Прекрати гнаться за LLM поездом. Итоги 2025.

LLM поезд не остановится. И это не метафора, это факт современной разработки.

⚫Понедельник, 9:00.
Команда DeepSeek объявляет релиз новой версии модели. В сообществе X сразу начинается бурное обсуждение: сравнение с GPT, разговоры о революции и массовый запуск бенчмарков. Паники нет, но все уже открыли терминал. Ты открываешь терминал, начинаешь вводить ollama pull deepseek...
⚫Понедельник, 14:00.
Mistral Large 3 обновился. Бенчмарки снова переписаны. Теперь это убийца Claude! Ты ещё не дотестил DeepSeek, но уже качаешь Mistral.
⚫Вторник, 8:00.
Meta выпускает Llama 4 70B. Game changer! Открытая модель наконец обогнала закрытые! Папка с весами растёт. Табличка сравнений превращается в Excel монстра с 47 вкладками.
⚫Среда, 18:00.
Qwen от Alibaba, Phi-4 от Microsoft, Gemma 2 от Google, Command R+ от Cohere, Falcon 180B, Mixtral 8x22B и это только за одну неделю. Каждая модель кричит: "Я лучшая! Нет, я! А теперь я с квантизацией! А я с 128K контекстом! А у меня reasoning!"
⚫Четверг, 11:00.
Ты сидишь посреди цифрового торнадо из терминалов, скриншотов бенчмарков, недозапущенных экспериментов и понимаешь: ты не разрабатываешь. Ты реагируешь на шум.

В какой то момент я остановился. Не из за усталости. Не из за выгорания. А потому что понял простую вещь: LLM поезд - это runaway train. Он не ждёт пассажиров. Он не делает остановок для тех, кто опоздал. Он просто едет дальше, каждый день набирая скорость.

И вопрос не в том, успеваешь ли ты за ним. Вопрос в том, а надо ли?

🔹Глава первая.

За год работы в N8N я собрал десятки автоматизаций: от простых интеграций API до сложных мультиагентных воркфлоу. Клиенты получали рабочие решения, которые экономили им часы ручной работы. Я чувствовал себя компетентным. Востребованным. Уверенным.

И знаете, что я понял за это время? n8n это универсальное решение для бизнеса.

⚪Вот классическая картина привычной разработки в IT.

Заказчик хочет автоматизировать что либо. Он идёт в IT компанию. Там ему говорят: "Хорошо, нам понадобится команда".
Backend разработчик. Frontend разработчик. DevOps. QA тестировщик. System Architect. Бизнес аналитик (BA). UX/UI дизайнер. Security Engineer. Data Engineer. Product Manager и т.д

⚪А теперь реальность с N8N.

Тебе нужен один человек. Всё. Без IT среды. Без спринтов. Без недельных тасков между отделами. Без наглых соплежуев, которые кидают задачи друг на друга и объясняют, почему "это не их зона ответственности".
Один грамотный N8N специалист собирает воркфлоу за дни/недели. Интегрирует API. Настраивает логику. Разворачивает в облаке. Всё работает. Клиент доволен.
Это не значит, что n8n серебряная пуля для всех задач. Но для 80% бизнес автоматизации это идеальное решение по соотношению скорость/стоимость/результат/качество.

⚪И именно в этом была моя проблема.

Потому что чем больше времени ты проводишь в одном инструменте, тем сильнее этот инструмент становится твоей реальностью. Ты начинаешь думать категориями этого инструмента. Видеть задачи через призму его возможностей. Каждую новую проблему ты пытаешься решить тем же молотком, которым работал последние сто раз.

Ты становишься экспертом по нажиманию правильных кнопок в правильном порядке. Но ты перестаёшь развиваться. Потому что развитие, это не про один инструмент. Это про архитектуру. Про понимание, как вещи работают под капотом. Про способность собрать решение с нуля, когда готовых блоков нет.

Рынок AI разработки сейчас не про "один инструмент". Он про стек. Про гибкость. Про умение выбирать правильный уровень абстракции для конкретной задачи. Иногда это n8n для быстрого прототипа. Иногда это Python и LangChain для кастомной логики. Иногда это собственная инфраструктура на арендованных GPU.

