Доклады

В этом докладе мы разберем виртуальные потоки Java не как feature, а как инженерное решение.

Расскажем и покажем, как работает под капотом гибридная модель компиляции кода JIT + AOT в Android Runtime и какой профит она дает в реальных приложениях. Сравним решение от Google с проектом Leyden в большой Java.

Как Java 25 с FFM API научилась управлять железом без единой строчки C: разбираем эволюцию архитектуры open-source проекта Pi4J: от JNI/JNA до чистой Java, границы применимости, тайминги и память — с бенчмарками и демо на реальных датчиках.

Расскажу, что потребовалось доработать, чтобы запустить наш сервис на Valhalla Early-Access сборке в продакшене локально, какие изменения мы увидели в показателях и какие выводы мы можем сделать из всего этого эксперимента.

Доклад посвящен переходу от статичных агентов к self-evolving системам, способным адаптироваться к предпочтениям разработчика. На примерах алгоритма GEPA и эволюции SKILLs в Hermes-агенте разберем, как заставить ИИ учиться на ошибках и повысить эффективность кодовых ассистентов в ваших сценариях.

В докладе мы разберем несколько типовых кейсов, в которых наш агент и платформа вызывают LLM для решения «нечетких» задач, а после доклада слушатели унесут с собой конкретные подходы, основанные на наших продакшен-кейсах.

E2E-бенчмарк, красивые графики, внушительный RPS и первое место в таблице легко создают ощущение, что технология объективно быстрее конкурентов. Но что именно показывает E2E-бенчмарк: реальную производительность стека, качество выбранного сценария или умение правильно подготовить тест?

Как на Koog'е набросал Kotlin Script с простым агентом. Умом он не блещет, но простой и управляемый: кодом иногда проще объяснить задачу, чем словами.

Посмотрим на эволюцию JVM сквозь призму закрытия архитектурных дыр. На примере фреймворка сериализации one-nio мы совершим археологическую раскопку: от Unsafe, MagicAccessorImpl и синтетических аксессоров до современных механизмов — VarHandles, Nestmates и Hidden Classes.

Посмотрим, как обстоят дела с FFM API (Project Panama) в 2026 году, как на своем опыте взаимодействия с большими нативными библиотеками вроде Catboost, так и на более гранулярных, но от этого не менее практических примерах вроде своих биндингов к libc.

Почему Context Engineering становится новой инженерной дисциплиной, как AI меняет весь жизненный цикл разработки (AI PDLC) и какие компетенции будут определять сильного инженера в ближайшие годы. 

Расскажу, как заставить агентов создавать UI по гайдам.

LLM разрушают не рынок труда, а метафизическое право человека на существование. Разберем эту проблему с разных сторон.

В выступлении будет обзор теории и приземление ее на конкретные кейсы, которые я слушал в паре десятков выступлений по теме, выделяя в них проявление общих элементов. Приходите, чтобы получить готовую теоретическую базу и набор практических шаблонов!

В реальности с ИИ выживут только инженеры: те, кто не отдают свое мышление полностью машинам и остаются субъектами решений, а не операторами интерфейсов.

Доминирующая парадигма развития LLM-систем предполагает, что рост качества решений линейно связан с ростом мощности (и стоимости) базовой модели.

Доклад бросает вызов этому допущению, показывая, что при достаточно продуманной инженерной архитектуре — распределении задач между короткоживущими агентами, накоплении структурированного состояния и жестком символическом контроле — сопоставимые по качеству результаты достижимы на порядок дешевле моделей.

Давайте разберемся, что на самом деле отделяет нас от роботов общего назначения. Разберем робота на части и посмотрим, где каждая упирается в потолок, а где прогресс идет быстрее, чем принято думать.

На композитном кейсе разберем ситуацию, в которой LLM-агент резко ускорил подготовку спецификаций, но почти не сократил общий срок выпуска продукта.