Блог Laraue — .NET, Nuxt, Telegram-боты и работа с ИИ

Мы сделали MCP-сервер для Laraue Boards, чтобы разобраться, как работает MCP, а потом начали пользоваться им с Claude Code каждый день. Как за два часа появилась первая версия, что было в ней не так и какой ежедневный цикл он дал.

Современный подход к разработке все больше сводится к тезису - код должен писать ИИ, а разработчик лишь направляет его в нужную сторону и проверяет результаты. А то, что отревьюить сгенерированный код так, чтобы ему довериться, часто дольше, чем написать его самостоятельно, старательно опускается.

Часть 2 цикла о разработке Telegram-таск-трекера в одиночку. Почему мы начинаем с интерфейса, как HTML-прототипы от ИИ заменили Figma и каким получился первый прототип Laraue Boards.

Инженерные принципы, по которым делаются проекты Laraue — начинаем с пути пользователя, не переусложняем раньше времени, делим логику на слои, изолируем сторонние интеграции, где ИИ помогает, а где не допускается до кодовой базы.

Проверка продуктовой идеи до написания кода — исследуем рынок, публичное тестирование идеи, оцениваем с помощью ИИ, реально ли конкурировать за нужные ключевые слова.

Как построить агрегатор недвижимости на .NET — парсинг через PuppeteerSharp с ранним завершением, интеграция Ollama vision model для оценки фото, штрафная формула ранжирования и уведомления в Telegram. Исходный код на GitHub.

Как использовать Ollama в C# и .NET — нативный HTTP API, структурированный JSON-вывод через C# классы, анализ изображений vision-моделями и типизированный NuGet-адаптер. Без облачных API, без утечки данных.

Приложение собирало объявления с двух крупных сайтов, оценивало каждое фото квартиры локальной ИИ-моделью и ранжировало квартиры по качеству ремонта. Больше 100 000 объявлений, открытый код. Новых объявлений сейчас нет.

Технический разбор архитектуры open-source Telegram-бота для пополнения словарного запаса: стек C# / .NET 10, пайплайн автоперевода на базе Ollama, модель данных и настройка локальной разработки.