Я понял это не сразу. Осознание пришло постепенно, через череду маленьких моментов разочарования. Когда клиент просил что то за пределами возможностей платформы. Когда я видел чужое решение на чистом коде и понимал, что у меня такого не получится. Когда читал статьи про production AI системы и осознавал, как мало я на самом деле знаю.

⚪И тогда я задал себе вопрос. А что дальше?

Дальше был выбор. Остаться специалистом по n8n, который год за годом делает одно и то же, но быстрее чем остальные. Или стать действительно AI инженером, который понимает, как эти системы устроены изнутри. Я выбрал второе.

🔹Глава вторая.

Но прежде чем начать учиться чему то новому, мне нужно было разобраться с информационным хаосом.

Т.к вот что происходит, когда ты решаешь "войти в AI". Тебя накрывает цунами контента. Курсы, туториалы, статьи, YouTube каналы, Telegram каналы, которые вывалюват на тебя тонну информации ежедневно.

И главная ловушка здесь, это иллюзия прогресса. Ты читаешь статью про RAG. Смотришь видео про LangChain. Скачиваешь очередную модель. И тебе кажется, что ты развиваешься. Но на самом деле ты просто потребляешь контент.

Я ввёл для себя систему фильтрации. Называю её правилом трёх вопросов:

⚪1. Решает ли это проблему, которая у меня есть прямо сейчас?

Не гипотетическую задачу из разряда "вдруг понадобится". А конкретную, измеримую, существующую проблему. Если нет чёткого use case, это белый шум.

⚪2. Чем это принципиально отличается от того, что я уже использую?

Быстрее на 15.00%? - не принципиально. Умеет работать с 128K контекстом там, где у других 32K? - уже ближе. Решает класс задач, которые раньше вообще не решались? - вот это да.

⚪3. Готов ли я потратить минимум неделю на глубокое изучение?

Потому что запустить модель через Ollama, это 5 минут. А реально понять её поведение, ограничения, оптимальные стратегии промптинга, edge cases, интеграцию с пайплайном, это дни и недели работы.

Если хотя бы на один вопрос ответ "нет", я листаю дальше. Никаких сожалений.

🔹Глава третья.

Где то на этом этапе я начал получать рекламу курсов по AI.

"Станьте AI инженером за 3 месяца!", "От нуля до ML эксперта!", "Менторство от практиков!" Цена вопроса? 4000.00 - 8000.00 USD годовое обучение.

И знаете, что меня поразило больше всего? Не наглость маркетинга. А то, что люди покупают эту херню.

⚪Давайте разберём анатомию типичного "курса по AI".

Неделя 1-2: Вводные лекции про то, что такое нейросети. Обычно это пересказ Википедии с анимациями из PowerPoint 2007 или презентацией из Gamma.

Неделя 3-4: Практика. Вы запускаете готовый Jupyter notebook и меняете пару параметров. Чувствуете себя хакером.

Неделя 5-6: Проект. Обычно это что то вроде "тупого чат бота на базе OpenAI API". Вы копируете код из документации, добавляете пару if else и получаете сертификат.

Менторство: Чат в Telegram, где ментор (который сам прошёл этот курс три месяца назад) раз в неделю отвечает на вопросы односложно и со ссылками на Google.

⚪Вот вам честная правда, которую никто не говорит. В 2025 году платить кому то за обучение AI - это долбоебизм. Мы живём в эпоху, когда:

Все топовые курсы от MIT, Stanford, Microsoft выложены бесплатно
Любая LLM объяснит тебе концепцию лучше, чем ментор студент
Вся документация, все статьи, все туториалы в открытом доступе
GitHub полон рабочего production кода, который можно изучать

За что стоит платить? Так это за твоё время и фокус. Всё остальное? - бесплатно.

🔸Vibe Coding.

А теперь давайте поговорим о вещи, которая заставит половину читателей закрыть эту статью в негодовании.

⚪Я не программист. Совсем.

Я вообще понятия не имею, что написано в половине кода, который я использую. Я просто вижу: работает или нет. Компилируется? Отлично. Падает с ошибкой? Скармливаю её Claude, получаю фикс, запускаю снова.

