Стикерпак Evrone для Telegram: история одного необычного IT-проекта.

Содержание

1. Задача: привлечь внимание без прямой рекламы
2. Решение: серия коллекционных стикеров
3. Результат: узнаваемость внутри сообщества
4. Вместо вывода

🎯 Задача: привлечь внимание без прямой рекламы

Участники IT-конференций ежедневно сталкиваются с огромным количеством информации.

Доклады сменяют друг друга.

Стенды конкурируют за внимание.

Бренды борются за узнаваемость.

На этом фоне команда Evrone решила использовать необычный инструмент коммуникации — стикеры.

Причина была простой:

💻 Ноутбук разработчика часто превращается в личную доску достижений, интересов и воспоминаний.

Попасть на неё гораздо ценнее, чем показать логотип на баннере.

Решение: серия коллекционных стикеров 🎨

Каждый набор создавался вокруг определённой темы.

В основу ложились:

• профессиональные шутки;
• локальные мемы;
• культурные отсылки;
• истории из мира разработки.

Особенность проекта заключалась в том, что отдельные выпуски объединялись в большую коллекцию.

Таким образом возник игровой элемент.

Участники мероприятий могли:

1. получать новые выпуски;
2. искать недостающие экземпляры;
3. обмениваться наклейками;
4. собирать полные серии.

Дизайнеры старались сохранить баланс между юмором и понятностью.

Даже человек, который не пишет код ежедневно, мог понять большинство изображений.

Результат: узнаваемость внутри сообщества 📢

Со временем стикеры стали самостоятельным носителем бренда.

Некоторые эффекты оказались неожиданными:

• ⭐ фотографии наклеек начали появляться в соцсетях;
• ⭐ участники спрашивали о новых сериях;
• ⭐ люди специально приходили за очередным набором;
• ⭐ Telegram-версия позволила выйти за пределы офлайн-аудитории.

По сути, каждая наклейка стала мини-коммуникацией между брендом и сообществом.

Причём коммуникацией добровольной и позитивной.

Вместо вывода 🚀

Сегодня разработчики становятся всё менее восприимчивыми к классической рекламе.

Зато хорошо работают вещи, которые создают эмоции:

• самоирония;
• юмор;
• профессиональные мемы;
• визуальные истории.

Именно поэтому обычный стикерпак способен оказаться эффективнее многих дорогих маркетинговых инструментов.

· Стикеры · Telegram · ITСообщество · Разработка · Брендинг · UX · Digital · Комьюнити

Содержание

1. Что обсуждали спикеры?
2. Почему AI становится частью SDLC?
3. Нейросети и MVP: где граница возможностей?
4. Почему бизнесу важно следить за AI уже сейчас?

Что обсуждали спикеры? 🎧

В первом выпуске YouTube-подкаста DevOops разговор получился максимально прикладным.

Александр Кириллов, CTO Evrone, и Антон Черноусов из AvitoTech обсудили, как AI-инструменты меняют инженерную среду и почему привычные подходы к разработке постепенно уходят в прошлое.

Особенность выпуска — отсутствие «маркетингового оптимизма». Вместо громких обещаний гости говорили о реальном опыте внедрения AI.

Основные темы эфира:

• актуальность AI-подходов 2025 года;
• безопасность данных;
• использование локальных моделей;
• экономика внедрения AI;
• автоматизация процессов разработки;
• трансформация роли инженеров.

Почему AI становится частью SDLC? ⚙️

Если раньше AI воспринимался как удобный помощник для генерации кода, то теперь ситуация меняется.

Сегодня AI постепенно внедряется во все этапы разработки:

📍 Где именно используется AI:

1. генерация кода;
2. тестирование;
3. code review;
4. анализ архитектуры;
5. работа с документацией;
6. DevOps-процессы.

По словам участников подкаста, одиночные AI-помощники постепенно уступают место агентским системам.

Команды начинают работать с ансамблями моделей, где каждая нейросеть отвечает за отдельную задачу.

🚀 Нейросети и MVP: где граница возможностей?

