Расписание

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.

Vector API ускоряет код не сам по себе: результат определяют зависимости между операциями, возможности JIT и архитектура процессора. На JMH-бенчмарках разберем, когда достаточно автовекторизации, а когда явный SIMD действительно меняет алгоритм и дает выигрыш.

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.

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.

Разберем разные модели конкурентного программирования.

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.

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.

Vector API ускоряет код не сам по себе: результат определяют зависимости между операциями, возможности JIT и архитектура процессора. На JMH-бенчмарках разберем, когда достаточно автовекторизации, а когда явный SIMD действительно меняет алгоритм и дает выигрыш.

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.

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.

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? Поговорим о том, почему не стоит верить красивым показателям производительности и почему такие бенчмарки полезны, но опасны при буквальном чтении.

Разбираем:

— как профилирование работает под капотом

— какие различия и сходства у инструментов профилирования Java и натива

— специфику профилирования в облаке

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.

Сегодня бо́льшая часть разработчиков уже проектирует архитектуру, реализует фичи и формулирует требования с помощью AI-агентов и персональных ассистентов, с разной степенью вовлеченности.

Я решил проверить: а что изменится в моей работе, если дать AI-агенту те же инструменты, которыми пользуется сам разработчик: IDE, LSP и базу знаний проекта?

Расскажу, как заставить агентов создавать UI по гайдам.

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.

Мы исполним Шариков-блюз (может быть, и буквально!), чтобы раскрыть сложные аспекты современного понимания обусловленности технологических систем социальными, экономическими и культурными аспектами.

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.

Доклад рассчитан на разработчиков и техлидов, которые используют агентов для работы с кодом и отвечают за решения о выпуске.

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 докладе заглянем на несколько лет вперед: как AI-агенты изменят профессию разработчика, почему DDD и моделирование станут важнее, как разделятся роли продуктового и платформенного разработчика и что останется зоной ответственности человека, когда писать код самому станет необязательно.

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.

Поговорим о том, что же такое вайбкодинг и почему этот термин вызывает так много отторжения в среде опытных программистов.

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.

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.

В русской классике есть такой персонаж — маленький человек. Большая система куда-то едет, принимаются великие решения, а где-то внизу сидит человек, который просто хочет нормально делать свою работу. С ИИ мы сейчас примерно в такой ситуации: вокруг идет большая гонка, а нам, маленьким людям, нужно как-то адаптироваться к миру, где ИИ уже стал частью разработки, и при этом не отъехать в дурку.

ИИ-агенты позволяют одному инженеру делать то, для чего еще недавно нужна была целая команда. Но если реализация перестает быть главным ограничением, что тогда становится самым важным? Поговорим о том, что происходит еще до первого промпта.

За час агент делает работу, которую раньше я делал неделю. И впервые за карьеру поймал себя на вопросе, который глупо произносить вслух: а я — инженер?

...но так, чтобы никто не заметил.

Говорим о расписании, сессиях и активностях.

Во время конференции осваиваем новые технологии, а на афтерпати — новые способы открывать напитки, когда привычного инструмента нет под рукой.

Вас ждут 10-минутные доклады на профессиональные или околопрофессиональные темы и живые обсуждения.

Скоро на этом месте появится новый доклад.

Вспомним, чего боялись инженеры и преподаватели, как менялись работа и образование и что эти истории помогают понять о сегодняшних переменах.

Я собираюсь рассказать о спорном, но возможном влиянии современных вариантов ИИ на человеческие память и мышление и о разумных стратегиях развития собственного мышления (в том числе критического) в этих условиях.

Подводим итоги конференции, вспоминаем яркие моменты и рассказываем о дальнейших планах.