Большинство AI-систем строят prompt-first и в режиме демо. Они впечатляют во вторник днём и разваливаются в понедельник утром — потому что инженерной дисциплины вокруг модели так и не появилось. AI-native архитектура — это противоположная позиция: модель — это действительно новая часть, а всё вокруг неё делается осознанно. Суть не в том, что AI пишет код, — а в том, что инженерия выстроена под мир, где он это делает. На этом держатся пять принципов.
1. Артефакт — это спецификация
Не промпт и не код. То, о чём команда рассуждает, что ревьюит и меняет, — это письменная спецификация задуманного поведения: границы, инварианты, критерии приёмки. Промпты и код — это реализация спеки, а не источник правды. Когда артефакт — спецификация, изменение поведения начинается с осознанной, ревьюируемой правки документа. Когда нет — вы крутите промпты, пока вывод не станет похож на правильный, и никто не может сказать, почему это работает. А значит, никто не заметит, когда перестанет.
2. Eval или не выпущено
Поведение, которое стоит выпускать, стоит и зафиксировать. У каждого агента, который касается реальной работы, есть held-out набор сценариев — включая состязательные и краевые случаи, а не только happy path, — и изменения промпта или модели проходят через него как через ворота. Без eval-ов вы летите по ощущениям: регрессии молчаливы, и узнаёте вы о них от пользователей, а не от теста. Eval-набор — это контракт, который позволяет менять систему без страха.
3. Один источник правды на факт
Дублированное состояние — это дублированные баги. У каждого важного факта ровно один авторитетный дом; всё остальное — явная производная копия. Как только один и тот же факт живёт в двух местах, которые могут разойтись, разные части системы начинают верить в разное — а при частичном сбое или повторе именно в этом зазоре и прячется порча данных. Целостность — не фича, которую добавляют потом; это свойство, которое либо закладывают в дизайн, либо теряют.
4. Скучные технологии там, где можно
Postgres, FastAPI, Next.js. Бюджет на новизну принадлежит AI-слою, где задача действительно новая. Везде остальном предсказуемость важнее изящества: подложка должна быть той частью, о которой ты не думаешь, чтобы всё внимание — и весь риск — уходили в то, что по-настоящему сложно. Тянуться к экзотическому хранилищу ради экзотической модели — значит тратить один и тот же бюджет дважды.
5. Асинхронность по умолчанию
Длинный текст сильнее коротких созвонов. Решения фиксируются в документах, чтобы следующему человеку — или следующему агенту — не пришлось открывать их заново. Это не предпочтение про удалёнку; это та же дисциплина, что и спека. Долговечный артефакт — это записанное решение, а не разговор, который к нему привёл. Система, чьи рассуждения живут только в памяти людей, — это система, которая забывает.
Почему это важно сейчас
Я оркестрирую coding-агентов для сборки; спецификация, ревью и архитектура остаются за мной. Именно эти принципы делают такое возможным. Когда замысел записан, eval-ы — это ворота, а подложка скучная, агент может печатать, а система не уплывает из-под тебя. Вот что на самом деле значит AI-native.
Хотите увидеть, где стоит ваша система по этим меркам? Пройдите AI Architecture Scorecard или поработайте со мной над реальной задачей.