Один из самых обсуждаемых вопросов последних месяцев — создание MVP с помощью AI.

Многие основатели стартапов уже используют нейросети для быстрого запуска продукта. Но скорость разработки не всегда означает качество итоговой системы.

В разговоре затронули важную проблему:

👉 Что происходит после первого релиза?

Инженеры Evrone отмечают, что AI отлично ускоряет прототипирование, но полноценный продукт все равно требует архитектурной экспертизы, поддержки и контроля качества.

AI заменит разработчиков? 👨‍💻

Эта тема прозвучала отдельно.

Спикеры сошлись во мнении, что AI пока не является полноценной заменой сильных специалистов.

Скорее наоборот:

• возрастает спрос на опытных инженеров;
• растет ценность архитектурного мышления;
• усиливается роль технического лидерства.

AI становится инструментом усиления команды, а не полной автоматизации людей.

Почему бизнесу важно следить за AI уже сейчас? 📈

Сегодня AI влияет не только на разработчиков.

Технология уже меняет:

• процессы компаний;
• скорость вывода продукта;
• стоимость разработки;
• требования к инженерным командам.

Именно поэтому подобные разговоры становятся важными не только для DevOps-инженеров, но и для CTO, founders и product-команд.

Практический опыт компаний вроде Evrone показывает: AI способен приносить ощутимую пользу, но только при грамотном внедрении и контроле процессов.

Итог 💬

AI в разработке перестает быть экспериментом.

Индустрия постепенно движется к модели, где нейросети становятся частью ежедневной инженерной практики.

И главный вопрос сегодня уже не «использовать AI или нет», а «как встроить его в процессы без потери качества».

На YouTube появился новый авторский проект — «Большие Цифры». Его ведёт Егор Репьев, CCO Evrone и руководитель коммерческого направления компании.

Но это не ещё один мотивационный канал про успех.

Здесь обсуждают то, что обычно остаётся за кадром:

• реальные ошибки;
• управленческие кризисы;
• проблемы масштабирования;
• внутренние процессы компаний;
• давление цифр и ответственности.

👨‍💻 Кто стоит за проектом

Егор Репьев работает в сфере развития бизнеса уже более 10 лет.

В его опыте:

✔️ международные проекты;
✔️ SaaS-трансформации;
✔️ коммерческое развитие IT-компаний;
✔️ внедрение Salesforce в нескольких странах;
✔️ консультации по росту бизнеса.

Помимо работы с клиентами Evrone, Егор регулярно выступает на конференциях и пишет о развитии технологических компаний.

Теперь этот опыт перешёл в видеоформат 🎥.

🎬 Что отличает «Большие Цифры»

Главная идея проекта — показать бизнес без декоративного слоя.

Гости подкаста обсуждают:

1. как компании реально растут;
2. где ломаются процессы;
3. почему масштабирование становится стрессом;
4. какие решения стоят миллионы;
5. почему красивые стратегии иногда не работают.

Вместо «историй успеха» здесь больше практики, цифр и неудобных вопросов.

🔥 Выпуски, которые уже обсуждают

💳 Финтех и цена ошибок

Первым гостем стал Алексей Одедесион — CEO компании A3.

Разговор получился про:

• рынок платежей;
• операционную зрелость;
• ошибки предпринимателей;
• рост бизнеса;
• сложность конкуренции в финтехе.

Особенно интересно звучит мысль о том, что рост компании почти никогда не бывает линейным.

🧠 Что скрывается внутри крупных платформ

Константин Щеглов — ещё один заметный гость подкаста.

За его плечами:

• Работа.ру;
• SuperJob;
• Mamba;
• более 20 лет в IT.

В выпуске обсуждаются:

📌 HR-сервисы;
📌 архитектура платформ;
📌 команды разработки;
📌 продуктовые решения;
📌 внутренняя кухня больших сервисов.

Получился разговор на стыке технологий и бизнеса.

📡 Инженеры, стриминг и глобальные проекты

В свежем выпуске участвовал Максим Лапшин — основатель Flussonic и Erlyvideo.

