Доклады с конференций Инфостарта для специалистов 1С
INFOSTART EVENT — это конференции сообщества 1С, которые мы проводим с 2012 года. За это время они стали крупнейшей площадкой для обмена опытом между профессионалами отрасли.
На наших конференциях выступают настоящие практики из ведущих компаний России и СНГ, а не бизнес-тренеры. Доклады отбираются голосованием сообщества, а качество контента контролируют независимые эксперты. Каждая конференция охватывает интересы разных ролей:
для программистов — разработки и архитектурные решения, новые технологии и инструменты,
для аналитиков — методологии, работа с требованиями, анализ данных, управление изменениями,
для руководителей проектов и ИТ-менеджеров — управление командами, рисками, проектами и продуктами,
для специалистов по ИБ и администрированию — практики защиты, эксплуатации и поддержки систем,
для HR и тимлидов — развитие команд, soft skills и современные управленческие подходы.
За годы существования INFOSTART EVENT накопился большой объём уникального контента для всех специальностей из мира 1С. Практически по всем докладам мы готовим подробные транскрибации: они позволяют узнать суть докладов в удобное время и внедрить лучшие практики в своей работе.
Все материалы БЕСПЛАТНЫЕ в открытом доступе и помогают специалистам находить решения, обмениваться опытом и двигать отрасль 1С вперёд.
над каждым докладом работает минимум 6 человек.
За много лет существования Infostart Event у нас накопилось большое количество качественного и уникального контента, и мы рады представить вам эти материалы!
Корпоративный ИИ – это не просто подключение к API модели, а целая инфраструктура, которая должна решать вопросы безопасности, масштабирования, контроля качества и стоимости. Разберем, какие сервисы для этого нужны (ИИ-прокси, векторные хранилища, логи, метрики), как все это связано между собой и как используется в корпоративных приложениях, в том числе на базе 1С.
ИИ-агенты уже умеют заметно ускорять разработку, но для этого недостаточно просто сказать модели «напиши код». Ей нужны контекст, правила, инструменты и, самое главное, возможность проверить собственный результат. Расскажем, как превратить сырого ИИ-агента в изысканное блюдо, которое понимает специфику 1С и работает по вашим рецептам. Если вы все еще не умеете готовить ИИ-агентов, мы постараемся это исправить!
Мы разработали ИИ-ассистента, который помогает управленцам разбирать сложные задачи и формировать их решения. В основу продукта мы заложили несколько формальных методик анализа: ТРИЗ и другие. Это позволило создать пошаговый процесс: формулирование проблемы, противоречий, поиск ресурсов, генерация и оценка вариантов решений. Расскажем весь путь создания продукта: идеи, архитектура, технологии, методологии и, конечно же, промпты. Обсудим набитые шишки и интересные инсайты при создании продукта.
Разбираем новые, более дешевые и эффективные паттерны работы внешнего 1С:Эксперта, а именно – прямое использование LLM-ассистентов и создание с их помощью инструментов для аудита производительности и нагрузочного тестирования. Показываем, как модели помогают анализировать таймауты и взаимные блокировки по технологическому журналу, проверять сложные запросы, а также находить неочевидные взаимосвязи между показателями загрузки оборудования. Рассказываем о создании скриптов для построения графиков по данным atopsar и для поиска и визуализации стеков горячих запросов, а также о создании неинвазивной оснастки для реалистичных нагрузочных и сценарных тестов без программирования на 1С. Отдельно разбираем антипаттерны и ограничения такого подхода. Делаем вывод, что LLM остается лишь помощником, не превращает джуна в сеньора, а ответственность за итоговый результат по-прежнему несет 1С:Эксперт.
Рассказываем, как использовать библиотеку искусственного интеллекта для 1С не просто как инструмент генерации кода, а как основу для новых бизнес-решений. Показываем, как с ее помощью строить BI-систему на естественном языке: пользователь формулирует вопрос по продажам обычным текстом, а система генерирует запрос к базе и возвращает результат в виде таблицы или графики. Разбираем пример торгового бота-продавца, который общается с покупателем, консультирует по товару и отправляет платежную ссылку, а также объясняем, зачем в таких решениях нужны границы, точки контроля и обычное программирование. Отдельно показываем, как векторные базы и нечеткий поиск помогают создавать помощников менеджера (например, для подбора аналогов), и почему новые задачи лучше решать новыми методами, а не пытаться применять ИИ только к старым сценариям.
Разбираем, как объективно сравнивать нейросети и агентные подходы на типовых задачах разработки 1С, а не выбирать инструмент интуитивно. Показываем практический бенчмарк моделей и open-source-агентов: от написания и доработки кода до генерации Unit-тестов, документации и работы с метаданными конфигурации. Объясняем, как на результат влияют контекст, инструменты, обратная связь от тестов, системные промпты и особенности самих агентов. На примерах ошибок показываем, почему без правильной инфраструктуры нейросети могут не ускорять разработку, а создавать дополнительные затраты на исправление кода.
Почему разработчики не всегда начинают пользоваться ИИ-инструментами, даже если у них уже есть доступ к GPT-чату, Copilot, OpenCode и 1С:Напарнику. Показываем, как через личные разговоры, короткие воркшопы и понятные аналогии – калькулятор, поисковик, автодополнение и Dota 2 – можно снизить страхи, скепсис и недоверие к генеративным нейросетям. Разбираем, почему одних рассылок и лозунгов про «будущее» недостаточно, и как маленькие быстрые победы помогают людям попробовать ИИ в рабочих и бытовых задачах. Статья будет полезна руководителям и тимлидам, которые сталкиваются с сопротивлением сотрудников и хотят привести команду к спокойному, практичному отношению к современным ИИ-инструментам.
Показываем, как встроить ИИ-помощника в code review 1С без Git, SonarQube и EDT – только с Конфигуратором, RAG-контекстом и набором MCP-инструментов. Разбираем архитектуру решения на Open Web UI и OpenRouter, методику сравнения моделей по Precision, Recall, BonusRate и PenaltyRate, а также объясняем, почему контекст влияет на качество ревью сильнее, чем выбор самой модели. На реальных примерах показываем, какие ошибки ИИ находит хорошо, где все еще нужен архитектор и почему на старте пилота время ревью может не сократиться, а вырасти. В финале делимся метриками внедрения и выводами для команд, которые хотят повторить такой подход у себя.
Разбираемся, почему ИИ-агенты теряют контекст, путаются в инструментах и возвращают неполный результат, если всю задачу пытаться решить одним большим промптом. Показываем, как цепочки пошаговых промптов помогают сделать работу агента повторяемой: каждый шаг выполняет одно действие, имеет понятный вход и выход, отдельно проверяется и при необходимости исправляется. Объясняем, как применять этот подход в задачах 1С: анализировать действия пользователя, подбирать инструкции через RAG, работать с журналом регистрации, MCP-инструментами и локальными моделями. На примерах показываем, как снизить непредсказуемость ИИ-агента и превратить его из «угадывающего помощника» в надежный инструмент для бизнес-процессов.
Кажется, что code-review с помощью искусственного интеллекта устроено просто: достаточно отправить код в LLM, задать промт и получить список замечаний. На практике такой подход быстро упирается в недетерминированность результата, неверную оценку критичности ошибок в 1С-коде и рекомендации, которые сложно отличить от полезных замечаний. Описываем гибридный подход к автокод-ревью: статический анализатор работает вместе с LLM, а база знаний из стандартов 1С превращается в набор машиночитаемых норм. Такая архитектура помогает снизить количество галлюцинаций, точнее определять критичность нарушений и постепенно развивать качество ревью через итеративное пополнение правил.
Когда доработанную 1С не обновляли годами, начинать приходится не с переноса кода, а с разбора того, что вообще накопилось в базе. Там могут быть десятки обработок, расширения, правки типовых объектов, а документации либо нет, либо она давно не актуальна. На примере реального обновления разбираем, как кодовые агенты, MCP-серверы и языковые модели помогают навести порядок в доработках, собрать план миграции, понять, где при переносе будут проблемы, и автоматизировать часть исправлений.
