Blog · kategoria
Kategoria: AI w firmie
Praktyczne wdrożenia AI i LLM w firmach, bez kolejnego dema.
Które AI najlepiej pisze kod? Odpowiedź po roku codziennej pracy z asystentami
Claude, GPT czy Gemini? Czołówka pisze kod podobnie dobrze. Po roku pracy z AI opisuję, co przesądza o wyniku: kontekst, narzędzie i weryfikacja.
Vibe coding w firmie: tempo AI bez długu jakości
Vibe coding daje MVP w dni zamiast tygodni, ale kod z AI ma ~1,7× więcej poważnych problemów. Proces na tempo bez wpadek i lista, czego nie vibe-codować.
Jak sprawdzić jakość kodu z Copilota i Cursora, zanim trafi na produkcję
Sugestię Copilota sprawdzam w locie, diff Cursora jak PR od nowej osoby. Checklista 5 pytań, 3 metryki i testy, które łapią błędy z AI przed produkcją.
Koszty LLM pod kontrolą: jak łączę Langfuse i Jenkinsa w jeden pipeline
Pokazuję, jak Langfuse śledzi koszt każdego wywołania LLM, a Jenkins blokuje zmiany promptów, które psują jakość albo podbijają rachunek za API.
Langfuse i Jenkins: CI/CD dla aplikacji LLM krok po kroku
Langfuse w istniejącym pipeline Jenkinsa: bezpieczne klucze API, gotowy Jenkinsfile, pułapka flush(), tagowanie buildów i bramki jakości dla aplikacji LLM.
Jak testować funkcje AI i LLM w produkcie: przewodnik praktyka
Assert na string nie działa dla LLM. Testy funkcji AI: golden set, sędzia LLM ze scoringiem 0–1, bramka jakości w CI i monitoring w Langfuse.
Czy kod z AI jest bezpieczny? Dane, ryzyka i guardraile, które działają
Kod z AI ma ~1,7× więcej poważnych problemów i +75% błędów konfiguracji (analiza 470 PR-ów). Cztery guardraile: review, testy, bramka CI, skan zależności.
Debugowanie z Cursor AI: @Codebase, Ctrl+K i błędy, których linter nie widzi
Debuguję kod w Cursorze na co dzień: @Codebase, poprawki z Ctrl+K, stack trace z terminala i @Docs. Pokazuję, jak kontekst repo skraca szukanie przyczyny błędu.
Observability testów AI w praktyce: Langfuse i Playwright
Sztywne asercje nie działają na odpowiedzi LLM. Pokazuję, jak łączę Playwright z Langfuse: korelacja trace’ów, LLM-as-a-judge i datasety w CI/CD.
AI-triage zgłoszeń: automatyczna segregacja bugów i ticketów
AI-triage zgłoszeń w praktyce: jak LLM klasyfikuje, priorytetyzuje i odsiewa duplikaty bugów oraz ticketów. Zobacz przykładowy przepływ i zacznij od małego.