AI-разработка: создаём приложения и код

Многие в соло-разработке застревают на «сделал, но как заработать и сколько просить». Эта статья практически, глазами соло-разработчика, собирает всё: выбор модели монетизации (бесплатно / разовая покупка / подписка / freemium / реклама / донаты), ценообразование от ценности — отправной точкой служат не издержки и не конкуренты, а «ценность, которую получает клиент», классику трёх уровней Free → Pro → Business со скидкой за годовую оплату, как получить первого платящего и как свести экономику с учётом затрат на ИИ вроде токенов API. Материал углубляет фазу «развивать» из статьи-хаба «Дорожная карта соло-разработки с ИИ».

Главная причина, по которой соло-разработка не доходит до готового, — «переусложнение». Наваливая функцию за функцией, продукт усложняется и исчезает, так и не опубликованным. Единственный способ этого избежать — свести к одной функции минимальный продукт, доносящий ценность (MVP), и опубликовать максимально быстро. Эта статья, глазами соло-разработчика, для которого ИИ — напарник, разбирает верное понимание MVP, решение об объёме при урезании функций, два маршрута быстрого создания с ИИ (vibe coding без кода / практика в ИИ-редакторе), как определить «готово» и путь до публикации и первого пользователя.

Теперь, когда у ИИ появились «руки, которые пишут код», даже в одиночку можно создать продукт и выпустить его в мир. Но информация разбросана по этапам, и легко растеряться, не понимая, с чего начать. Эта статья — полная карта пути от идеи → проектирования → реализации → публикации → монетизации: она раскладывает соло-разработку на 5 фаз (решить → подготовиться → создать → выпустить → развивать), показывает на каждом этапе, что делать и какими инструментами пользоваться, а для глубокого погружения отправляет к отдельным руководствам. Это статья-хаб. Причём она ведёт по двум маршрутам — 🌱для новичков почти без кода и 🔧для практиков с кодом в ИИ-редакторе, так что, выбрав подходящий, вы дойдёте до работающего продукта без лишних кругов. Разработка на основе спецификаций, ИИ-конструкторы приложений, Claude Code/Cursor, встраивание ИИ-функций (API/RAG/шлюз), деплой, привлечение через SEO/AEO, монетизация, управление затратами и 5 ловушек соло-разработки с ИИ — всё собрано на одной странице со ссылками на практические руководства.

Вы упёрлись в недельный лимит токенов Claude Code, но квота полностью восстановилась раньше, чем прошло семь дней — причём не раз. В интернете даже есть разборы про «скрытый механизм», где утверждается, что недельный лимит сбрасывается каждые 72 часа. Правда ли это? Эта статья прослеживает явление до первоисточников. Но Anthropic не задокументировала внутренний механизм сброса, а лимиты постоянно меняются, поэтому мы чётко помечаем три вида информации: факты, подтверждаемые из официальных источников; события, которые многие пользователи воспроизводимо наблюдают, но которые Anthropic не прокомментировала; и не подтверждённые домыслы из единственного источника. Суть: раннее полное восстановление в большинстве случаев — это нерегулярные глобальные сбросы Anthropic (объявляются неоднократно через @ClaudeDevs); показанное время сброса к тому же доказуемо нестабильно; а гуляющая «72-часовая периодичность» основана на единственном наблюдателе, не воспроизведена и опровергается другим наблюдением (24 ч), так что её нельзя считать фактом. С сентября 2026 года появилась и новая форма: выдаваемый сброс, который вы применяете сами, когда захотите («Reset for free» в Settings > Usage в веб-версии или Claude Desktop; в Claude Code в терминале такой кнопки нет). Там, где что-то нельзя утверждать, мы прямо об этом говорим — исследование по состоянию на сентябрь 2026.