Темы выпуска:

• видеостриминг;
• инженерное предпринимательство;
• международные клиенты;
• долгий путь к масштабному продукту.

Это история не про «быстрый успех», а про годы инженерной работы и развитие технологии.

🎙️ Медиаформаты Evrone

Для Evrone видео и подкасты — уже давно не эксперимент ради тренда.

Ранее команда запускала:

• OR-подкаст;
• «Факап шоу»;
• интервью с экспертами рынка.

Именно поэтому «Большие Цифры» выглядят скорее продолжением профессиональной дискуссии, чем рекламным проектом.

📈 Почему такие проекты сейчас востребованы

Бизнес-аудитория устала от идеальных историй.

Сегодня людям интереснее:

✅ реальные кейсы;
✅ ошибки и выводы;
✅ процессы внутри компаний;
✅ управленческие решения;
✅ честные разговоры без маркетинговой упаковки.

Именно поэтому формат «Больших Цифр» выглядит актуально.

Это подкаст для тех, кому важен не только результат, но и путь к нему.

Вайбкодинг в 2026: быстрый старт или будущая техническая проблема?

В 2026 году AI-разработка стала массовой.

Сегодня человек без инженерного опыта может:

• открыть Claude или Cursor;
• описать идею текстом;
• получить интерфейс;
• подключить базу данных;
• собрать MVP;
• показать проект инвестору.

⚡ Скорость запуска выросла невероятно.

Но вместе с этим выросло количество проектов, которые невозможно нормально масштабировать.

Именно поэтому всё больше компаний сталкиваются с одной и той же ситуацией:

📍 MVP работает. 📍 Пользователи есть. 📍 Деньги появляются. 📍 А архитектура начинает разрушаться.

📌 Почему вайбкодинг стал настолько популярным

Причина очень простая.

AI-инструменты убрали огромный порог входа.

Теперь для запуска идеи не нужны:

❌ годы обучения; ❌ глубокий backend; ❌ знание инфраструктуры; ❌ опыт DevOps; ❌ понимание масштабирования.

Человеку достаточно:

✅ идеи; ✅ базовой логики; ✅ времени; ✅ желания экспериментировать.

И это действительно меняет рынок.

📍 Особенно сильно это чувствуют:

• стартапы;
• small business;
• digital-команды;
• маркетологи;
• продуктовые менеджеры.

🚨 Где начинаются проблемы

На раннем этапе AI-MVP выглядит впечатляюще.

Но корпоративный продукт — это совсем другая реальность.

Большой сервис требует:

1. 🔐 безопасности;
2. ⚙️ стабильности;
3. 📈 масштабирования;
4. 🧩 предсказуемой архитектуры;
5. 🧪 тестирования;
6. ☁️ инфраструктуры;
7. 📚 документации.

И вот здесь AI-код часто начинает ломаться.

Самые распространённые проблемы:

• бизнес-логика находится прямо во фронтенде;
• API невозможно расширять;
• база данных не рассчитана на нагрузку;
• отсутствует разделение ответственности;
• новый функционал ломает старый.

📌 Внешне продукт работает. Но внутри система становится всё менее управляемой.

👨‍💻 Как AI используют сильные инженерные команды

Профессиональные разработчики тоже активно используют ИИ.

Но принцип работы отличается кардинально.

Для инженеров ИИ — это:

• помощник;
• ускоритель;
• инструмент автоматизации.

Разработчики применяют AI для:

✅ генерации шаблонного кода; ✅ анализа ошибок; ✅ написания тестов; ✅ ускорения документации; ✅ изучения чужих проектов.

При этом:

🧠 архитектуру проектирует человек; 🧠 риски оценивает человек; 🧠 безопасность проверяет человек; 🧠 финальные решения принимает человек.

Именно поэтому профессиональная разработка всё ещё остаётся критически важной.

🏗️ Почему масштабирование — главный стресс-тест

Большинство AI-MVP ломаются не на старте.

Они ломаются во время роста.

📍 Обычно это происходит, когда:

• появляется много пользователей;
• сервис выходит на новые рынки;
• подключаются интеграции;
• приходят корпоративные клиенты;
• возрастает нагрузка.