Разбираем AI-навыки, которые помогают специалисту работать с нейросетями не на уровне разовых экспериментов, а как с полноценным рабочим инструментом. Показываем, почему не стоит искать «идеальную нейросеть», как комбинировать разные модели в цепочки и подбирать инструмент под конкретный этап задачи. Отдельно объясняем, как проверять достоверность ответов ИИ, работать с источниками, использовать мультимодальность и передавать контекст через скриншоты, голос, файлы и видео. Также разбираем, почему критическое мышление остается ключевой компетенцией: именно оно помогает формулировать управляемые запросы, находить допущения модели и не попадаться на убедительные, но неверные ответы.
Расскажем, как создать ИИ-помощника внутри 1С без Python и другого внешнего кода – только на базе 1С, HTTP-запросов и необходимой инфраструктуры. Разберем универсальный шаблон RAG-системы, который можно адаптировать под разные задачи: от поддержки пользователей и поиска по базе знаний до работы с регламентами и инструкциями. На живом примере соберем минимальный рабочий прототип помощника, который умеет работать с данными, искать релевантный контекст и формировать ответы. Отдельно объясним, почему самым сложным этапом оказывается не архитектура, а качество подготовки данных и чанкинг.
В статье представлены реальные примеры применения искусственного интеллекта для автоматизации кейтеринга в условиях Крайнего Севера. Объясняем, почему ИИ стал оптимальным решением для ускорения обслуживания и повышения эффективности, и как удалось объединить терминалы самообслуживания, технологии машинного зрения и платформу 1С:Предприятие в единую систему. Показываем, как использование нейросетей повысило скорость обслуживания и качество клиентского опыта. В завершение рассмотрим перспективы развития технологии, расширения ее функционала и применения собранных данных для оптимизации бизнес-процессов.
Современные системы электронного документооборота переживают квантовый скачок: из простых цифровых архивов они превращаются в ИИ-управляемые экосистемы, где документы становятся активными элементами бизнес-процессов. Объясняем, как искусственный интеллект меняет принципы маршрутизации, обработки и принятия решений в СЭД, какие риски и ограничения сопровождают эту трансформацию, и почему российская специфика делает переход особенно сложным. Рассматриваем реальные кейсы внедрения, ключевые тренды и практические рекомендации для компаний, которым предстоит интеграция ИИ. Статья поможет понять, как подготовиться к эпохе, в которой документооборот становится предиктивным, адаптивным и почти автономным.
Стоит ли пытаться писать код с помощью локальных ИИ-моделей на видеокартах, которые к этому вообще не приспособлены? Спойлер: не стоит. И если у вас нет безлимитного бюджета на железо, лучше даже не начинать эту игру. Расскажем о том, когда ИИ действительно ускоряет работу, а когда просто плодит легаси и греет железо.
Интеграция GPT-моделей в MAKER-STUDIO открыла новые возможности для ускорения проектов разработки, описания бизнес-процессов и автоматизации рутинных задач бизнес-аналитика. Делимся опытом тестирования разных моделей, рассказываем о роли контекста и промпта, а также о попытках обучения модели для создания корпоративной базы знаний. Вы узнаете, какие задачи реально решает связка MAKER и GPT, и почему это меняет подход к работе с требованиями и проектной документацией.
Делимся практическими кейсами применения ИИ в ИТ-проектах – от подготовки и моделирования процессов до обучения пользователей и поддержки эксплуатации. Расскажем, как с помощью искусственного интеллекта сократить рутину, снизить издержки и сосредоточиться на главных задачах, а также дадим немного теории о больших языковых моделях, fine-tuning и RAG.