Вы построили всё на OpenAI, затем захотели попробовать Claude и сравнить Gemini — и потеряли часы на разных SDK, форматах и обработке ошибок у каждого провайдера. LLM-шлюз (AI-шлюз / LLM-прокси) — это ретранслятор, который вы ставите между приложением и провайдерами: он предоставляет один совместимый с OpenAI API для обращения к любой модели и берёт на себя сквозные задачи — fallback, учёт затрат, виртуальные ключи, кэширование, ограничение частоты и наблюдаемость. В этом гиде: зачем он нужен, что такое шлюз на самом деле, три типа (self-hosted прокси = LiteLLM / hosted = OpenRouter / SDK = Vercel AI SDK), как выбрать среди LiteLLM, OpenRouter и Vercel AI SDK, минимальный код настройки, где меняется лишь эндпоинт, и ограничения — скачок задержки, шлюз как новая точка отказа, комиссии (OpenRouter берёт 5,5% при пополнении), потеря возможностей и приватность.

Построив ИИ-агента, вы всегда упираетесь в одну стену: «Хорошо, но он вообще работает?» Механизм, позволяющий решить, стало от изменения промпта или модели лучше или хуже на основе данных, а не интуиции, — это evals. LLM выдают разный результат каждый раз для одного и того же ввода, поэтому юнит-тесты на точное совпадение не подходят. Эта статья делает упор на практические шаги — как собрать evals и запустить их в работу — и рассказывает о пяти способах измерить качество (① сверка с эталоном ② проверки по правилам ③ LLM-as-judge ④ регрессионное тестирование ⑤ мониторинг в продакшене), об оценке, специфичной для агентов (доля успешных задач, корректные вызовы инструментов, траектория, стоимость), о том, как начать с малого с 20 примеров отказов, о частых ловушках и ключевых инструментах (Anthropic Console/Evals, OpenAI Evals, LangSmith, Langfuse, Ragas) — она написана для практиков.

Извечный вопрос автоматизации: «ИИ-агенты или RPA?» Ответ — не «или — или»: выбирайте по роли, а выигрышный паттерн 2026 года — гибрид обоих. RPA — детерминированные «руки», которые быстро и точно выполняют фиксированную процедуру (но ломаются при изменении экрана/спецификации); ИИ-агент — вероятностный «мозг», который считывает ситуацию и принимает решение (силён в неоднозначности и исключениях, но результат не одинаков каждый раз). В статье: разница в принципе действия, сравнительная таблица (компромисс воспроизводимости и устойчивости к изменениям), как выбрать (ось — «можно ли полностью описать правилами?»: да → RPA, суждение, которое не описать → ИИ-агент), тренд 2026 года (лидеры RPA — UiPath, Automation Anywhere, Blue Prism — становятся агентными; сближение; вопрос уже не «что из двух», а «где живёт рассуждение» = оркестрация прежде всего) и практический ответ: гибрид, где мозг (ИИ-агент) отвечает за суждение/оркестрацию, а руки (RPA) выполняют детерминированное исполнение — не ставьте агента туда, где нужна детерминированность, а делегированное суждение сочетайте с ограждениями и согласованием человеком. На основе официальной информации вендоров, с FAQ.

