Как умножить эффективность разработки в 10 раз с помощью ИИ? Книга «Modern Python Programming using ChatGPT» Шивакумара Гопалакришнана предлагает не просто промпты, а целостную методологию применения искусственного интеллекта на всех этапах жизненного цикла разработки — от сбора требований до мониторинга в Grafana. В основе — сквозной проект: USB T-Shirt Launcher, автоматически наводящийся на лицо и стреляющий футболками.

Почему эта книга важна — особенно для российских разработчиков?

Книга не о ChatGPT. Она о системном подходе к использованию ИИ в разработке. Все описанные методы применимы к любому доступному в России ИИ-ассистенту. Автор, инженер с 25-летним стажем и бывший архитектор в компаниях Fortune 100, демонстрирует, как интегрировать ИИ в реальные процессы — без воды, с фокусом на качество и эффективность.

Вместо типовых примеров вроде создания ботов, читатель проходит полный цикл разработки в симбиозе с ИИ:

• Сбор требований: формулировка OKR, создание персонажей и карт эмпатии с помощью ИИ.
• Проектирование: применение принципов SOLID и шаблонов проектирования с поддержкой ИИ.
• Разработка: генерация, рефакторинг и отладка кода на реальных примерах.
• Качество кода: написание тестов и соблюдение лучших практик — ИИ учит не просто писать код, а писать хороший код.
• DevOps: настройка CI/CD, работа с PR, описание коммитов и мониторинг через Grafana Cloud.

Особую ценность представляет глава об ограничениях ИИ — честный разбор галлюцинаций, рисков и способов оставаться в контрольной роли. Автор подчёркивает: ИИ — инструмент, а не замена разработчику.

Как ИИ помог спроектировать «пушку для футболок»

USB T-Shirt Launcher — это реальное устройство на базе Raspberry Pi с камерой, распознающей лица. Цель: автоматически наводить турель и стрелять по человеку. Проект охватывает работу с «железом», компьютерным зрением, реальным временем и ограниченными ресурсами.

Читатель следует за автором от первых требований до рабочего кода, видя, как ИИ помогает преодолевать подводные камни, с которыми столкнулся бы любой новичок.

Этап 1: Сбор требований

Функциональные требования:

• Интеграция распознавания лиц с движением камеры — система должна удерживать лицо в центре кадра.
• Реальное время — камера и турель реагируют мгновенно.
• Наведение пусковой установки — куда смотрит камера, туда и целится пушка.
• Безопасность — защита от случайных выстрелов.
• Обработка ошибок — стабильная работа при сбоях.

Нефункциональные требования: код должен работать на слабом процессоре (Raspberry Pi), быть тестируемым и отлаживаемым без физического устройства.

Этап 2: Архитектура с поддержкой ИИ

Автор использует ChatGPT для проектирования архитектуры по принципам SOLID. ИИ предлагает применить фабричный метод, чтобы подменять реальное устройство симулятором во время разработки.

Решение включает:

• Абстрактный класс Launcher с методом launch_tshirt().
• Два наследника: USBLauncher (реальное устройство) и SimulatedLauncher (симулятор).
• Фабрику LauncherFactory, создающую нужный экземпляр в зависимости от режима.
• Контроллер LauncherController, получающий устройство через внедрение зависимости.

Такой подход обеспечивает гибкость и возможность тестирования без «железа».

Этап 3: Реализация — подводные камни

На практике возникают сложности:

• Вибрации: шаткое крепление Raspberry Pi вызывает «пляску» координат лица.
• Неизвестное начальное положение: сервоприводы без энкодеров — при старте турель может быть направлена куда угодно.
• Ограниченная мощность: Raspberry Pi 3 еле справляется с OpenCV.
• Движущаяся цель: человек может сместиться до завершения поворота.
• Механические упоры: моторы нельзя крутить бесконечно.

Этап 4: Алгоритм слежения

Решение — простой, но эффективный алгоритм:

1. Получить координаты лица через OpenCV.
2. Вычислить его центр.
3. Сравнить с центром кадра.
4. Если смещение превышает порог — подать команду на поворот на фиксированную величину.
5. Повторять до центрирования.

Это пропорциональный регулятор без обратной связи — он устойчив к вибрациям и работает на слабом железе.