⚪А как я его написал, какая кому разница?

И это новая реальность разработки, от которой старая гвардия программистов впадает в истерику. "Ты не понимаешь основ!" - кричат они. "Ты не знаешь, как работает память!". "Ты не можешь объяснить алгоритм сортировки!".

⚪И знаете что? Они правы. Я действительно не знаю. И мне не нужно знать.

Потому что пока они пишут идеально чистый код, соблюдая все паттерны проектирования и споря в комментариях о naming conventions, я запускаю рабочии проекты, которые приносят деньги.
Пока они гордо объясняют, почему мой код "технически некорректен", мои клиенты получают решения, которые работают. Стабильно. В production. И экономят им десятки тысяч в месяц.
Времена изменились. Нейросети могут делать 80% рутинной работы программиста. Claude пишет код лучше и быстрее, чем мидл разработчик с двумя годами опыта. GitHub Copilot автокомплитит целые функции.

⚪И это круто.

Потому что ценность разработчика сейчас не в том, может ли он написать идеальный алгоритм с нуля. Ценность в том, может ли он собрать рабочее решение. Понимать задачу клиента. Выбрать правильный стек. Собрать архитектуру. Интегрировать сервисы. Отладить. Задеплоить. Поддерживать.

⚪А код? Код пишет нейросеть. Я просто направляю процесс.

Те люди, которые реально учились коду и были профи в своё время, сейчас чувствуют, что к ним меньше уважения. И это их бесит. Потому что вся их гордость построена на том, что они "знают, как всё устроено".

⚪Но рынок не платит за знания. Рынок платит за результат.

И если я могу достичь того же результата за меньшее время, с меньшим бюджетом, без команды из пяти разработчиков, то какая разница, что я "не настоящий программист"? Здесь не важно, сколько книг по CS ты прочитал. Важно, сколько продуктов ты запустил в прод. И да, старая гвардия может закрывать эту статью в гневе. Но поезд уже ушёл. И он не останавливается.

🔹Глава четвёртая.

Итак, если курсы - отстой, то как учиться правильно?

Вот мой личный roadmap. Это не теория из воздуха, это конкретный путь, по которому я иду прямо сейчас. С указанием ресурсов, затрат времени, реальной пользы и честными отметками: что уже пройдено, что в процессе, что впереди.

🔸Все ресурсы бесплатные.

⚪ ✅Уровень 1. Серия лекций Python + AI от Microsoft.

Внутри 9 лекций с видео, презентациями и кодом, которые позволяют погрузиться без боли в AI разработку. Среди тем: RAG, эмбеддинги, агенты и MCP протокол.

⚪✅ Уровень 2. LangChain и LangGraph.

Собрано больше 500 проектов с AI агентами. От медицины и образования до маркетинга, логистики и финансов. Внутри реальные примеры, как всё это запускается и работает, какие роли у агентов, какие цепочки запросов, какие инструменты подключать и как это собирать в боевой прототип.

⚪🔄 Уровень 3. SMOL Playbook от HuggingFace.

200+ страниц о том, как тренировать LLM. Как выбрать архитектуру, подготовить данные, не слить бюджет на вычисления и избежать типичных ошибок при обучении моделей.

• Пригодится, кому нужна компактная модель под конкретную задачу.
• Компаниям с ограниченным бюджетом.
• Руководителям, которые хотят понять, почему одни LLM работают, а другие нет.

⚪🔄🔥Уровень 4. GPU Rental и Production от Andrej Karpathy.

Полный учебный пайплайн обучения LLM с нуля: свой токенизатор на Rust, pretraining, SFT, RL и eval в ~8000 строк кода без лишних зависимостей. На его основе можно собрать мини ChatGPT за ~$100 и несколько часов на облачном GPU и по дороге наконец понять, как реально устроено обучение больших языковых моделей. Практика топ уровня от мастера, которую не стоит упускать.

⚪🔄🔥Уровень 5. Реальные кейсы от гигантов.