Claude Fable 5 и Opus 5 — обе модели верхнего эшелона, но ответ звучит ни как «всегда Fable 5», ни как «всегда Opus 5»: выбирать нужно под задачу. Выход Opus 5 24 июля 2026 года заметно сместил этот ответ: предыдущее поколение, Opus 4.8, занимало нишу «на ступеньку слабее Fable 5, зато вдвое дешевле», тогда как Opus 5 сохраняет ту же цену $5 / $25 и при этом не уступает Fable 5 на агентных бенчмарках, а местами и обходит её (Frontier-Bench 43.3% против 33.7% и OSWorld 2.0 70.6% против 66.1% — из сравнительной таблицы Anthropic; по CursorBench 3.2 Anthropic официально заявляет, что укладывается в 0.5% от результата Fable 5 примерно за половину стоимости). Где разрыв мал, порядок зависит от таблицы: в DeepSWE v1.1 у Anthropic впереди Fable 5 (69.7% против 68.8%), у OpenAI — Opus 5 (73.7% против 69.9%). По характеристикам модели совпадают — контекстное окно 1M и максимальный вывод 128K; быстрый режим (примерно в 2.5 раза) есть только у Opus 5, но стоит вдвое дороже и работает только в Claude API, зато у Opus 5 более свежая граница знаний — май 2026 года. Схема решения: сначала пробуйте Opus 5 и поднимайтесь к Fable 5 только там, где он выходит на плато. На практике оптимальна связка «Opus 5 как основа, Fable 5 для сложного», подкреплённая автопереключением при блокировках защиты в приложении и новым резервным режимом «default» в API. Разбираем доступность (приостановка в июне, повторное развёртывание в июле), отказ от зависимости от одной модели, настройку effort ради экономии и частые вопросы — связывая кластер материалов по Fable 5 с руководством по релизу Opus 5.

Первое препятствие при встраивании ИИ-агента в реальную работу — «на каком фреймворке его собирать». С точки зрения разработчика и того, кто выбирает технологии, статья сравнивает шесть главных фреймворков — LangGraph, CrewAI, AutoGen (вошедший в Microsoft Agent Framework, GA апрель 2026), OpenAI Agents SDK, Google ADK и Claude Agent SDK — по подходу к оркестрации (ориентированный граф / ролевая команда / диалоговый GroupChat / передачи управления / иерархическое дерево / автономный цикл инструментов), языку, кривой обучения, управляемости, зрелости для прода, стоимости токенов и наиболее подходящему сценарию. Ключевая оговорка: фреймворк, «быстрейший для прототипа» (CrewAI), может оказаться самым дорогим в проде — около 3× токенов (41k против 18.5k у LangGraph в одном бенчмарке) и недетерминированный, что плохо подходит для финансов и здравоохранения. Также объясняется, как 2026 год принёс интероперабельность через MCP (инструменты) и A2A (агент-агент), так что агенты из разных фреймворков теперь работают вместе, а привязка ослабла. Включает гид по выбору под задачу и FAQ.

Ollama — стандартный инструмент с открытым исходным кодом для запуска локальных LLM, который берёт на себя почти всю утомительную настройку и позволяет скачать модель и начать диалог одной командой. В этом руководстве для новичков мы разберём весь путь от начала до конца: установку на Windows, Mac и Linux, основные команды, выбор моделей по размеру и VRAM, добавление GUI вроде Open WebUI, использование локального и совместимого с OpenAI API для встраивания в приложения, настройку через Modelfile и переменные окружения, а также решение типичных проблем.

Какую локальную LLM поставить первой? В статье разобраны основные семейства моделей 2026 года — Qwen, Llama, Gemma, DeepSeek, Mistral, Phi — по разработчику, стране происхождения, сценарию, размеру и лицензии, чтобы помочь выбрать модель под ваш ПК и задачи. Отдельный раздел посвящён русскоязычным и локальным моделям: мультиязычные Qwen и Llama с сильным русским, открытые проекты Saiga, Vikhr и T-lite / T-pro от Т-Банка, а также пояснение, почему YandexGPT и GigaChat — это в основном облачные API, а не локальные модели с открытыми весами.

Запустится ли локальная LLM на вашем ПК, на 90% решает VRAM — память GPU. В этой статье собраны быстрая таблица требуемого VRAM по размеру модели (7B, 13B, 32B, 70B) и простая формула расчёта, разобрано влияние квантизации (FP16/Q8/Q4) и ловушка с KV-кэшем, который растёт вместе с длиной контекста. Приведены реалистичные скорости для RTX 3060/4090/5090 и Mac, а также рекомендуемые сборки по трём бюджетным уровням, чтобы новичок сразу понял, что покупать.