Лаборатория 7: Рецензирование проектов
Взаимная оценка проектов команд, анализ архитектурных решений и подготовка документации для будущих поколений студентов
📝 Лабораторная 7: Рецензирование проектов
Изучить проекты других команд, дать конструктивную обратную связь, проанализировать архитектурные решения и создать документацию для будущих поколений студентов. Научиться смотреть на AI-проекты глазами эксперта.
📊 Dashboard Лабы 7
Основной вопрос Лабы 7
"Как оценить чужой проект? Какие решения удачные, а что можно улучшить?"
Команда становится экспертами: изучает репозитории других проектов, анализирует архитектурные решения, тестирует функциональность и дает конструктивную обратную связь.
🎯 Артефакты по ролям
Роль SA/PO в рецензировании: Анализ продуктовых решений, архитектуры системы и документации проектов
- Обзор архитектурных решений других проектов
Что делать:
- Изучить README и архитектурные диаграммы 3-4 проектов
- Проанализировать выбор технологий (почему LLM X, а не Y?)
- Оценить масштабируемость и модульность решений
- Сравнить подходы к декомпозиции AI pipeline
Формат: Документ "Architecture Review" (3-4 страницы)
Структура: Для каждого проекта — описание архитектуры, плюсы решений, минусы, рекомендации по улучшению
- Подготовка задачи и use cases для тестирования
Что делать:
- Разработать сценарии использования для проектов команды
- Составить список реалистичных user stories и edge cases
- Подготовить тестовые данные для других команд
- Описать ожидаемое поведение системы
Формат: Документ "Test Scenarios & Use Cases"
Пример: "Use Case 1: Пользователь загружает фото с нечитаемым текстом → Система должна вернуть ошибку валидации"
- Анализ метрик и результатов тестирования
Что делать:
- Изучить Grafana dashboards других проектов
- Сравнить метрики: latency, token usage, error rate
- Проанализировать coverage отчеты тестов
- Оценить результаты A/B тестов (если есть)
Формат: Сравнительная таблица метрик проектов
Метрики: Response time (p95), Cost per request, Test coverage, Uptime, Error rate
- Итоговый отчет о рецензировании
Что делать:
- Составить сводный отчет по всем изученным проектам
- Выделить best practices архитектурных решений
- Описать anti-patterns которых стоит избегать
- Дать рекомендации для будущих студентов
Формат: Презентация + документ (5-7 страниц)
Для: Публикации в галерее проектов и использования на курсе в следующем году
✅ Definition of Done
Лаба 7 считается завершенной, когда:
Критерии готовности
- Architecture Review документ (3-4 проекта)
- Test Scenarios & Use Cases
- Сравнительная таблица метрик
- Итоговый отчет о рецензировании
- AI Pipeline Review документ
- Таблица с результатами тестирования моделей
- Model Selection Analysis
- AI Best Practices гайд для курса
- Infrastructure Audit отчет
- CI/CD Review документ
- Сравнительная таблица мониторинга
- DevOps Best Practices гайд + шаблоны
- UX Review со скриншотами
- API Testing Report
- Code Review документ
- Frontend/Backend Best Practices гайд
- Все документы собраны в репозитории в папке
docs/reviews/ - Презентация "Lessons Learned" (10 слайдов)
- Feedback отправлен всем рецензированным командам
- Материалы подготовлены для публикации на сайте курса
📅 Таймлайн выполнения (7 дней)
- Распределить проекты для рецензирования между командой
- Запустить проекты локально через Docker Compose
- Изучить README, архитектуру, код каждого проекта
- Протестировать основную функциональность
- Каждая роль готовит свои review документы
- Проводить детальный анализ своей области экспертизы
- Фиксировать находки, баги, рекомендации
- Собирать данные для сравнительных таблиц
- Создать Best Practices гайды по каждой роли
- Собрать примеры кода и конфигураций
- Подготовить шаблоны для будущих студентов
- Написать итоговый отчет командой
- Подготовить презентацию "Lessons Learned"
- Отправить feedback рецензированным командам
- Загрузить все материалы в репозиторий
- Краткая презентация результатов (5 минут)
🎯 Критерии оценки (10 баллов)
- 5б: Глубокий технический анализ, конкретные рекомендации
- 4б: Хороший анализ, есть предложения
- 3б: Поверхностный анализ
- 0-2б: Формальный подход, нет value
- 3б: Все артефакты готовы, структурировано
- 2б: Большинство артефактов есть
- 1б: Половина артефактов
- 0б: Документация неполная
- 2б: Материалы готовы к публикации, полезны
- 1б: Частично пригодны для использования
- 0б: Нельзя использовать на курсе
📚 Структура репозитория для Лабы 7
docs/
├── reviews/
│ ├── architecture-review.md # SA/PO
│ ├── test-scenarios.md # SA/PO
│ ├── metrics-comparison.xlsx # SA/PO
│ ├── ai-pipeline-review.md # AI Engineer
│ ├── model-testing-results.md # AI Engineer
│ ├── infrastructure-audit.md # MLOps
│ ├── cicd-review.md # MLOps
│ ├── monitoring-comparison.md # MLOps
│ ├── ux-review.md # Fullstack
│ ├── api-testing-report.md # Fullstack
│ ├── code-review.md # Fullstack
│ └── final-report.md # Команда
├── best-practices/
│ ├── ai-best-practices.md # AI Engineer
│ ├── devops-best-practices.md # MLOps
│ ├── frontend-best-practices.md # Fullstack
│ └── templates/ # Шаблоны
│ ├── docker-compose.yml
│ ├── github-workflow.yml
│ └── ...
└── presentation/
└── lessons-learned.pdf # Команда💡 Советы для успешного рецензирования
- Будьте конструктивны — критикуйте решения, а не людей
- Ищите что похвалить — лучшие практики тоже важны
- Давайте конкретные рекомендации с примерами
- Тестируйте тщательно перед выводами
- Учитесь у других команд — это ваш шанс
- Не будьте деструктивны или высокомерны
- Не делайте поверхностный анализ "для галочки"
- Не критикуйте без альтернативных предложений
- Не копируйте чужие решения без понимания
- Не игнорируйте дедлайны — команды ждут feedback
🎁 Бонусы (опционально)
Хотите выделиться? Попробуйте:
- ⭐ Видео review: запишите walkthrough с комментариями
- ⭐ Pull Request с фиксами: если нашли баг — исправьте и сделайте PR
- ⭐ Интерактивные гайды: создайте tutorial вместо статичной документации
- ⭐ Сравнительный benchmark: протестируйте performance разных проектов
- ⭐ Публикация статьи: напишите на Habr/Medium о findings
🎓 Рецензирование — это обучение
Изучая проекты других команд, вы учитесь быстрее чем на своих ошибках. Это уникальная возможность увидеть разные подходы к AI-архитектуре и стать лучшим инженером.