Собраны живые примеры внедрения LLM от крупных компаний. Meta, OpenAI, Netflix, Uber, Swiggy и других. Это разбор реальных продуктов, как они используют ИИ для поиска, тестов, кода, рекомендаций и автоматизации.

Отличная шпаргалка, как большие дяди уже внедрили LLM в прод, какие подходы работают и что можно украсть в свои проекты.

🔸Что дальше?

Это не конец. Это точка отсчёта. По каждому пункту я сделаю отдельную подстатью, где разберу под микроскопом:

Каждое своё действие
К чему это привело
Чему научился (и что оказалось бесполезным)
Какие грабли встретил
Реальные кейсы применения
Конкретные цифры (время, деньги, результаты)

Никакой теории ради теории. Только практика и честные выводы.

🔹Глава пятая.

Чтобы не быть голословным, я не бросил n8n. Более того, мои старые проекты живы, активны и продолжают работать для компаний, которые я обслуживаю.

И знаете что? Оказалось, что решения, которые я собрал в n8n буквально летом, с течением времени превратились в нечто гениальное.
Да, я вносил изменения. Да, было море апдейтов, иногда кардинальных. Логика переписывалась. Интеграции ломались и собирались заново.
Оркестрация превратилась в вызов. Когда ты строишь сложные AI системы, любое минорное изменение, обновление модели, добавление шага в цепочку, изменение API, влечёт цепную реакцию. Приходится пересобирать архитектуру, отлаживать зависимости, следить, чтобы ничего не развалилось. Тяжело. Это требует времени и внимания.

Но именно здесь, в этой сложности, и лежит настоящий инженерный интерес. Это уже не "лоу код конструктор для автоматизации почты". Это взрослая задача по управлению распределённым AI хаосом в production.

Как будет время, напишу подробные апдейты по ранее реализованным проектам. Там будет обновленная архитектура, проблемы и решения. Без прикрас.

🔹Глава шестая. Voice агенты.

Сейчас работаю над новым направлением, которое невозможно игнорировать. Это голосовые AI агенты для бизнеса.

Рынок Voice AI сейчас в той же точке, где был рынок чат ботов год назад. Все понимают, что это будущее. Но 90% решений которые я видел, либо игрушки для демо, либо дорогие кастомные разработки за сотни тысяч.
Я строю что то посередине. Production ready Voice агента на стеке n8n + голосовые платформы (Retell AI, Vapi, ElevenLabs), который можно развернуть под конкретный бизнес за дни, а не месяцы.
Вот что я понял за время работы с этой технологией: Голосовые агенты это не ещё один канал коммуникации. Это принципиально другая механика взаимодействия. Когда человек звонит в компанию, у него нет времени ждать. Нет терпения читать инструкции. Он хочет решить проблему сейчас, и тут либо агент справляется, либо человек вешает трубку и идёт к конкурентам.

Поэтому Voice агент должен быть не просто умным. Он должен быть надёжным.

Латентность (задержка ответа) под 1 секунду.
Стабильная работа при параллельных звонках.
Интеграция с реальными системами.
Fallback логика, агент может корректно передать звонок человеку.

Моя текущая архитектура:

n8n как оркестратор: Retell AI / Vapi как голосовой движок, они обрабатывают телефонию, speech to text, text to speech. Latency на уровне 500-800ms. Поддержка 18+ языков. Интеграция с Twilio для реальных звонков.
RAG (Retrieval-Augmented Generation) через векторные БД (Qdrant, Pinecone). Агент не отвечает из головы, а ищет информацию в базе знаний компании. Это критически важно. Каждый бизнес уникален, и generic ответы не работают.
Концепция: максимально снизить порог входа. Не нужно быть разработчиком. Не нужно понимать, как работает LLM под капотом. Просто берёшь темплейты, меняешь промпты под свой бизнес, загружаешь документацию о своем бизнесе, подключаешь API ключи и агент уже может принимать звонки.

Скоро покажу, как это работает изнутри, с архитектурой и воркфлоу. Об этом выйдет отдельная и большая статья, которую я добавлю в реальные кейсы интеграции АИ в бизнес.

Заключение.

