Прочитал AI Engineering Чип Хуен (O'Reilly, 2025). Книга, которую стоит прочитать не потому что в ней есть что-то революционное, а потому что она собирает в одном месте то, что практики уже знают по кускам - и выстраивает из этого систему. Хуен чётко разделяет AI engineering и классический ML engineering. Первый - про сборку приложений поверх готовых foundation models, не про обучение с нуля. И именно здесь начинаются проблемы, которые большинство учебников обходит стороной: как оценивать то, что по определению вероятностно? Как отлаживать систему, где каждый шаг агента - множитель ошибки (95% точности на шаг превращается в 0.6% за сто шагов)? Как перестать путать работающее демо с продуктом? Мои основные takeaways уместились в несколько тезисов. Из трёх конкурентных преимуществ в AI - технологии, данные, дистрибуция - реальным дифференциатором является дистрибуция. Технологии выровняются, данные - вопрос масштаба, а вот канал доставки или есть, или нет. Оценка (evaluation) - не afterthought, а часть MVP. Без системной оценки вы не знаете, работает ваш продукт или галлюцинирует. Логирование - это не благие намерения, а production-readiness. Без observability нет отладки, без отладки нет продукта. И наконец, промпт-инжиниринг - это не подбор слов, а инженерная дисциплина, требующая статистики, экспериментов и данных. Книга: https://www.oreilly.com/library/view/ai-engineering/9781098166298/