Григорий Шатров. Что происходит с базой, когда ей добавляют расширение

Продолжаю развивать проект Harness 1С — обвязку для полноценной разработки в 1С с помощью AI-агентов. В этой части показываю оркестратор Symphony: он мониторит трекер задач в GitLab, автоматически запускает агентов, согласует план с человеком и присылает уведомления в приложение на Flutter (desktop и мобильный). Вы ставите задачу, идёте пить кофе — а на телефон приходят уведомления: задача принята в работу, агент составил план, разработка завершена. Разбираю весь цикл автоматической разработки на живом примере: локальный GitLab с репозиторием расширения 1С, доска задач со статусами (Backlog; To Do; In Progress; Plan Review; Human Review), выбор агента метками (Claude Code, OpenCode, Kimi), разработка в отдельной ветке и merge request. Отдельно показываю, как агент строит детальный план, как внести правки обычным комментарием к задаче, и почему я осознанно оставляю этап проверки плана человеком.

Сравниваем два подхода к созданию мобильных приложений в экосистеме 1С: классическую разработку на платформе и набирающую популярность технологию 1С:Элемент. Разбираем, какие возможности доступны из коробки, чем отличаются готовые интерфейсы и сколько времени занимает подготовка приложения к выпуску. На примере приложения «Показания тонометра» показываем, что потребуется для старта: материалы, инструменты, знания и этапы сборки. В финале сравниваем технологии по простоте разработки, внешнему виду, функциональности, перспективам развития и масштабируемости. Доклад в виде статьи: https://infostart.ru/1c/articles/2737566/

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. Доклад в виде статьи: https://infostart.ru/1c/articles/2735949/

Рассказываем, 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. Доклад в виде статьи: https://infostart.ru/1c/articles/2732183/

Юнит-тестирование в 1С – тема, о которой много говорят, но внедряют далеко не везде: для одних это признак зрелой разработки, для других – избыточная формальность или лишняя трата времени. Разбираем, почему классическая пирамида тестирования в 1С часто оказывается перевернутой, какие ограничения накладывает платформа и почему юнит-тесты в реальных проектах нередко смешиваются с интеграционными. Показываем, где юнит-тесты действительно помогают ускорить разработку, упростить проверку логики и повысить качество кода, а где их применение превращается в хрупкую и дорогую поддержку. Отдельно разбираем типичные ошибки: зависимость тестов от данных и окружения, избыточное мокирование, тестирование платформы вместо бизнес-логики и отсутствие негативных кейсов. Доклад в виде статьи: https://infostart.ru/1c/articles/2726730/

Осознанное программирование помогает разработчикам принимать более взвешенные решения, понимать ценность своей работы и снижать вероятность ошибок. Показываем, как этот подход естественным образом сочетается с библиотечным методом разработки, особенно когда стандартных инструментов, таких как БСП, уже недостаточно. На примере создания библиотеки 1С Ozon демонстрируем, как единый компонент может ускорять проекты, повышать качество и уменьшать bus-фактор. Также объясняем, какие практики помогают развивать осознанность в профессиональной деятельности и применять ее в ежедневной работе. Доклад в виде статьи: https://infostart.ru/1c/articles/2724905/

Перегруженные формы в 1С могут превращаться в «стену плача»: пользователи теряются, дольше обучаются, чаще ошибаются и чаще обращаются в поддержку. Разбираем, чем хороший UI отличается от просто «красивого» интерфейса, как UX помогает выстроить понятный пользовательский сценарий и какие стандарты 1С стоит учитывать при проектировании форм. Показываем типичные признаки плохой формы – хаос, перегруз, отсутствие логики и единообразия – и объясняем, как поэтапно привести интерфейс в порядок. На практических кейсах «до/после» показываем, как выделить основной сценарий, убрать лишний шум и сделать формы удобнее для пользователей. Доклад в виде статьи: https://infostart.ru/pm/2724081/

Продолжаю развивать свой Harness для 1С — автономного кодового агента, который работает на локальных нейросетях без облака и без расхода токенов по подписке. В этом видео показываю новый инструмент: MCP-сервер, который ищет по метаданным конфигурации 1С и собирает готовый контекст под задачу разработки. Кодовый агент больше не перелопачивает десятки тысяч строк кода выгруженной ERP — он точечно получает структуру нужного объекта через графовую базу. Разбираю, зачем для автономной разработки в 1С нужен отдельный поиск по конфигурации, чем это отличается от подхода Claude Code, и как новые MCP-инструменты помогают агенту мгновенно находить справочники, реквизиты, табличные части и модули. На живых примерах показываю, как агент находит объекты по синонимам, даже если точного справочника в конфигурации нет. Также обновил локальную модель: теперь на сервере запущена Qwen3 (unsloth, квантование UD-Q8_K_XL, контекст 65k токенов) на связке видеокарт RTX 3090 + RTX 5070 Ti — это максимально близко по качеству к оригинальной модели. Инструмент позволяет кодовому агенту точно знать структуру метаданных конкретного объекта: реквизиты и их типы, ссылочные типы, перечисления, табличные части, модули. Это ускоряет и планирование, и саму доработку конфигурации. Пишите в комментариях, что ещё стоит добавить в такой инструмент, чтобы кодовый агент в 1С работал лучше. Свои мысли по развитию у меня есть, но обязательно учту ваши замечания.

Показываю свой MCP сервер контекстных подсказок 1С для кодового агента — он работает на полностью локальной нейросети, без интернета и утечки исходников. Вайб-кодинг в 1С на домашнем железе: две видеокарты RTX 5070 Ti, модель Qwen3 на 27 млрд параметров, квантование NVFP4 и контекст 64 000 токенов. Главная проблема разработки на 1С в том, что почти ни одна нейросеть толком не знает язык 1С — даже топовые модели Claude, OpenAI, часто ошибаются. Чтобы это обойти надо подавать кодовому агенту качественный, максимально сжатый контекст. Мой MCP сервер берет справку 1С, делает собственный поиск и через инструмент Research возвращает агенту только нужные типы, методы и свойства. В результате локальная модель пишет рабочий код 1С и почти не выдумывает несуществующие методы. В видео на живых примерах: обработка загрузки текстового файла и функция POST запроса к HTTPS сервису с защищённым соединением, обработкой исключений и логированием в журнал регистрации. Скорость генерации 71-73 токена/сек при максимальном качестве ответа. В итоге, связка локальная нейросеть + MCP сервер контекста 1С уже сейчас даёт быстрый и аккуратный код без отправки исходников в облако. Дальше - единый продукт для автономной разработки 1С. В следующих роликах: добавление третьей видеокарты, домашний AI-сервер и запуск Qwen3 27B на максимальной скорости с контекстом 256 000 токенов. Где взять итоговый продукт — расскажу в следующих уроках.

После замены устаревшего Java-модуля и реализации высоконагруженного биллинга на 1С 8.5 система обрабатывает более 1 миллиарда событий в месяц, формирует около 3 миллионов актов для 700 тысяч клиентов и работает в inFrame-режиме внутри корпоративной ERP. Разбираем архитектуру решения: слои данных, ретроспективность, drill-down до первичной операции, многопоточный конвейер, RabbitMQ, REST API, Grafana, партиционирование и охлаждение данных. Объясняем, почему именно архитектура данных стала ключом к производительности, масштабируемости и устойчивости системы. Доклад в виде статьи: https://infostart.ru/pm/2718550/