Большие языковые модели все чаще применяются для генерации кода на 1С, но до сих пор нет единого способа объективно сравнить их качество. Объясняем, как работают метрики BLEU, CodeBLEU и pass@k, и как их можно адаптировать для оценки LLM в экосистеме 1С. Показываем, какие задачи – от простых функций до рефакторинга – помогают полноценно оценить интеллект модели и ее знание платформы. Разбираем ключевую проблему проверки логики и синтаксиса в автоматическом режиме и показываем бенчмарк, который решает эту задачу, сравнивая ChatGPT, Claude, GigaChat и другие модели по единым стандартам.
ИИ для код-ревью – не просто модный тренд, а реальный инструмент, который уже помогает разработчикам экономить время и повышать качество кода. В статье разбираемся, как запустить локальную LLM на базе Ollama, подключить ее к Git через Webhook и Python-скрипт, а также какие параметры модели отвечают за точность и галлюцинации. Делимся схемой работы, настройками и результатами тестирования, доказывая, что автоматизированное код-ревью действительно может работать – даже без космического бюджета.
Если вам кажется, что искусственный интеллект – это просто модный хайп, то самое время пересмотреть свои взгляды. Показываем, как с помощью протокола MCP (Model Context Protocol) превратить языковую модель в полноценного помощника, способного работать с вашей базой 1С: запрашивать данные, анализировать метаданные и создавать новые объекты по команде. На живых примерах объясняем, как подключить MCP-сервер к IDE Cursor, безопасно использовать локальные модели и уже сегодня начать интегрировать 1С и приложения с ИИ. Вы получите готовый open-source проект, с которым сразу сможете начать свои эксперименты.
Искусственный интеллект перестал быть только «чатиком для домашних дел» – отечественные on-prem LLM уже сегодня помогают автоматизировать бизнес-процессы. Поделимся практическими кейсами внедрения LLM, покажем примеры из 1С и других корпоративных систем и расскажем, где нейросети действительно заменяют человека, а где пока нет. Вы узнаете, как безопасно и эффективно использовать LLM в автоматизации, на что обратить внимание и какие перспективы это открывает для сообщества 1С.
Как объединить возможности n8n и искусственного интеллекта, чтобы вывести интеграции и автоматизацию на новый уровень? Показываем, как с помощью AI-агентов можно управлять потоками данных, автоматизировать поддержку и даже проверять подлинность документов – все без кода. На реальных кейсах рассматриваем примеры использования n8n для интеграции с чат-ботами, корпоративными хранилищами и MCP-серверами. Делимся практическими приемами, лайфхаками и рекомендациями по проектированию, безопасности и оптимизации рабочих процессов с подходом AI-first.
Статья о том, как подключить GigaChat к 1С:ERP и автоматизировать рутинную работу бухгалтера при обработке платежей. Делимся практическим опытом, демонстрируем рабочий код, рассказываем о возможностях и ограничениях технологии и показываем, что внедрить ее может каждая компания. А также рассматриваем варианты дальнейшего применения языковых моделей в задачах 1С (актуально на февраль 2025 г. – Прим. ред.).
Искусственный интеллект стал для многих молодых разработчиков настоящей «палочкой-выручалочкой», но за его удобством скрываются серьезные риски. Рассуждаем о том, почему ИИ может способствовать деградации знаний у джунов, и как его использование отражается на качестве кода и эффективности сотрудников. А также попробуем понять, где ИИ действительно помогает автоматизировать рутину в 1С, а где он несет больше угроз, чем пользы.
Рассказываем о том, как научить 1С, функциональные системы, мессенджеры и искусственный интеллект работать вместе – и какой позитивный эффект можно получить от такой интеграции.
Искусственный интеллект меняет подход к тестированию в 1С, делая его быстрее и удобнее для разработчиков любого уровня. Из этой статьи вы узнаете, как кастомная модель GPT, обученная на специализированных данных по 1С, генерирует тесты с учетом особенностей платформы. Разберем ключевые преимущества: сокращение времени на создание тестов, автоматизацию рутины и повышение точности. А также покажем реальные примеры внедрения ИИ-ассистента, отзывы пользователей и перспективы развития автоматизированного тестирования с помощью нейросетей.