Именно тогда технический долг становится дорогим.

Иногда команды пытаются «допилить» систему.

Но практика показывает:

⚠️ бесконечные исправления могут стоить дороже полной переработки.

Поэтому компании вроде Evrone часто начинают работу именно с технического аудита.

Команда анализирует:

• структуру проекта;
• архитектурные риски;
• состояние базы данных;
• серверную логику;
• систему безопасности.

После этого становится понятно:

👉 продукт можно стабилизировать; или 👉 систему проще пересобрать заново.

💡 Что помогает избежать проблем

Самое эффективное решение — не откладывать инженерную экспертизу.

Даже короткий Discovery-этап позволяет:

1. 📋 определить требования;
2. 🧱 продумать архитектуру;
3. ⚙️ выбрать стек;
4. 📉 снизить риски;
5. 💰 адекватно оценить бюджет.

📌 Это особенно важно для стартапов.

Потому что именно ранние решения чаще всего определяют:

• стоимость поддержки;
• скорость роста;
• стабильность продукта;
• возможность масштабирования.

🎯 Итог

Вайбкодинг — это мощный инструмент.

Но вайбкодинг — не замена инженерии.

AI отлично помогает:

✅ быстро запускать идеи; ✅ проверять гипотезы; ✅ создавать прототипы; ✅ ускорять разработку.

Но превращение MVP в серьёзный продукт всё ещё требует:

• архитектуры;
• опыта;
• ответственности;
• инженерного мышления.

📍 И, скорее всего, именно комбинация ИИ + сильной команды станет главным стандартом разработки ближайших лет.

Теги

· AI · Вайбкодинг · MVP · Стартап · Разработка · ИИ · Архитектура · Технологии

Введение

Использование AI часто начинается с экспериментов 🤖. Но без системного подхода такие решения не приносят стабильной пользы бизнесу.

🎯 Задача

Чтобы AI стал частью процессов, нужно было:

1. интегрировать его в привычную среду;
2. сохранить историю взаимодействий;
3. дать возможность выполнять действия;
4. адаптировать под разные роли;
5. обеспечить устойчивую архитектуру.

📲 Почему Telegram

Telegram оказался логичным выбором:

• единое пространство для общения;
• быстрые запросы и ответы;
• работа внутри существующих чатов;
• отсутствие лишних интерфейсов.

🔄 Эволюция ассистента

Сначала инструмент решал личные задачи. Затем он стал использоваться командой и превратился в полноценный рабочий механизм.

🧩 Сценарии

Маркетинг и SMM:

• анализ инфополя;
• подготовка контента;
• адаптация под стиль.

Руководитель:

1. контроль задач;
2. напоминания;
3. структурирование идей.

Команда:

• сохранение контекста;
• контроль сроков.

⚙️ Технологическая база

AI-ассистент:

• работает постоянно;
• использует память;
• автоматизирует задачи через Python.

💸 Экономика

• доступная инфраструктура;
• гибкое управление затратами;
• возможность ограничения бюджета.

🎯 Вывод

AI перестаёт быть экспериментом и становится частью рабочих процессов.

📌 В Evrone подобные решения рассматривают как эволюцию коммуникации: технологии начинают говорить с командой на одном языке.

Проблема — развитие упёрлось в старые технологии 😬

Аплаут — сервис отзывов для крупных интернет-площадок. Продукт успешно рос много лет, но внутренняя техническая база постепенно стала ограничением.

Команда столкнулась с типичной ситуацией зрелого проекта:

1. Устаревшие версии Ruby и Rails.
2. Сложные зависимости между внутренними модулями.
3. Старые библиотеки без поддержки.
4. Долгое внедрение новых возможностей.
5. Рост времени на поддержку кода.

Когда каждая новая функция требует больше усилий, продукт начинает терять темп.

Решение — модернизация по этапам ⚙️

Чтобы не останавливать сервис, обновление проводили постепенно.

🐳 Шаг 1. Docker вместо хаоса

Раньше запуск проекта зависел от устройства разработчика. Особенно это мешало на новых процессорах.

