- Вице-президент по разработке компании Zilliz Джеймс Луан потратил $600 на использование ИИ Claude Code для создания базы данных с 2 млн строк кода, но проект не увенчался успехом.
- Разработчик столкнулся с серьёзными сложностями кроссплатформенной компиляции и конфигурации, что привело к накоплению тысяч строк патчей и многочисленным ошибкам на разных системах.
- Луан подчеркнул, что создание сложной инфраструктуры с помощью ИИ требует тщательно продуманного рабочего процесса, глубокого понимания системы и строгого тестирования, а не просто «магии» ИИ.
Джеймс Луан, вице-президент по разработке в компании Zilliz и один из ключевых разработчиков Milvus — популярной векторной базы данных — поделился своим опытом неудачной попытки автоматизировать создание крупной базы данных при помощи искусственного интеллекта Claude Code. На реализацию проекта он потратил $600, которые изначально планировались на подарок для жены, и несколько месяцев интенсивной работы, однако запланированная цель так и не была достигнута.
Луан подробно описал, как он пытался использовать Claude Code для кроссплатформенной компиляции распределённой базы данных, содержащей 2 миллиона строк кода на C++. Эта система состоит из множества узлов — прокси, запросов, данных и индексации, которые координируются через очереди сообщений. Задача осложнялась сложной системой сборки, в которой смешаны Go, C++ и Rust с многочисленными патчами, и которая плохо работала на разных операционных системах.
Хотя внедрение Claude Code на начальных этапах показало впечатляющие результаты — с быстрым заполнением недостающих функций и повышением производительности — попытки автоматизировать кроссплатформенную сборку привели к сложностям. Исправления одной платформы вызывали проблемы на других, что требовало постоянных ремесленных правок. В итоге за три месяца работы сложился патч из примерно 100 000 строк кода и 1000 файлов. Проблема усугублялась тем, что ИИ, следуя указаниям создавать только «чистые» решения, генерировал исправления, которые ломали функциональность на других платформах.
После неудачных попыток Луан переосмыслил подход: он стал фокусироваться не на изменении кода сразу во всех 1000 файлов, а на проектировании ограничения задачи сверху вниз, прописывая конкретные требования к результатам и создавая тесты для проверки работоспособности на разных платформах. Такой подход позволил значительно сжать время реализации до нескольких дней и заметно повысить качество итога.
Однако новые узкие места нашли себя в скорости обработки кода: каждый цикл клонирования ИИ по 2 миллиона строк занимал 20–30 минут. Для преодоления этого Луан приобрёл дополнительное оборудование, включая сервер с GPU и несколько компьютеров с независимыми сессиями Claude Code, что упростило параллельное решение подзадач.
В заключение он подчеркнул, что основные проблемы лежат не столько в инструментах искусственного интеллекта, сколько в необходимости глубокого понимания системной архитектуры и продуманного рабочего процесса со строгим тестированием. По мнению Луана, даже сильные ИИ-решения не способны самостоятельно справиться с задачами, требующими учета сложных, неявных предположений и особенностей инфраструктуры. Он призвал инженеров быть готовыми тратить усилия на детальное изучение и разработку тщательно контролируемых процессов, а не надеяться на простую «магическую» автоматизацию.
Луан также отметил, что готов в команду Zilliz принять специалиста, заинтересованного в решении подобных сложных инженерных задач. Итогом для него стали ценные уроки, о которых он говорит с иронией: важно слушать свою супругу и помнить, что ИИ показывает наилучшие результаты лишь на чётко определённых и специализированных задачах, оставаясь менее эффективным при попытке автоматизировать сложную распределённую инфраструктуру.