Технология 1С:Элемент позволяет быстро и качественно разрабатывать компактные и практичные мини-решения, не зацикливаясь на технических деталях, думая не о коде, а о бизнес-идее. Расскажем о том, какие приложения лучше всего разрабатывать на 1С:Элемент, кому это легче делать и какие трудности могут быть в освоении.
Искусственный интеллект в код-ревью – это не фантастика, а реальность, которая уже сегодня помогает разработчикам улучшать свои проекты. Расскажем о том, как ИИ может автоматически находить баги и предлагать улучшения, экономя ваше время и ресурсы.
Искусственный интеллект постепенно становится неотъемлемой частью нашей жизни, ускоряя и упрощая рутинные процессы. Но ИИ – это не замена сотрудника, а лишь инструмент. Расскажем о применении дообученного ChatGPT для основных задач аналитиков: составления глоссария, моделирования процессов и User Story Mapping.
Современные технологии искусственного интеллекта открывают уникальные возможности для оптимизации бизнес-процессов и повышения эффективности работы компании. Расскажем о том, как дообучить ChatGPT через контекст, и использовать его ответы для создания виртуального помощника сотрудника в компании. Прим. ред.: доклад от 11 октября 2023 года.
С помощью больших языковых моделей (LLMs), таких, как ChatGPT, можно создавать полноценные микросервисы, даже не имея глубоких знаний в конкретном языке программирования. Расскажем об истории развития нейросетей и практическом опыте применения ChatGPT для того, чтобы выйти за рамки платформы 1С. Прим. ред.: доклад от 13 октября 2023 года.
Нейросетям уже можно поручить множество рабочих задач – они генерируют изображения, пишут код, решают вопросы коммуникаций. Но без человека, который напишет промт, а потом адаптирует результат под свою задачу, все еще не обойтись. Расскажем о преимуществах и особенностях использования ChatGPT для задач разработки, в коммуникациях на работе или HR-задач.
Прим. ред.: доклад от 12 октября 2023 года.
Copilot – инструмент, использующий OpenAI для помощи в написании кода в режиме реального времени. Нейросеть обучалась на миллиардах строк кода, в том числе – на языке 1С. А это значит, что мы можем использовать ее для уменьшения рутинной работы в написании кода. О том, как использовать Copilot в ежедневной разработке при написании кода на языках 1С и OneScript, расскажем в статье.
Процесс загрузки фотографий в карточки товаров 1С не автоматизирован. Если к этому добавить трудозатраты на взаимодействие с фотографом и на последующую обработку изображений в фоторедакторе, на оформлении интернет-магазина можно разориться. Как, решая подобную задачу, удалось создать собственную нейросеть для удаления фона и приблизить качество ее работы к лидерам рынка, расскажем далее.
Создание не просто чат-ботов, а систем с имитацией искусственного интеллекта, виртуальных ассистентов – это актуальная, интересная и полезная задача. В платформе 1С уже появились первые объекты для подобной функциональности – боты, система взаимодействия, интеграция с телеграм. Начальник разработки в группе компаний Полипластик Владимир Крючков на конференции Infostart Event 2021 Post-Apocalypse поделился опытом создания виртуальных помощников для мониторинга сервисов, тестирования, контроля разработки и техподдержки в крупной компании.
Проводить мониторинг производительности вручную, выявляя закономерности в куче графиков и десятках таблиц, довольно сложно. Но это не значит, что разбираться с инцидентами нужно только после жалоб от пользователей. О том, как обучить нейронную сеть и заставить ее оповещать о проблемах, на конференции Infostart Event 2019 Inception рассказал начальник сектора разработки ООО «Группа Полипластик» Владимир Крючков.
Анализ данных и машинное обучение стремительно входят в нашу жизнь. Как решать ежедневные задачи специалиста 1С с помощью технологий машинного обучения на конференции Infostart Event 2019 Inception рассказал разработчик в группе рекомендаций Яндекс.Маркет Владимир Бондаревский.
