Расписание

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.

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.

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.

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.

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.

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?

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

Про Elasticsearch как поисковый движок можно долго спорить. А вот для хранения метрик он оказался неожиданно неплох: расскажу, как мы запустили TSDS под нагрузкой более миллиона метрик в секунду, с какими проблемами столкнулись и почему в итоге пришлось лезть внутрь Elasticsearch и Lucene. Часть наших изменений в downsampling уже попала в upstream и вышла в релизе 9.5.0.

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.

На JVM Language Summit 2025 года Брайан Гётц рассказал о планах добавить в язык Java классы типов. Доклад основан на рассказе Брайана, так как другой информации по этой теме очень мало, но это не просто пересказ.

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. 

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!

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.

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

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

В этом докладе я хочу показать на своем примере и порассуждать о том, какую часть работы берет на себя менеджмент и как можно реально ускорить delivery-процесс.

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.

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.