Этап 5: Промпт и код от ChatGPT

Автор формулирует детальный запрос, включая все ограничения. ChatGPT генерирует код, близкий к алгоритму, но с важными улучшениями:

• Многопоточность: распознавание лиц не блокирует отправку команд.
• Интервалы обновления: защита от слишком частых движений сервоприводов.
• Корректное завершение потоков: предотвращение утечек ресурсов.

Результат — стабильная работа на Raspberry Pi.

Итоги

За несколько итераций с ChatGPT удалось получить:

• Чёткую архитектуру, отделяющую логику от «железа».
• Рабочий прототип слежения, адаптированный под ограничения устройства.
• Возможность тестирования без физического оборудования.
• Готовую документацию — диаграммы, промпты, комментарии — всё сгенерировано ИИ.

Финальный код потребовал доработки: добавление обработки нескольких лиц, плавного движения через PID-регулятор и улучшенных механизмов безопасности. Но каркас, созданный ИИ, сэкономил дни, если не недели разработки.

Проект доказывает: ИИ способен не только писать функции, но и предлагать архитектурные решения, учитывающие реальные ограничения. Главное — правильно ставить задачу и критически оценивать результат.

Книга станет полезной как для новичков, желающих научиться эффективно работать с ИИ, так и для опытных разработчиков, стремящихся оптимизировать процессы. Это не генерация ради генерации — это практическое руководство по разумному использованию искусственного интеллекта в разработке на Python.

Какому программисту не захочется прокачать свои навыки с ИИ и десятикратно умножить эффективность разработки? Когда мы получили оригинал книги«Modern Python Programming using ChatGPT»(Шивакумар Гопалакришнан), то увидели как плюсы, так и минусы.

Плюсы. Автор предлагает не просто набор промптов, а реально стройную методологию: использовать ИИ на всех этапах разработки — от сбора OKR до мониторинга в Grafana. Да еще подкрепляет это сквозным примером.

Минусы. Оригинальный текст явно был написан с активной помощью самого ChatGPT. Местами «уши» LLM торчали так сильно, что текст было трудно читать из-за воды и повторов.

Возникла главная задача: как сделать так, чтобы русскоязычный читатель получил максимум пользы от применения ИИ в своих разработках, и при этом не забросал нас камнями, обнаружив примитивный перевод текста, сгенерированного тем же самым ИИ?

И тут начинается история о том, как мы перевели и отредактировали книгу, которая сама была частично «сгенерирована», и почему в итоге она стала (по нашему скромному мнению) реальным практическим руководством по работе с ИИ для Python-разработчиков, особенно в условиях современной России.

Мы решили пойти по жесткому пути. Да, автор не скрывал, что для написания книги по ChatGPT он намеренно использовал сам ChatGPT, и это было нормально для 2025 года. Но сегодня, когда первое восхищение от способности ИИ генерировать текст или находить ошибки в коде прошло и сменилось на прагматизм и разумный консерватизм, перед нами встала задача «очеловечить» книгу, сохранив всю ее техническую глубину.

Мы не просто переводили. Мы перерабатывали структуру предложений, убирали «воду», свойственную генерациям ранних версий GPT, и унифицировали терминологию. По сути, мы сделали за ИИ его же работу, но с пониманием контекста. Результат представляем на суд широкой публики.

Почему эта книга — must read (особенно в России)?

Главная фишка книги, которая подчеркивается в предисловии к русскому изданию — она не про ChatGPT. Она про методологию. Автор использует ChatGPT как пример, как популярную модель, но все принципы, все промпты и подходы, описанные в книге, применимы к любому ИИ-ассистенту,  доступному в России. А девиз «Прокачайте навыки с ИИ — десятикратно умножьте эффективность разработки» - не маркетинг. Шивакумар Гопалакришнан, инженер с 25-летним стажем и экс-архитектор в Fortune 100, проводит читателя через полный жизненный цикл разработки (SDLC) на примере сквозного проекта — USB T-Shirt Launcher.

Внутри книги нет примеров, как написать того или иного бота. Путешествие по главам выглядит как путь по этапам разработки продукта в тесном и непосредственном симбиозе программиста и ИИ:

• Сбор требований.Забудьте про «напиши ТЗ». Книга учит формулировать OKR и цели по SMART, вместе с ИИ создавать персонажей, пользователей и карты эмпатии.
• Проектирование.Как ИИ помогает не нарушать SOLID еще на этапе архитектуры? Здесь об этом рассказывают.
• Разработка (Core).Генерация кода, рефакторинг, отладка. Показано на реальных примерах с конкретными промптами. Вы увидите, как ChatGPT помогал писать логику движения для камеры того самого T-Shirt Launcher.
• Качество кода.Отдельный блок про принципы SOLID (целая глава 8) и написание тестов. Это важно: автор учит не просто просить код, а проситьхорошийкод.
• DevOps-культура. Настройка CI/CD, описание коммитов, управление PR (Pull Requests) и мониторинг с помощью Grafana Cloud.

