Эффективность ИИ-агентов в реальных задачах (ч. 1) 🌍

Весь 2025 год активно использую ИИ в разных задачах.

Основной вывод: ключевой фактор эффективной работы ИИ-агентов — это оптимальный набор концептов реального мира 🎯

Итак, разработка.

На днях запустил расчёт отпускных на сайте Gross Offer. Сами отпускные определены в законе России — механика и логика очень чётко описаны.

Но с ТЗ вида «сделай калькулятор отпускных по ТК РФ в стиле главной моего сайта» будет полная лажа, хотя кнопочки будут работать 😅

Почему? — LLM излишне упрощают и срезают углы. Например, в работе над Gross Offer я 5 раз ловил агента на том, что он хардкодил число рабочих дней в месяце = 21.

Что хорошо работает:

1. 🎯 Задача через чёткое видение итогового результата для пользователя 2. ⚡ Короткие итерации изменений — не больше 1 дня от старта до релиза 3. ✅ Сначала тесты, потом код — самопроверка для агента после написания кода 4. 📝 Документация в коде 5. 📚 База знаний по проекту как фундамент для контекста 6. 👥 Парная разработка с агентом — часть кода за разработчиком

НО: 🚨 Отходим от этих 6 пунктов → модель быстрее теряет контекст → растёт число галлюцинаций → качество кода уходит на дно.

Топовая Claude Sonnet 4.5 держится на пару порядков дольше других, но и она сдаёт постепенно. Слитые $80 за день без результата не дадут соврать 💸

Постепенно я пришёл к этим 6 принципам. С ними я получаю за базовую подписку в $20/мес. в Cursor результат уровня Claude Code за $100/мес. А ещё без лимитов.

Теперь к концептам реального мира! 🧩

Эти 6 принципов на деле — не что иное, как кошерный продуктовый подход, помноженный на забытый всеми Extreme Programming (XP).

Тот самый Agile, каким он должен быть 🥹

И те самые практики, что делают все команды в группе Elite перформанса в DORA и других исследованиях 🎸

Забавно, что моё итого: ИИ позволяет значительно ускорить создание продукта, но для этого нужно поднять уровень зрелости команд. Без этого потонем в отладке и низком качестве 🌊

@tsvetkovdaily