Бэкенд-разработчик Selectel Вадим Гартман оказался в знакомой многим ситуации: нужно быстро влиться в поддержку terraform-provider для выделенных серверов, а опыта работы с этим направлением почти нет. Чтобы не заваливать коллег десятками вопросов, он решил попробовать Gemini Notebook — ИИ-инструмент от Google, способный обрабатывать до миллиона токенов контекста. Это позволяет загружать в модель целые репозитории кода и задавать вопросы по их структуре.
Первая проблема возникла еще до начала работы: сервис оказался недоступен из региона автора. При попытке зайти с компьютера браузер выдавал ошибку с пометкой «location=unsupported». Обходные пути, включая VPN, не помогали. В итоге доступ удалось получить только со смартфона, что автор и советует учитывать тем, кто планирует использовать инструмент из России или других регионов, где сервис может быть ограничен.
| Тип учетной записи | Использование данных для обучения |
|---|---|
| Бесплатная (личная) | Данные могут использоваться при фидбеке пользователя |
| Google Workspace / Education | Полный отказ от использования данных для обучения |
| Enterprise | Изолированное облако компании, максимальная защита |
Второй важный момент — конфиденциальность. На главной странице Gemini Notebook указано, что Google «заботится о конфиденциальности данных вашей организации и никогда не использует их для обучения Gemini Notebook». Однако, как выяснил Гартман, изучив оферту, политика зависит от типа учетной записи. Для бесплатных личных аккаунтов промпты, загруженные файлы и ответы модели могут отправляться асессорам и использоваться для обучения, если пользователь оставляет фидбек (лайк или дизлайк). Для корпоративных аккаунтов Google Workspace и Workspace for Education заявлен полный отказ от использования данных для обучения. В Enterprise-версиях инстанс размещается в изолированном облаке компании.
Бесплатная версия для личных аккаунтов может передавать данные асессорам при фидбеке, что опасно для проприетарного кода.
Главный вывод из этого: если вы используете бесплатный тариф с личного аккаунта, не стоит загружать туда проприетарный или продакшн-код. Это может привести к утечке интеллектуальной собственности или персональных данных, что грозит штрафами или дисциплинарными взысканиями. Для работы с чувствительными данными лучше использовать корпоративные аккаунты или Enterprise-версию.
Сам процесс анализа кода выглядит так: автор собрал весь проект terraform-provider в один PDF-файл с помощью расширения CodePDF Exporter для VSCode. Затем загрузил этот PDF в Gemini Notebook в качестве источника. После этого можно задавать модели вопросы о структуре кода, назначении функций и логике работы. По словам Гартмана, инструмент неплохо справляется с навигацией по большим объемам кода, помогая быстро находить нужные места и понимать общую архитектуру.
Однако автор подчеркивает, что ИИ — это лишь ассистент, а не замена опыту инженера. Ответы модели нужно критически оценивать, сверяя с собственными знаниями и документацией. В противном случае есть риск принять неверное решение, основанное на правдоподобном, но ошибочном ответе нейросети. В целом, для первичной навигации и ускорения рутины Gemini Notebook может быть полезен, но только в сочетании с инженерным мышлением.
Этот опыт иллюстрирует общий тренд: LLM-инструменты все активнее проникают в повседневную разработку, помогая быстрее осваивать незнакомые кодовые базы. Однако их использование требует внимательности к вопросам безопасности и конфиденциальности, особенно при работе с коммерческим кодом. Аналогичные инструменты, такие как GitHub Copilot или Cursor, также предлагают функции анализа кода, но с другими условиями обработки данных. Выбор конкретного решения зависит от задач и требований компании к защите информации.
