Разработка с помощью ИИ агентов развивается лавинообразно Если еще год назад публиковали исследования о том, что люди с прямыми руками пишут ими измеримо быстрее и качественнее, чем делегируют работу ИИ, то сейчас все больше компетентных практикующих разработчиков вполне убедительно и колоритно рассказывают как они приручают клод. И уже как будто общественное восприятие сдвигается в сторону того, что быть вайбкодером - это, конечно, зашквар, но разработчик, который понимает что он хочет сделать - уже может, а скорее и должен - отдать агентам функцию, собственно, кодинга, сосредоточившись на управлении генератора в сторону решения, собственно, задачи. Я на прошлой неделе очередной раз решил попробовать, насколько это работает для меня - и пришел к выводу, что даже после минимального погружения в лучшие практики - уже да. В качестве сетапа у меня клод с подпиской на GLM. Выбор GLM обусловлен тем, что это наиболее близкая к фронтирным моделям, которой не требуется доказывать что ты не верблюд подключаешься из самой подсанкционной в мире страны. К тому же создатели реально обеспечили легкость миграции с антропика - готовый совместимый эндпойнт и утилита настройки, кодинг планы с фиксированной стоимостью за месяц/квартал и MCP серверами для веб поиска и фетчинга. Из альтернатив, наверно, можно было смотреть MinMax и Qwen. Ощущение похоже на выбор между Haval и Geely - для повыебываться демонстрации статуса не годится ни один, а для такси - наверно, любой. Ну а клод - очевидный флагман, которого хочется попробовать. В целом, ощущения - очень освежающие. В качестве подопытной репы взял свой пет проект с библиотечкой классического ML на rust Там пока из моделей только линейная регрессия, но на перспективу заложен ряд архитектурных задумок - zero cost абстракции для тренинга и инференса моделей, возможность смены вычислительного бэкенда, типобезопасный порядок состояний. Собственно, попросил клод включиться в этот проект - сначала с небольших задач(добей покрытие тестами до порога, напиши пример, отрефактори код), постепенно перешел к фичам - аналоги sklearn model selection и feature transforms, WGPU backend, onnx export. Для более объемных фичей очень полезна интеграция с openspec - форсирует агента придерживаться заданного курса намного настойчивее, чем встроенный клодовский планировщик. В целом, вывод однозначный - агент может такое реализовывать. Не без недостатков- забывает следовать процессам, пытаясь закоммитить сразу в main например. Сам себе сокращает скоуп. Придумывает гнилые отмазки почему скорость или точность итоговой модели в примерах не соответствует ожиданиям. Но если как следует обложить его CI гейтами, в том числе на test coverage и linter, заложить в API максимальную степень компайл-тайм проверок и вовремя давать человеческий фидбэк - в конце концов генерирует работающий, покрытый тестами и документированный код в количествах, которые вручную никогда не сделает ни один инженер. #разработка #AI #намвсемхана