Да, купив книгу, местами вы можете почувствовать некоторую «академичность» изложения, но мы постарались вырезать те самые моменты, когда ИИ «льет воду» или ходит по кругу. Особенно ценной с нашей точки зрения получилась глава про ограничения и подводные камни (глава 13) — её автор явно писал сам, потому что она очень честная. Там рассказывается о том, как не стать рабом галлюцинаций нейросети и всегда критически оценивать результат.

Мы проделали большую работу, чтобы этот текст стал эталонным руководством именно для российского разработчика. Если вы хотите перестать бояться, что ИИ заменит вас, и начать использовать его, чтобы работать в 10 раз эффективнее — эта книга ваш инструмент.

Отдельное спасибо автору за то, что он выбрал такой «прикольный», но показательный проект, как USB-пусковая установка для футболок. Это доказывает: ИИ поможет управиться даже с «железом», если правильно его попросить.

Как ChatGPT помог спроектировать и реализовать USB-пусковую установку для футболок

Практический материал проекта оказался на удивление крепким.USB T-Shirt Launcher- это реальная «пушка», которая с помощью камеры и распознавания лиц автоматически наводится на цель и стреляет… футболками! Звучит как игрушка, но с инженерной точки зрения здесь есть всё: работа с «железом», компьютерное зрение, реальное время, ограниченные ресурсы (Raspberry Pi) и, конечно, активное использование ChatGPT на всех этапах.

Читатель проходит этот путь вместе с автором и ИИ: от первых требований до кода, который заставляет турель следить за лицом. И видит, как ИИ помог справиться с подводными камнями, о которые разбился бы не один новичок.

1. Что хочет заказчик? (Глава 5)

Представьте: вы должны написать софт для пусковой установки, которая подключается по USB и умеет поворачиваться влево-вправо и наклоняться вверх-вниз. На неё же установлена камера на Raspberry Pi. Задача: автоматически наводить устройство на лицо человека и, если хочется, стрелять в него футболкой. А для разработки и тестирования неплохо бы иметь возможность запускать код без реального железа — в симуляторе.

Все по требованиям (REQ):

• REQ-4. Интеграция распознавания лиц с движением камеры — система должна идентифицировать лица и удерживать их в центре кадра.
• REQ-5.Логика движения камеры на основе положения лица — камера двигается в реальном времени.
• REQ-6. Интеграция движения камеры с наведением пусковой установки — куда смотрит камера, туда целится и пушка.
• REQ-7. Функции безопасности — защита от случайного выстрела.
• REQ-8/9. Обработка ошибок — стабильность при сбоях.

Кроме того, есть нефункциональные требования: код должен работать на Raspberry Pi (слабый процессор), быть тестируемым, а также позволять делать отладку без реального USB-устройства.

2. Проектируем архитектуру с ChatGPT

Скармливаем этот список ChatGPT и просим предложить архитектуру, используя принципы SOLID и шаблоны проектирования. Чат-бот предлагает использоватьфабричный метод (Factory Method), чтобы во время разработки и тестирования подменять реальное USB-устройство симулятором.

Вот как выглядит диаграмма классов, сгенерированная ботом на языке Mermaid (рис. 5.6 из книги):

Суть решения: есть абстрактный классLauncherс методомlaunch_tshirt(). От него наследуютсяUSBLauncher(работа с реальным железом) иSimulatedLauncher(имитация для отладки). АLauncherFactoryсоздаёт экземпляр нужного типа в зависимости от режима.LauncherControllerполучает этот экземпляр через внедрение зависимости и работает с ним, не задумываясь, реальное это устройство или нет.

Фрагмент кода, сгенерированного ChatGPT (сильно сокращён):

Такая архитектура одновременно решает проблему тестирования и делает код гибким.

3. Переходим к реализации: подводные камни (Глава 6)

Итак, архитектура готова. Внешний вид «пушки» впечатляет.