После перехода на Docker команда получила:

• единое окружение;
• быстрый старт проекта;
• воспроизводимость ошибок;
• удобный онбординг новичков.

💎 Шаг 2. Ruby и Rails

Переход выполнили не рывком, а шаг за шагом:

1. Обновляли Ruby до следующей версии.
2. Поднимали Rails.
3. Проверяли тесты.
4. Исправляли несовместимости.

Некоторые библиотеки пришлось дорабатывать вручную, а часть — переносить в собственные форки.

🗄️ Шаг 3. База данных без остановки

Сервис работает постоянно, поэтому downtime был недопустим.

Команда внесла патчи в проблемный драйвер и обновила инфраструктуру без отключения клиентов. 🔥

⚡ Шаг 4. Ускорение CI/CD

Более 1500 тестов замедляли релизы.

После изменений:

• тесты пошли параллельно;
• контейнеры стали легче;
• сборки ускорились в разы.

Результат — проект снова дышит 🌟

Аплаут получил современный стек:

• Ruby 3.4
• Rails 8
• быстрые тесты
• удобную разработку
• базу для дальнейших изменений

Команда уже начала перенос фронтенда на React и готовится к новым архитектурным шагам.

Иногда легаси — это не проблема, а история роста. В Evrone умеют читать такие истории между строк кода.

Разработка на Django удобна, но даже сильные инструменты иногда заставляют повторять одно и то же. Именно это заметил разработчик из Evrone во время работы над небольшим сайд-проектом.

Чтобы реализовать простую механику, приходилось снова и снова делать одинаковые шаги:

1. создавать обработчик;
2. настраивать URL;
3. писать шаблон;
4. подключать JavaScript;
5. добавлять формы;
6. тестировать связки.

Так появилась идея: а что если структура может быть проще? 💡

🚀 Что даёт next.dj

next.dj построен поверх Django, но предлагает другой подход.

Страница становится самостоятельной единицей:

• код рядом с интерфейсом;
• шаблон рядом с логикой;
• маршруты формируются по структуре файлов;
• меньше рутины и случайных ошибок.

Это особенно удобно для:

✅ внутренних платформ
✅ дашбордов
✅ SaaS-сервисов
✅ MVP
✅ небольших команд

🔥 Что уже реализовано

Во фреймворке доступны:

1. файловая маршрутизация;
2. DJX-шаблоны;
3. встроенные формы;
4. защита CSRF;
5. dependency injection;
6. система компонентов.

Теперь переиспользуемые блоки интерфейса можно хранить компактно и логично.

🦀 Почему вспоминают Rust

Некоторые части системы в будущем могут получить Rust-реализацию ради скорости. Но основа проекта останется на Python.

Это означает баланс:

• скорость там, где нужна;
• простота там, где важна.

🤝 Почему это интересно

next.dj показывает, что даже зрелые экосистемы можно переосмысливать.

✨ В Evrone такие эксперименты ценят особенно высоко: хороший инженер не только пишет код, но и улучшает сам процесс разработки. От личной боли к полезному инструменту.

О проекте

Большинство компаний используют внешние AI-сервисы, но не всем подходит модель передачи данных третьим сторонам. Для организаций с повышенными требованиями к безопасности нужен другой путь — локальный интеллектуальный контур.

В рамках одного проекта был развёрнут универсальный AI-агент, работающий полностью внутри инфраструктуры заказчика.

Что требовалось решить

Проект включал несколько направлений:

1. Найти подходящее оборудование.
2. Собрать отказоустойчивую платформу.
3. Выбрать модель и способ запуска.
4. Подготовить систему к дальнейшему развитию.

Оборудование

Для тяжёлых сценариев использовалась промышленная конфигурация с несколькими GPU. Такой подход нужен там, где ИИ должен обслуживать множество пользователей одновременно.

Для более лёгких задач возможны компактные решения:

• локальные рабочие станции;
• небольшие GPU-серверы;
• гибридные схемы.

