Год разработки с ИИ-агентами: главные выводы Кирилла Мокевнина
Кирилл Мокевнин — сооснователь Хекслета, автор курса «ИИ для разработчиков». В выпуске подкаста «Организованное программирование» он рассказал, что понял за год активной разработки с ИИ-агентами: про хайп и тревожность, про то, почему одного чата уже мало, про причину и следствие в коде, про типы, модель данных и правила для агентов. Ниже — тезисы по материалам выступления и ссылка на полное видео.
Видео: полный выпуск
Смотреть на YouTube — «Что я понял после года разработки с помощью ИИ агентов / Кирилл Мокевнин»
О спикере
Кирилл Мокевнин — сооснователь онлайн-школы программирования Хекслет, в индустрии с 2007 года (от разработчика до CTO/VP Engineering). Автор курса «ИИ для разработчиков»: AI-агенты, интеграция с Git, AI-ориентированный workflow и практика на реальных задачах.
Тезисы из выступления
Хайп и тревожность: не всех обгонят
ИИ — это хайп в смысле «все говорят, все внедряют», но не в смысле «технология не работает». Эффект от любой прорывной технологии со временем нормализуется: когда-то прорывом были и персональные компьютеры, и Excel. Переживать, что кто-то быстрее разобрался в агентах и вы отстали, не стоит. Имеет смысл на определённом уровне внедрить агентскую разработку в работу, но гнаться за каждым новым инструментом и моделью не обязательно — многие на острие экспериментируют ради процесса (как с кастомизацией Linux или Vim), а не ради измеримого буста в продуктивности.
Уже нужны агенты, не только чат
Если человек пользуется только чатом, это уже вызывает вопросы. На текущем уровне стоит пользоваться агентами: они умеют работать с файлами, терминалом, контекстом проекта. Именно поэтому делается курс «ИИ для разработчиков» — чтобы системно перейти от «поговорил с чатом» к полноценному AI-workflow.
Унификация: ядро агентов выкристаллизовалось
За короткий срок произошла сильная унификация: агенты в массе сходны по ядру, дальше идут различия в интеграциях и частных кейсах. Фундаментально поменять то, как мы взаимодействуем с ИИ, вряд ли получится — скорее будут наращиваться интеграции, эффективнее расходоваться токены, улучшаться работа с контекстом и памятью.
Терминал и ИИ
Бум терминальных агентов удобен тем, кто и так работал в терминале: редактор — один из элементов окружения, логи и запуски — отдельные окна. Тем, кто привык всё делать внутри одного редактора, с агентами в терминале может быть теснее; либо приходится выходить в полноценный терминал, либо полагаться на встроенные в редактор интеграции.
Знания и образование: «проклятие знания»
Есть когнитивное искажение — проклятие знания: если что-то знаешь, «развидеть» это нельзя. Поэтому те, кто говорит «мне алгоритмы не пригодились», часто не осознают, насколько это знание повлияло на мышление. Что реально нужно программисту в эпоху ИИ, станет ясно со временем, когда вырастет поколение, постоянно использующее эти инструменты. Системы образования адаптивные: часть знаний останется, часть трансформируется. Фундаментально то, как человек мыслит и принимает решения, не меняется ни при каких технологиях.
ИИ сама по себе человека не делает сильнее
Если задаётся неправильный вопрос — ответ будет неправильный. Чтобы получать от ИИ адекватный результат, в голове должна быть картинка конечного результата: сначала на уровне смысла и решения задачи для пользователя, потом на уровне системы (как она должна измениться), и только потом на уровне кода. Без этого ИИ часто уводит в сторону: придумываются несуществующие ограничения, полчаса уходит на обсуждение не той задачи. Сильный специалист с ИИ сильно усиливается; тому, кто сам по себе не может решать проблемы и постоянно идёт за подсказкой, ИИ не поможет — за рамками стандартных задач будет «довольно печально».
Деградация: не выключаться из процесса
Пример: в консоли написано «у вас не запущен Docker». Кандидат копирует это в чат, получает ответ «у вас не запущен Docker» и начинает искать, как его запустить, через костыльные способы. Если себя не останавливать и не включаться, помимо неэффективного использования ИИ происходит общее угасание когнитивных способностей. Их нужно тренировать: заставлять себя думать и разбираться, а не только спрашивать у модели.
ИИ решает следствие, а не причину
ИИ пытается решить проблему любым доступным способом: чаще всего подстраивает следствие (каст там, костыль тут), а не устраняет причину. Костыль за костылём — и проект быстро превращается в неподдерживаемый. На критических проектах так работать нельзя. В инструкциях для агента (например, в AGENTS.md) полезно явно писать: «Решай причину вместо следствия» — и перепроверять предложенные фиксы.
Сначала типы и модель данных, потом код
Пока нет продуманных типов — не приступать к реализации фичи: агент иначе нагенерирует свои типы, живущие отдельной жизнью, и решение уедет не туда. То же с моделью данных: сущности, связи, таблицы — ядро, от которого зависит весь код. Сначала описать модель и типы, потом уже давать агенту задачу на код. Это не изменилось с приходом ИИ — просто стало ещё актуальнее, потому что модель постоянно совершает ошибки, если конвенции нигде не зафиксированы.
Правила и AGENTS.md: минимально и только фундаментальное
Писать в правила и AGENTS.md стоит минимально и только то, что фундаментально и почти не меняется (например, структура папок, соглашения). Слишком много правил ведёт к противоречиям и устареванию — агент начинает ошибаться из-за конфликтующих или устаревших инструкций. Добавлять правило имеет смысл только при системной, повторяющейся ошибке. У Кирилла в AGENTS.md порядка 100 строк: в основном команды запуска/сборки, описание папок и фундаментальные подходы; внизу по мере надобности накапливаются правила работы. Часть вынесена в отдельные skills (например, работа с локалями).
Соглашения и единообразие
Единообразное решение лучше локальных оптимизаций. Если в одном месте «для эффективности» сделано иначе (например, булево поле вместо enum с двумя состояниями), человек и особенно ИИ с трудом выводят логику из кода. Чем ближе к стандартам экосистемы (структура папок, именование) — тем лучше для агентов: они во многом работают «греппами» по файлам, и предсказуемая структура им помогает. Раньше смеялись над «архитектура = структура папок», но для агентов именование и расположение файлов действительно важны.
Типизация помогает ИИ
Без типов и соглашений ИИ путается, ей нужен больший контекст. В проектах на динамических языках имеет смысл вводить типизацию (Sorbet для Ruby, типы в Python, TypeScript вместо «голого» JavaScript) — это заметно влияет на качество ответов агентов. Для углубления в типизацию пригодятся курс TypeScript и темы по типам в курсах по языкам.
ИИ не умеет обобщать, зато хорошо копирует по эталону
ИИ почти не предлагает сама «выделить подсистему» или «реализовать общую концепцию» — она решает задачу в моменте. Идеальный кейс — «смотри эталон, сделай по аналогии»: рефакторинг по образу и подобию, массовые однотипные правки. Обобщение и абстракция остаются на человеке; ИИ помогает, если задать правильный вопрос и обсудить. Поиск хороших решений и проектирование стали проще: можно отдельно (например, в поездке) обсуждать с ИИ идеальное устройство подсистемы в отрыве от текущего кода, а потом в агента с контекстом проекта смотреть, как к этому прийти.
Тесты: ИИ лезет в кишки, нужен эталон
ИИ охотно пишет тесты, но часто лезет туда, куда по вашим правилам не надо (например, в интеграционных бэкенд-тестах проверяет вёрстку сгенерированного HTML). Если за этим не следить, тесты превращаются в неподдерживаемый набор. Паттерн: не расписывать длинно, как надо писать, а показывать — «смотри сюда» (конкретный файл или пример). Культура тестирования и единообразие в проекте важнее локальных оптимизаций; этому учат курсы Jest, Pytest и автотесты фронтенда.
ИИ как чит-код: откатиться сложно
ИИ настолько упрощает процесс, что вернуться к работе без неё психологически тяжело — «как чит-код в игре». При этом большой объём сгенерированного кода требует времени на вникание и проверку, и это нивелирует часть выигрыша в скорости. В одних типах задач ИИ ускоряет очень сильно (дебаг, повторяющийся рефакторинг); в задачах со сложной логикой и разными состояниями без полного прохождения и контроля в каждом элементе будут проблемы. Включаться и проверять по-прежнему необходимо.
Окно возможностей для своих проектов
Крупные компании с трудом меняют процессы под ИИ; у них legacy, клиенты, обязательства. Пока всё формируется, есть окно для своих проектов и стартапов — время снова сравнивают с эпохой соло-предпринимателей и быстрого старта проектов. Думать в позитивном ключе и пробовать свои продукты имеет смысл.
Куда двигаться дальше
Чтобы системно перейти от чата к агентам и встроить ИИ в ежедневную разработку, подойдёт курс «ИИ для разработчиков»: архитектура агентов, выбор модели, контекст и память, навыки и инструменты, практика на реальных задачах и итоговый проект. Для базы, которая не заменяется ИИ (мышление, типы, модель данных, тесты), полезны курсы по ООП, алгоритмам, TypeScript, тестированию и архитектуре фронтенда.
Полное выступление — в видео выше: Что я понял после года разработки с помощью ИИ агентов.
Об авторе
Кирилл Мокевнин — сооснователь Хекслета, CPO (Chief Product Officer). В индустрии с 2007 года: работал разработчиком в московских компаниях (в том числе в Skype), руководил филиалом и строительством школы обучения. С 2013 года — в Хекслете; под его руководством компания выросла до почти 100 сотрудников.
Лауреат премии HighLoad++ 2019 за вклад в развитие экосистемы интернет-разработки в России. Автор курса «ИИ для разработчиков», ведущий подкаста «Организованное программирование». Пишет и выступает про разработку, образование и применение ИИ в работе программиста.
Категории