Теперь n8n, это один из инструментов, а не единственный. Теперь, когда клиент приходит с задачей, я не думаю "как это сделать в n8n". Я думаю "какой стек здесь оптимален".

Итоги 2025 года.

В январе 2025-го у меня не было амбиций развиваться в AI. Я был рядовым пользователем GPT, который использовал чат бота как улучшенную версию Google или корректора текстов.
Поворотным моментом стала не вера в светлое будущее, а сухая прагматика. Я увидел рекламу визуального программирования. На экране была не магия общения с роботом, а архитектура: блоки, условия, API запросы, передача данных.
Я увидел логику. Меня зацепило не то, что AI может творить, а то, что этот процесс можно алгоритмизировать. Входные данные → Обработка → Результат.
Я понял, что передо мной не просто умный чат, а инструмент для конвейерной обработки рутины. То, на что человек тратит часы (копипаст, сверка, пересылка), система выполняет за миллисекунды, если правильно собрать цепь. Именно этот инженерный потенциал, превратить хаос действий и строгий алгоритм, заставил меня начать копать глубже.

Эффективность через избыточность.

Первые месяцы в n8n напоминали не столько обучение, сколько агрессивный реверс инжиниринг. Я создавал сценарии не ради бизнес пользы, а ради понимания механики инструмента.
Я строил намеренно усложненные конструкции. Перенос текста из одной ячейки в другую? Я делал это через 17 узлов. Преобразование JSON? Выстраивал цепочку из 12 шагов там, где хватило бы одного скрипта.
Со стороны это выглядело как стрельба из пушки по воробьям и максимально неэффективно. Но именно эта избыточность позволила мне понять, как система работает под капотом. Я учился управлять данными, гоняя их по самым сложным маршрутам.
Это было необходимое упражнение. Ты не можешь научиться оптимизировать процесс, пока не научишься его усложнять и деконструировать.
Именно тогда сформировался главный принцип моего обучения: опыт - это сумма исправленных ошибок. N8N (как и любой сложный инструмент) невозможно выучить по теории. Его можно только нащупать через практику. Реальное понимание архитектуры приходит не тогда, когда всё работает сразу, а в цикле: Собрал → Сломалось → Проанализировал лог → Починил.

Портфолио как техническая летопись.

Формирование портфолио стало для меня не способом самопрезентации, а инструментом фиксации технического прогресса. Это возможность увидеть дельту между мной тогда и мной сейчас.
Проводя ревизию своих ранних проектов, я смотрю на них уже не как автор, а как сторонний аудитор. Некоторые решения сейчас кажутся очевидно неоптимальными: избыточная логика, лишние узлы, архитектурные костыли. То, что полгода назад воспринималось как инженерная победа, сегодня выглядит как legacy код, требующий рефакторинга.
Однако в этом кроется важный парадокс: несмотря на структурную наивность, эти системы продолжают стабильно работать и выполнять свои задачи.
Главное изменение за этот год произошло не в наборе инструментов, а в оптике. Раньше критерием успеха был сам факт работоспособности (зеленая галочка). Сейчас фокус сместился на элегантность решения, отказоустойчивость и ресурсы. Я перестал гнаться за результатом любой ценой и начал ценить точность и чистоту архитектуры.

Увидел рынок без фильтров.

Самое забавное в моем 2025-м, я не вешал табличку "Открыто". Я не искал клиентов. Я вообще не планировал на этом зарабатывать, у меня есть основной доход.
Но люди пришли сами. И принесли с собой суровую реальность. Вот здесь розовые очки разбились окончательно.
Половина запросов в моей личке звучит так, будто человек посмотрел два видео в TikTok про успешный успех и решил, что мозг ему больше не нужен. Я читаю сообщения и иногда улыбаюсь, не со зла, а от абсурда.
Люди реально верят, что AI - это кнопка "Сделать хорошо". Типичный диалог: «У нас в CRM полный бардак, менеджеры тупят. Внедри AI, чтобы стало нормально». Или «Мы не знаем регламентов, пусть бот сам решит, как отвечать». «У нас нет процессов, но мы хотим их автоматизировать».
И вот тут я хочу прибить гвоздями над дверью каждого офиса главный принцип, который я выстрадал за этот год.
AI - это не волшебная палочка. Это усилитель.
Если у вас в бизнесе порядок, AI сделает его идеальным. Если у вас бардак, AI сделает его чудовищным.
Нейросеть не лечит бизнес процессы. Она их масштабирует. Если у вас внутри мусор, AI просто начнет кидать этот мусор в клиентов. Быстро. Уверенно. Круглосуточно. И с улыбкой.
Так что, прежде чем просить магию, убедитесь, что вам есть, что усиливать, кроме собственного хаоса.