Программный стек

Основой инфраструктуры стали:

• Kubernetes;
• автоматические деплои;
• контейнеризация;
• мониторинг и управление нагрузкой.

Испытания моделей

На практике важна не только точность, но и отзывчивость. Некоторые конфигурации работали слишком медленно. После серии тестов удалось выйти на производительность, достаточную для агентных сценариев 🚀.

Вывод

Локальный ИИ уже перестал быть экспериментом. Это рабочий инструмент для банков, промышленных компаний и закрытых сетей.

✨ В Evrone считают, что приватный AI — это не альтернатива облаку, а новый уровень зрелости инфраструктуры.

🎧 Как развивали стриминговую платформу с помощью ИИ

Перед командой стояла задача:

👉 ускорить систему
👉 снизить нагрузку
👉 внедрить AI

Сервис уже был зрелым продуктом с миллионами треков и широкой аудиторией.

📚 Содержание

1. AI-функции
2. Оптимизация кода
3. AI для разработки
4. Результаты

🤖 AI-функции: как удерживают пользователей

Главная идея — персонализация.

Система учитывает:

• историю прослушивания
• поведенческие сигналы
• контекст использования

🔍 Ключевые решения:

• динамические рекомендации
• сценарные подборки
• персонализированные плейлисты

💡 Пример:

Пользователь → спорт → энергичная музыка
Пользователь → вечер → аудиокнига

🔎 Улучшение поиска

Проблема:

• одинаковые названия
• неточный поиск

Решение:

• внедрение LLM
• учет контекста
• повышение релевантности

⚙️ Оптимизация архитектуры

Было:

• быстрый MVP
• дорогая инфраструктура

Стало:

• оптимизированные сервисы
• Go для тяжелых задач

📉 Итог:

• −25% ресурсов
• +20% скорости

🧱 Микросервисы вместо монолита

Аналитическая система была:

• монолитной
• сложной в поддержке

После изменений:

• разделена на сервисы
• переведена на Python

📊 Плюсы:

1. масштабируемость
2. гибкость
3. удобство разработки

🤖 AI внутри разработки

ИИ применили в Dev-процессах:

📌 Возможности:

• автотесты
• генерация тестовых данных
• CI/CD интеграция

📋 AI-агент:

1. читает код
2. запускает тесты
3. проверяет API
4. пишет отчёт

Дополнительно:

• помогает QA
• обновляет документацию

📈 Результаты

• рост MAU
• улучшение retention
• снижение затрат

Команда с опытом проектов уровня Evrone показала:

👉 ИИ — это не хайп
👉 это инструмент оптимизации и роста

Внутренние базы знаний часто недооцениваются. Информация есть, но её сложно найти. Сотрудники задают вопросы напрямую — и теряют время.

Решение — объединить Wiki и LLM.

📍 1. Интерфейс

Мы выбрали простой подход:

• чат встроен в ERP
• доступен всегда
• работает без переключений

🧱 2. Архитектура

Система включает:

1. фронтенд на React
2. асинхронную связь через WebSockets
3. FastAPI-сервис

🧠 3. Retrieval + Generation

Мы настроили:

• разбиение на чанки
• выбор релевантных блоков
• передачу контекста модели

🧩 4. Работа с текстом

Оптимальный вариант:

• деление по заголовкам
• логические блоки
• тестирование качества

🤖 5. Выбор модели

Мы оценивали:

1. точность
2. скорость
3. стоимость

Лучше всего подошла Qwen.

🔍 6. Поиск

Добавили:

• семантический анализ
• векторные индексы

🔄 7. Обновление

Система:

• отслеживает изменения
• обновляет базу
• управляется через админку

🔐 8. Контроль

Мы реализовали:

• фильтрацию тем
• rate limiting
• закрытую инфраструктуру

📊 9. Результаты

Снизилось количество типовых вопросов.
HR сосредоточился на сложных задачах.

🚀 10. Планы

• мультимодальность
• агентные действия
• автоматизация процессов

📌 Забавно, что в Evrone к таким системам относятся не как к «ботам», а как к полноценным участникам процессов — просто без кофе-брейков.