Но дьявол, как всегда, в деталях. Когда мы начинаем писать код для реального устройства, всплывают неучтённые проблемы. Вот лишь некоторые из них:

• Шаткое крепление. Raspberry Pi с камерой просто прикручен к подвижной части турели. При каждом движении конструкция вибрирует, и координаты лица «пляшут».
• Неизвестное начальное положение. У дешёвых USB-сервоприводов нет энкодеров. При включении мы не знаем, куда направлена турель — она может смотреть в потолок или в пол.
• Ограниченная вычислительная мощность. Raspberry Pi 3 еле тянет OpenCV. Сложные алгоритмы с предсказанием движения лица приведут к тормозам.
• Цель движется. Пока турель поворачивается, человек может сместиться. Нужно постоянно корректировать траекторию.
• Механические ограничения. Нельзя крутить моторы бесконечно — есть упоры.

4. Придумываем алгоритм (советуемся с  ИИ!)

Прежде чем лезть в код, полезно набросать алгоритм на пальцах. Мы решили действовать просто:

1. Получить от OpenCV координаты ограничивающей рамки лица.
2. Вычислить центр лица.
3. Сравнить с центром кадра.
4. Если смещение по горизонтали больше допустимого порога — подать команду поворота в нужную сторону на небольшую фиксированную величину.
5. То же для вертикали.
6. Повторять цикл, пока лицо не окажется в центре (с допуском).

Это классический пропорциональный регулятор, но без обратной связи по положению. Такой подход не требует знания абсолютного угла, нечувствителен к вибрациям и легко реализуется на слабом процессоре.

5. Промпт для ChatGPT и полученный код

Теперь формулируем задачу для ChatGPT максимально подробно, с учётом всех ограничений:

«Как главный штатный инженер по Python, дайте мне код на Python для функции, которая будет выдавать команды для запуска на основе идентифицированных координат лица. У меня есть маломощное устройство, такое как Raspberry PI. На нем установлен модуль камеры Raspberry PI. Вся камера и RPI довольно шатко закреплены на панели запуска. Устройство запуска — это устройство, управляемое через USB, которое может выполнять повороты и наклоны. Используя OpenCV, я могу распознавать лица и получать их координаты... У пусковой установки нет команды «определить положение». Её текущее положение невозможно определить при запуске программы. Лица могут перемещаться во время движения пусковой установки...»

ChatGPT выдал код, который оказался очень близок к нашему алгоритму, но добавил важные детали:многопоточность(чтобы распознавание лиц не блокировало отправку команд) ивременные интервалы(чтобы не дёргать сервомоторы слишком часто). Ниже — ключевые фрагменты (полный код занимает пару страниц, мы покажем только суть).

Обратите внимание: ChatGPT не просто скопировал наш алгоритм, но и профессионально организовал асинхронную отправку команд, защиту от слишком частых движений и корректное завершение потоков. Всё это позволяет коду работать на Raspberry Pi без подвисаний.

6. Итоги и выводы

За несколько итераций диалога с ChatGPT мы получили:

• Чёткую архитектуру,отделяющую логику от железа.
• Рабочий прототипалгоритма слежения, учитывающий реальные ограничения слабого железа.
• Возможность тестированиябез физического устройства благодаря фабрике и симулятору.
• Готовую документацию(промпты, диаграммы, комментарии) — её сгенерировал ИИ по ходу дела.

Конечно, финальный код потребовал доработки: пришлось добавить обработку нескольких лиц, более плавное движение (через PID-регулятор) и механизмы безопасности. Но начальный каркас, созданный ChatGPT, позволил сэкономить дни, если не недели.

Проект USB T-Shirt Launcher — отличная песочница для отработки навыков программирования с ИИ. Мы убедились, что ChatGPT способен не только писать отдельные функции, но и предлагать архитектурные решения, учитывающие аппаратные ограничения. Главное — правильно ставить задачу и критически оценивать результат, как это делали авторы при подготовке русского издания книги.

Хотите попробовать сами? Весь код и документация доступны в репозитории. А если захочется больше примеров и разбора каждого этапа —добро пожаловать в книгу.

Мы полагаем, что книга получилась интересной как для начинающих программистов, которые хотят научиться правильно ставить задачи ИИ, чтобы он не генерировал ерунду, так и для продвинутых, которые хотят прокачать навыки рефакторинга и написания чистой архитектуры с минимальными затратами времени.

Еслипри покупке книги на сайте издательства "БХВ"использовать промокодHABRBHV, вы получите скидку 36%.