AI убивает своей честностью.

В начале года я был наивен. Я думал: чем умнее модель, тем лучше. Чем точнее, логичнее и фактичнее ответ, тем круче результат.
А потом реальность дала мне под дых. Я понял, что реальный бизнес это не логика. Это психология.
Клиент не всегда приходит за правдой. Он приходит за надеждой. За ощущением контроля. За тем, чтобы его успокоили. За человеческим отношением, а не за сухой выкладкой данных.
А ИИ, если не надеть на него намордник, делает страшную вещь. Он вываливает правду без контекста. Он как социопат, который выучил энциклопедию, но не выучил такт.
И эта "голая правда" работает как дробовик. Она убивает.
Лидов (которым сказали "это дорого", вместо того чтобы продать ценность).
Доверие (когда бот радостно отвечает на трагедию смайликом).
Репутацию (когда бот обещает то, что физически невозможно).
Люди ненавидят, когда с ними разговаривает справочник. Они любят, когда с ними говорит тот, кто чувствует момент: где промолчать, где смягчить, где не умничать.
Мой главный вывод к концу года. AI не должен пытаться быть человеком. Это путь в никуда. Он должен быть полезной системой. С жесткими рамками. С ограничениями. С эскалацией на живого сотрудника. И, самое главное, с правом сказать: "Я не знаю".

Год, когда магия закончилась.

Я больше не ищу самую умную модель. Я ищу самую предсказуемую. Потому что реальность разработки это минное поле.
Внешние сервисы падают.
Клиенты загружают в систему мусор.
Сотрудники пытаются обмануть алгоритмы.
Идеальных условий не существует.
Ценность не в том, чтобы заставить AI говорить.
Ценность в том, чтобы заставить его работать по правилам. Не падать. Не врать. Не фантазировать. Создать систему, которая переживет любой шторм. Магия ушла. Осталась система. И строить её оказалось гораздо интереснее, чем просто верить в чудеса.

Финал.

Я заходил сюда как турист, который увидел разноцветные кубики n8n. Выхожу как человек, который выжал из этого инструмента всё, что физически возможно.
Я прошел эту игру. Я строил на лоукоде системы, которые по логике должны писаться командой бэкендеров. Но я уперся в потолок. Мне стало тесно в рамках готовых кубиков. Я чувствую, как инструмент, который раньше давал свободу, теперь начинает ограничивать полет моих мыслей. Я не просто научился собирать конструктор, я перерос саму коробку с деталями.
AI разработка это не про код. Это про принятие решений. Ты не собираешь флоу, ты задаёшь рамки, внутри которых система сама разбирается, что делать. Ты перестаёшь думать шагами и начинаешь думать состояниями, ограничениями и последствиями. И в какой то момент ловишь себя на мысли: ты уже не "делаешь автоматизацию". Ты проектируешь поведение. Спокойно, трезво, без магии, просто на уровне, где готовые кубики больше не подходят.
n8n дал мне базу. Он научил меня мыслить процессами. Но я перерос "кубики". В 2026-м я иду дальше. Мой план, уходить в глубину. Туда, где живут кастомные решения, файнтюнинг моделей под микро-задачи и собственные нейронные архитектуры. Туда, где создаются не "чат-боты", а цифровые мозги для компаний.
Я не срываю звезд с неба. Я прекрасно вижу, какая стена сложности стоит впереди. Там будет больно, там будет дорого, там будет математика, от которой сводит скулы. Но пока мной движет первобытный интерес, меня вряд ли кто-то остановит.
Увидимся в 2026-м 👏.