Реализовал своего кодирующего агента по мотивам статьи.

Агент ≠ LLM Агент = цикл { LLM + промпт + инструменты }

Модель решает, какой инструмент вызвать и с какими аргументами. Минимальный набор инструментов для кодирующего агента: - read_file - list_files - edit_file - text_search - опционально bash (но осторожно).

Пока не задумывался о реализации, казалось, что агенты — это специально обученные модели. Думал, будет сложно обучить модель. Как выяснилось, создание агента это совсем не про обучение.

Даже локальная модель на CPU может выполнять простые задачи написания кода и рефакторинга. Чем умнее модель — тем точнее. Простая будет чаще просить подтверждений, и придется потратить время на борьбу с галлюцинациями при отладке промпта, но тоже работает.

Для агента важно найти баланс между качеством модели и строгостью правил в промпте.

Главный инсайт из статьи ghuntley.com/agent: это знание помогает перейти от потребителя AI‑технологий к создателю полезных агентов. Потому что инструментарий можно расширять под любые задачи.

Теперь понятно, как устроены Cursor, Claude Code и т.п.

👉 Мой код: github.com/nikitasardov/cli-coding-agent 🔗 Вдохновляющая статья: ghuntley.com/agent

А вы пробовали собрать своего AI-агента? С какими подводными камнями столкнулись?

#aiagents #llm #программирование #petproject