content}
        ]
    )
    return response.choices[0].message.content

if __name__ == "__main__":
    articles = fetch_articles("https://hnrss.org/frontpage")
    print(summarize(articles))

Этот скрипт можно запускать через cron каждое утро и получать в терминал или Telegram краткий дайджест из любой RSS-ленты. Стоимость одного запуска с gpt-4o-mini — меньше одного цента.

Философия: инструменты для себя vs. продукты для всех

После реструктуризации рабочих процессов и перехода на полноценное AI-инструментирование количество контрибуций в день выросло с 10–15 до более чем 25 в среднем. Но такой результат достигается только тогда, когда инструмент точно соответствует вашему процессу.

Чтобы по-настоящему раскрыть ценность AI, нужно интегрировать агентов в свой способ работы, а не просто копировать чужую конфигурацию. Инструменты мощны, но именно оркестрация превращает умные функции в реальную скорость.

В этом и состоит главная разница между «купить инструмент» и «сделать инструмент»:

В 2026 году AI-инструменты стали коллегами разработчиков, а не просто ассистентами: от написания и отладки кода до автоматизации документации — они теперь формируют то, как разработчики думают, строят и выпускают ПО.

Заключение: новая грамотность

Тред на Hacker News — это не просто коллекция интересных проектов. Это манифест нового типа разработчика: того, кто не просто использует AI, а строит с ним.

Самодельные инструменты — это:

• Контроль над данными и поведением
• Точное соответствие вашему процессу
• Понимание того, как AI работает изнутри
• Страховка от vendor lock-in

Наиболее признанный эффект AI — это личный прирост эффективности, а не командный. Именно поэтому самодельные инструменты так ценны: они оптимизированы под одного конкретного пользователя — вас.

Начните с малого: возьмите одну рутинную задачу следующей недели и попробуйте написать для неё скрипт с LLM. Не продукт — просто инструмент для себя. Скорее всего, это будет самый полезный AI-проект, который вы когда-либо запустите.