Solo Pet Project: AI + Kotlin MPSolo Pet Project: AI + Kotlin MP
Как я с помощью AI прошла полный цикл full-stack разработки: сузила идею про живой контент до Android MVP, собрала продуктовую логику, backend на Supabase/Postgres, словарь и проверяемый цикл обучения How I used AI to go through a full-stack product cycle: narrowed the real-content idea into an Android MVP, built product logic, a Supabase/Postgres backend, a dictionary and a testable learning loop
Роль и границыRole & scope
Моя зона ответственности: сценарии, границы первой версии, задачи для профильных чатов, документация, качество данных и решения по релизной готовностиMy ownership covered scenarios, MVP scope, task setting for owner chats, documentation, data quality and release-readiness decisions
Определяла целевые пользовательские сценарии, ожидаемый результат, критерии приёмки и решения за рамками первой версии
Defined target user cases, expected results, acceptance criteria and decisions deferred beyond the MVP
Разделила работу по зонам: словарь, леммы, чанки, настройки, сборка, интеграция и релиз
Split work by product areas: dictionary, lemmas, chunks, settings, build, integration and release
Фиксировала правила для переводов, учебных значений, чанков, статуса проверки и исключений из учебного контура
Set rules for translations, learner-facing meanings, chunks, review-state and exclusions from learner scope
Вела процесс веток, сборок APK, релиз-кандидата, готовности к Google Play и инфраструктурных решений
Owned the process for branches, APKs, release candidates, Google Play readiness and infrastructure decisions
Продуктовое наблюдениеProduct insight
Я строила продукт из позиции взрослого пользователя: базовый английский уже есть, а следующий прирост требует качественных слов, точных значений, короткого контекста и понятной очереди обученияI built the product from the perspective of an adult learner: basic English is already there, and the next stage needs quality words, precise meanings, short context and a clear learning queue
Целевой пользователь уже понимает язык и хочет быстрее расширять активный словарь без повторного прохождения A1-A2 сценариевThe target user already understands the language and wants to grow their active vocabulary faster — without going through A1–A2 scenarios again
Награды и маскоты помогают удержанию. В этом сценарии важнее ощущение реального прогресса в словареRewards and mascots help retention. In this scenario, the feeling of real vocabulary progress matters more
Разговорная практика закрывает речевой барьер. Atomic English сфокусирован на другом шаге: дать пользователю больше качественных слов и контекстов для активного употребленияConversation practice closes the speaking barrier. Atomic English focuses on a different step: giving learners more high-quality words and contexts for active use
Продуктовый путьProduct journey
На старте я проверяла раздел поиска материалов с текстами и аудио. В процессе стало ясно: перед медиа пользователь должен доверять слову, переводу, значению и примеруI started by testing Discovery with texts and audio. The work showed that before media, users need to trust the word, translation, meaning and example
Пользователь встречает слово в тексте или аудио, понимает его в контексте и забирает в обучениеThe user meets a word inside a text or audio clip, understands it in context and takes it into learning
Тексты и подкасты приносили слова разного качества. Аудио добавляло хранение, синхронизацию и релизные рискиTexts and podcasts surfaced words of uneven quality. Audio added storage, sync and release risks
Первая версия сфокусировалась на отобранной колоде слов, значениях, переводах, чанках и очереди обучения. Раздел поиска материалов с медиа ушёл в будущий объём работThe MVP focused on a curated word deck, meanings, translations, chunks and a learning queue. The media discovery section moved to future scope
Текущая первая версияCurrent MVP
Первая версия проверяет главную ценность: пользователь выбирает слово, понимает смысл, видит короткий контекст и добавляет слово в очередь обученияThe MVP validates the core value: the user chooses a word, understands its meaning, sees short context and adds it to the learning queue
Пользователь начинает с заранее отобранной колоды качественных слов: разные части речи, понятная частотность, учебная ценностьThe user starts with a pre-curated deck of high-quality words: different parts of speech, clear frequency and learning value
Карточка показывает перевод, учебное значение и контекст, связанный с выбранным значениемThe card shows the translation, the learner-facing meaning and a context tied to the selected meaning
Выбранное слово попадает в обучение и остаётся в очереди до осознанного действия пользователяA selected word enters the learning queue and stays there until the user takes a deliberate action on it
Чанки переводят фокус с изолированного слова на естественное употреблениеChunks shift focus from an isolated word to natural use
После первого обучения слово возвращается в нужный день и остаётся частью системыAfter the first session, the word returns on the right day and stays part of the system
«Обучающий продукт держится на доверии к данным»“A learning product stands on trust in the data”Главный вывод проектаMain takeaway from the project
Система качестваQuality system
Я описала продуктовый контракт словаря: какие леммы остаются в учебном контуре, каким должно быть учебное значение, как связать чанк с выбранным смыслом и когда нужен review переводаI wrote a product contract for the dictionary: which lemmas stay in the learning scope, what a learner-facing meaning must look like, how a chunk gets tied to a specific meaning and when a translation needs review
Из колоды убирались служебные слова, фразовые хвосты, составные выражения через дефис и слишком узкие слова без ценности для первой версииFunction words, phrasal tails, hyphenated compounds and overly niche items without MVP value were pulled from the deck
Значение объясняет смысл простым учебным языком: без форм слова, этимологии, ошибок распознавания и определений, которые повторяют саму леммуA meaning explains the sense in plain learner-friendly language: no word forms, no etymology, no parse errors, no definitions that just echo the lemma
Чанки публикуются для конкретного идентификатора значения, чтобы карточка показывала примеры только для выбранного смыслаChunks are published against a specific meaning ID so the card only surfaces examples for the chosen sense
Пользовательский перевод сразу виден локально. Для общего словаря он проходит проверку и либо сохраняется, либо заменяется корректнымUser translations appear locally right away. For the shared dictionary they go through review and are either kept or replaced with a corrected version
Продуктовые решенияProduct decisions
| РешениеDecision | ЗачемWhy |
|---|---|
| Первая версия только для AndroidAndroid-only MVP | Сократить платформенную сложность и быстрее проверить цикл обучения на одном сценарииCut platform complexity and validate the learning loop faster on a single scenario |
| Медиа-раздел в будущий объём работMedia discovery to future scope | Сначала довести до качества словарь, значения, чанки и очередь обучения; затем возвращаться к текстам и аудиоFirst get the dictionary, meanings, chunks and learning queue to quality, then come back to texts and audio |
| Отобранная колода новых словCurated new-words deck | Дать пользователю стартовую подборку уровня около B2 с переводами, значениями и опубликованными чанкамиGive the user a starter set around B2 with translations, meanings and published chunks |
| AI-пайплайн после базового словаряAI pipeline after the base dictionary | Автоматизация имеет смысл после чистой базы и понятных критериев готовности для значений, переводов и чанковAutomation only makes sense after a clean base and clear readiness criteria for meanings, translations and chunks |
Результат · Гипотеза подтвердиласьOutcome · Hypothesis confirmed
Но кнопки «сделать хорошо» не существует. Чтобы AI-команда не тратила токены впустую, не ходила по кругу и не производила лишнюю работу, особенно важны менеджерские навыки и использование принципов Agile: постановка задач, разделение зон ответственности, контроль контекста, проверка результата и оркестрация всего процессаBut there's no “make it good” button. To stop an AI team from burning tokens, looping or producing useless work, what matters most are management skills and Agile principles: framing tasks, splitting ownership, controlling context, validating outputs and orchestrating the whole process
Atomic English — первая версия только для Android и пример продуктового управления с AI-поддержкойAtomic English — an Android-only MVP and an example of AI-assisted product management
To get access: