- BrainTools - https://www.braintools.ru -
Это финал трилогии про эксперимент, в котором заготовку браузерной игры — тактического симулятора в мультяшном стиле — дальше целиком развивала автономная связка AI-агентов. Задачи формулировали игроки — по большей части люди, которых я не знал до эксперимента. Код писала модель. Ревью делала модель. В прод катил алгоритм. Человек не прочитал ни строчки диффа.
Открытые модели уровня лидеров кодовых бенчмарков уже способны вести автономную разработку. Показано на 228 релизах: шесть моделей, ноль строк, прочитанных человеком.
Но только внутри конвейера. Модель сообщает «готово» и при красных тестах: каждую четвёртую задачу финальная проверка возвращала на доработку. Поэтому результат держат обвязка, которая готовит задачу, и алгоритмическая приёмка, которая не верит на слово.
Узкое место — уже не модель. Это правила, проверки и инструменты вокруг неё, и строить их — работа программиста на ближайшие годы.
Чего конвейер не умеет: решать, что стоит делать. Технический долг, по косвенным признакам, не накопился; продуктовый — накопился.
Это третья и последняя часть. В первой [1] я поставил вопрос — что произойдёт с продуктом и техдолгом, если разработку отдать автономному AI, — и описал, как заявка из Telegram-бота доезжает до публичного билда. Во второй [2] — промежуточные итоги на 178 релизах и пять экспериментов над обвязкой. Читать их не обязательно: всё нужное повторено здесь.
Рамка, чтобы не спорить о разном. Я изучал автономную разработку: заявка приезжает, конвейер довозит её до прода, кода человек не читает. Не работу в паре с моделью, когда инженер режет задачу на шаги, подсказывает и проверяет на ходу. В паре с человеком самые сильные закрытые модели показывают отрыв, и он настоящий. Автономная разработка — другой спорт, и вывод здесь другой.
Порядок такой: счёт одной таблицей, конвейер по шагам, как получены цифры, вердикт по исходному вопросу, три тезиса — про модель, обвязку и приёмку, — каталог поломок, границы применимости и то, во что конвейер вырос.
|
Метрика |
Итог |
|---|---|
|
Релизов в проде |
228 |
|
Заявок за эксперимент |
~265: 228 доехали до прода, 10 отсеяны на входе как инъекции, остальные (около 27) зависли в конвейере |
|
Авторов заявок |
24 |
|
Моделей в эксперименте (все — с открытыми весами) |
6: четыре тяжёлые модели и две облегчённые (flash) |
|
Токенов прошло через OpenRouter |
22,7 млрд, из них 2,8 млрд — открытый эксперимент |
|
Запросов к моделям |
363 тыс. |
|
Строк в кодовой базе |
+128 тыс. / −23 тыс. |
|
Автотестов в проекте |
2 188, из них 299 — приёмные e2e |
|
Путь заявки до прода (без ожидания ответов игрока) |
медиана 33 минуты, среднее 46 |
|
Самая упрямая задача |
13 часов, 7 возвратов на доработку |
Поначалу игроки в основном пытались игру сломать; со временем это наскучило, и в заявках стало больше экзотических фич. Конвейер довозил релизы до последнего дня, хотя и не без потерь: часть заявок в нём зависла. А вот модели внутри него менялись как батарейки.
Схему, на которой держится стабильность, покажу целиком — она короче, чем кажется. Это итоговый вид конвейера; шаги модерации на входе, описанные в первой части [1], остались на своём месте и здесь опущены.
Обращение. Пользователь описывает задачу своими словами.
Вычитка и уточнения. Модель сверяет задачу с тем, что уже есть в коде: ищет двоякие трактовки, противоречия, конфликты с существующим поведением [3] и пробелы — и задаёт вопросы автору заявки. Так до тех пор, пока вопросы не закончатся.
CI до разработки. Сборка и тесты запускаются на нетронутой базе, результат передаётся модели. Она видит, что работало до неё, а конвейер убеждается, что падений нет в принципе.
Спека. По задаче и ответам модель пишет спецификацию разработки: области (что делаем и чего не делаем), критерии приёмки (тесты и нефункциональные требования), бизнес-аналитика, системная аналитика (функциональные требования) и спека самой реализации.
Разработка. По спеке работают отдельные разработчики: один пишет тесты, включая приёмные e2e, другой — реализацию и, где возможно, тесты по ходу. Автор реализации приёмных тестов не видит.
Критическое ревью. Реализация проверяется против спеки, заявленных областей изменений, функциональных и нефункциональных требований. Здесь же проверяется скоуп: правка, вышедшая за заявленные области, не проходит.
Исправления. Замечания возвращаются разработчику — и так, пока ревьюер не перестанет их находить.
Финальный CI. Полный запуск тестов. Есть падения — правка откатывается, и задача возвращается на шаг 4 с разбором ошибок: спека дописывается — иначе реализация разойдётся с задачей и ревьюер её не пропустит. Каждый такой возврат — один круг доработки.
Выкат в прод.
Рис. 1. Девять шагов конвейера: четыре — до первой строки кода, два цикла — до зелёного.
Три вещи, на которые стоит посмотреть.
Четыре шага из девяти проходят до первой строки кода. Большая часть стабильности закладывается там, где модель ещё ничего не написала: в вопросах, в снимке состояния базы и в спеке с явным «чего не делаем».
Шаг 3 закрывает любимую отговорку. «Ошибки были до меня» — фраза, которую агент произносит охотнее всего. Когда состояние базы снято до начала работы, это утверждение перестаёт быть мнением: оно либо подтверждается запуском CI, либо нет.
Оба цикла заканчиваются по проверкам. Ревью крутится, пока ревьюер находит замечания; финальный CI возвращает задачу назад, пока есть падения. Ни один из выходов не открывается словом «готово».
Внутри задачи человек участвует один раз — автор заявки отвечает на уточняющие вопросы на шаге 2. Код не читает никто. Моя роль была уровнем выше: я строил и чинил сам конвейер.
Словарь на остаток статьи. Конвейер — вся схема целиком. Обвязка — всё, что готовит задачу и задаёт правила её выполнения: шаги 1–4 и правила, по которым идёт шаг 5 (раздельные роли, тесты до кода, карта проекта, тех-радар — список правил проекта). Приёмка — шаги 6–8: всё, что проверяет результат. Алгоритмическая она не потому, что в ней нет моделей (ревью делает модель), а потому, что выход из неё открывает не слово «готово», а набор проверок с жёстким правилом. Скоуп — области изменений, заявленные в спеке. Круг доработки — возврат после финального CI. Модель в рамках задачи одна на все шаги, но в разных ролях и отдельных запусках: вычитка, спека, разработка, ревью. Сменное ядро — это она; конвейер задаёт, что и в каком порядке она делает и чему из сказанного ею верить.
Промпты и правила конвейера я в статье не публикую: это отчёт об эксперименте, а не гайд из раздела how-to. Но если вы проводили похожие эксперименты и у вас есть данные — приходите в комментарии, сравним и поделимся опытом [4].
Эксперимент состоял из двух частей, и дальше я ссылаюсь на обе.
Открытый эксперимент. Живой поток, публично: игрок пишет заявку в Telegram-бота, конвейер довозит её до публичного билда. Модели сменяли друг друга: одна задача — одна модель. Замена занимала минуты — у всех шести OpenAI-совместимый API. В нём работали Kimi K2.7 Code, DeepSeek V4 Pro, GLM 5.2, Qwen3-Coder 480B и две лёгкие — DeepSeek V4.1 Flash и GLM 5.3 Flash. Так получились 228 релизов и 2,8 млрд токенов. Длился он около полутора месяцев.
Закрытый эксперимент. После финала проект откатывался на стартовый коммит — ту самую заготовку игры, с которой начался эксперимент, — и каждая из шести моделей в одиночку, уже без публичного билда, заново проходила всю историю — от первого релиза до последнего. Неизменной оставалась только формулировка пользователя: бриф и аналитику конвейер каждый раз готовил заново. Отсюда остальные 19,9 млрд токенов — шесть полных проходов одного и того же сета. Это ещё около полутора месяцев.
Рис. 2. Куда ушли 22,7 млрд токенов: 2,8 млрд — открытый эксперимент, 19,9 млрд — шесть моделей в закрытом. Данные OpenRouter — сервиса, через который шли все запросы к моделям.
Сама разработка в закрытом эксперименте шла так же, как в открытом: те же девять шагов, свои e2e-тесты на каждую задачу, та же приёмка. Отличий два:
|
|
Открытый эксперимент |
Закрытый эксперимент |
|---|---|---|
|
Модель |
сменяются: одна задача — одна модель |
одна модель на всю историю |
|
Ответы на вопросы шага 2 |
автор заявки |
я, по жёсткому правилу: ответ игрока из открытого эксперимента, если вопрос совпал по смыслу; иначе — «реши сам наилучшим образом согласно правилам разработки» |
Дополнительная проверка сопоставимости. Чтобы убедиться, что шесть реализаций похожи на реализацию открытого эксперимента, я взял e2e-тесты из финального состояния открытого эксперимента и один раз запустил их на финальной сборке каждой модели. Тесты были собраны под имена CSS-классов версии из открытого эксперимента, а каждая модель называла классы по-своему, поэтому селекторы под каждую версию я правил руками: три-четыре часа на версию, всего около суток. Логика [5] сценариев не менялась. Все шесть сборок сдали этот экзамен зелёным.
Цифры открытого и закрытого эксперимента сравнимы напрямую. В закрытом задача решалась дольше: медиана — 48 минут против 33, среднее — 68 против 46; это числа по всем шести моделям вместе. И одна оговорка: в закрытый эксперимент пошли только релизы, которые в открытом доехали до прода; зависшие заявки в сет не входили — о них ниже, в каталоге.
Ответ на вопрос из заголовка первой части. Технически с продуктом не случилось ничего плохого: игра tacticops.gitlab.io [6] жива, играется и стабильна, 228 релизов на месте и работают. Конфликты между релизами случались, но их откатывала автоматика — это пятый класс каталога ниже. С техдолгом получилось то, чего я от себя не ожидал: он не накопился. В первой части я ставил на обратное — что долг вырастет раньше, чем ждёшь. За эксперимент в кодовую базу добавилось 128 тысяч строк, и она не разъехалась; 23 тысячи удалённых строк — обычная уборка по пути, а не «генеральная» после двухсот с лишним релизов.
Держат четыре механики. Проверка скоупа на ревью не пускает незаказанные правки в прод — база не обрастает случайностями. Ревью отдельной ролью ловит изменения, которые задевают соседей. 2 188 тестов не дают старому коду ломаться молча. И четвёртая — рефакторинг: не «когда-нибудь потом», а обычная заявка в общем потоке, поэтому разгребать базу после не пришлось.
Скорость ответа не даёт. Накопленный долг обычно виден по тому, что правки занимают всё дольше. У меня медиана пути до прода выросла с примерно 20 минут во второй части до 33 в финале, вырос и расход токенов на релиз; среднее осталось 46. Но одновременно потяжелели сами задачи: во второй половине игроки просили рефакторинг, присылали на разбор большие пакеты ассетов, требовали перерисовок. Разделить эти две причины по моим данным нельзя, поэтому скорость я доказательством не считаю — ни в одну сторону.
Косвенный признак — воспроизводимость. Шесть моделей независимо прошли всю историю со стартового коммита, и все шесть версий игры сдали один и тот же экзамен — e2e-тесты из финала открытого эксперимента. Это проверка не базы открытого эксперимента, а процесса: если бы поток задач под этим конвейером молча копил долг, хоть одна из шести сборок должна была споткнуться на длинной дистанции. Не споткнулась ни одна.
Но продуктовый долг накопился — с лихвой. Кроме явных инъекций, заявки не отсеивались: конвейер брался за любую — и в игре выросли функции от рулетки до режима Tower Defense. Приёмка честно проверяла каждую, но ни одна проверка не спрашивала, зачем это игре. Экзаменатор для кода в конвейере есть; экзаменатора для продукта я так и не построил.
Почему это сработало — три тезиса ниже.
Каждую неделю-другую выходит очередная открытая модель весом в сотни миллиардов параметров, и лента новостей рапортует: прорыв, обошла лидеров, новый рекорд. Если убрать имена, каждый такой релиз — последние двести метров марафона: сорок два километра лидеры шли в ногу, а заголовок — только про финиш, где один оказался на шаг впереди. Прорыв! Целый шаг за два часа бега.
Рис. 3. Одни и те же условные числа на двух осях: слева — как в релизном анонсе, справа — от нуля. Подставьте свой любимый бенчмарк — картина не изменится.
Над бегунами я не издеваюсь: для конкретной лаборатории эти двести метров — возможно, годы работы. Но в масштабе индустрии лидеры давно учатся друг у друга, вплоть до взаимных обвинений в обучении [7] на чужих ответах (раз [8], два [9], три [10]). Это уже не дуэль, а эстафета.
Изнутри конвейера гонка выглядит так: все шесть моделей довезли весь сет из 228 релизов. Различались они временем решения и ценой токена. Ни одна модель не выглядела событием.
Сравнительную таблицу по моделям я здесь не печатаю — сознательно. Вопрос этой статьи — что держит результат, а не кто из шести быстрее; рейтинг увёл бы разговор в спор о моделях. Выбор конкретной модели — тема отдельного текста, там таблица и появится. Одно наблюдение всё же назову: быстрее всех в моём конвейере справлялась не тяжёлая модель, а самая лёгкая из шестёрки — DeepSeek V4.1 Flash.
Внешние данные говорят о том же. На публичных кодовых бенчмарках открытые модели верхнего эшелона идут вплотную друг к другу — в пределах нескольких процентных пунктов. А авторы SWE-agent [11] ещё в 2024-м показали, что одна и та же модель решает в разы больше задач с продуманным интерфейсом для агента, чем через «голый» API: на полном SWE-bench их интерфейс поднял результат с единиц процентов до 12,47%.
Есть и встречный факт: mini-SWE-agent [12] с обвязкой в сотню строк на свежих моделях берёт больше 70% на SWE-bench Verified. Его часто читают как «значит, решает модель». На отдельной задаче бенчмарка — да. Но у бенчмарка экзаменатор встроен: тесты уже написаны, и «готово» проверяется автоматически. В живом потоке экзаменатора никто не выдал — его приходится строить самому, и об этом третий тезис.
Сложите всё вместе — модели идут ноздря в ноздрю, а результат определяет то, что вокруг них, — и гонка перестаёт читаться как спортивное соревнование. Модель — это фреза. Важен станок, в который она вставлена, и приёмка, которая решает, что годная деталь, а что — брак.
Практический вывод для тех, кто выбирает модель под автономную разработку: выбор между лидерами — это вопрос цены, лицензии и того, где стоит железо. Не интеллекта [13]: по нему они уже почти неразличимы.
Если модель — расходник, то что держит качество? Результат делится пополам: около половины — обвязка вокруг модели, вторая половина — алгоритмическая приёмка её результата. «Пополам» — моя оценка по ощущениям, не замер; граница между половинами при этом простая: обвязка — всё, что готовит задачу к коду, приёмка — всё, что проверяет результат. В девяти шагах конвейера (рис. 1) обвязка — это шаги 1–4 и правила, по которым идёт шаг 5; приёмка — шаги 6–8. На рис. 4 — та же схема, разложенная на две половины.
Рис. 4. Где на самом деле делается задача: обвязка и алгоритмическая приёмка — примерно по половине результата, модель — сменное ядро.
Обвязку я наращивал с первых недель, а во второй части [2] проверил пятью экспериментами, что в конвейере несущее. Коротко — результаты оттуда:
Роли. Аналитик и разработчик в одной сессии — проходит одна задача из пяти. Раздельные роли — пять из пяти.
Архитектурный документ. Без него одна задача на новый режим игры притащила 25 лишних зависимостей и почти шесть тысяч ненужных строк.
Тех-радар — живой список правил проекта. Без него одна и та же задача каждый раз решалась новым способом: «лучших практик из коробки» у модели нет.
Ревью отдельным контуром — это уже приёмка, но проверялось там же. Без него объём кода на релиз вырос почти вдвое.
Карта проекта. Без неё все проверенные модели клали файлы «поближе», а не «куда правильно».
Выборка маленькая, это не бенчмарк — но направление везде одно.
Кроме этого, в обвязку входят спека с явными областями изменений, граница доверия к вводу — сырой текст заявки никогда не попадает в промпт напрямую — и тесты, заложенные до кода.
Именно приёмка не давала конвейеру превратиться в автосвалку.
Модель, оставшись наедине с задачей длиннее пары минут, уверенно говорит: «Я закончила». Иногда она действительно закончила. Иногда — сломала соседнюю фичу и закончила. Иногда — не сделала ничего, но заявление сделала. По голосу эти три случая неотличимы, поэтому различать должен не собеседник, а алгоритм.
Открытые модели без конвейера я не запускал — контрольной группы в эксперименте нет. Одно исключение сделал для закрытой модели, у которой есть собственная среда для агента: Claude Opus 5 в Claude Code, автономно, через claude -p, без моего конвейера.
Он сообщил «готово» уже на первой задаче — и сломал при этом старые тесты. Объяснение было классическим: «ошибки были до меня».
После этого я адаптировал конвейер под Opus и провёл через него весь сет — вне основного счёта. Дальше обычное: круги приёмки до зелёного, как у всех.
Отсюда же ответ на вечное «а у меня Claude сам всё пишет, и всё работает». Это одно из двух: либо обвязка у вас уже есть — собранная своими руками и потому незаметная, — либо вы ещё не нашли то, что модель сломала. С Opus такую поломку особенно легко не заметить: он запускает тесты выборочно — сам решает, какие относятся к его правке. «Его» тесты зелёные, а остальная часть набора не запускалась вовсе.
Занудно и по кругу:
Сборку и тесты гоняет CI — без доверия на слово.
Приёмные e2e-тесты закладываются до кода: критерии — в спеке на шаге 4, сами тесты пишет отдельный разработчик на шаге 5. Они лежат отдельным контуром, вне основной репы, и автор реализации их не видит — доступ закрыт хуками на чтение: нельзя ни подсмотреть, ни подогнать код под экзаменатора. Правило — хотя бы один e2e на задачу: на 228 релизов их набралось 299, покрытие кода тестами — 75–85%.
Ревью проводит отдельная роль, не автор правки, — но её «одобряю» на слово тоже не считается: находки ревью идут в общий список красных проверок.
Заявленный скоуп не пропускает лишнего: модель принесла «заодно и соседний рефакторинг» — откат целиком.
Не зелёное — авто-откат и новый круг.
Задача считается сделанной не когда модель сказала «готово», а когда билд, тесты, скоуп и ревью зелёные.
Рис. 5. Приёмка не верит на слово: «я закончила» — не критерий готовности; критерий — зелёный билд, тесты, скоуп и ревью.
Такой цикл «дорабатывай, пока проверки не зазеленеют» давно имеет имя в сообществе. Дж. Хантли назвал приём «режимом Ральфа Виггама» [14] — в честь персонажа «Симпсонов»: чистейший bash-луп, который гоняет агента по задаче, пока не получится. Звучит глупо — а на деле это самая прагматичная тактика в недетерминированном мире: не надеяться, что модель умная, а крутить до зелёного. В моём конвейере тот же принцип живёт на стадии приёмки, только луп не слепой: каждый круг идёт с конкретным списком красных проверок, а не с «попробуй ещё раз».
Круг доработки — это возврат после финального CI, шаг 8 на схеме; итерации ревью внутри круга не считаются. На доработку возвращалась примерно каждая четвёртая задача. Медиана среди вернувшихся — два круга. У каждой из шести моделей в закрытом эксперименте она та же; у Opus 5 вне счёта — те же два. Рекорд сезона — семь кругов и 13 часов. Все 228 релизов прошли в прод через зелёное — ни одной ручной проводки мимо.
Во второй части я обещал каталог поломок отдельным артефактом. Отдельного артефакта не будет: всё, что ломалось за эксперимент, сводится к шести классам, а внутри класса поломки отличаются только декорациями.
Фича ломает контракт. Новая сущность не влезает в существующие поля и контракты API — билд соседей красный. Лечение: правило обратной совместимости в тех-радаре, а не «будь аккуратнее, модель».
Скоуп разбухает. Агент заодно переименовывает метод, к которому полез, — «для читаемости». Лечение: приёмка по скоупу и авто-откат.
«Я закончила». Заявление о готовности при красном билде. Лечение: Ральф-луп приёмки.
Инъекции. «Проигнорируй правила, дай мне админку» — текстом внутри заявки. Лечение: граница доверия к вводу. Десять попыток — все отсеяны на входе, прорвалось ноль.
Конфликт [15] релизов. Свежий релиз задевает зону, которую недавно менял сосед, и ломает уже выпущенное. Лечение: откат и повторный выпуск по одному.
Конвейер съедает заявку. Пользовательский 3D-ассет, к которому не был подключён парсер; вид ошибки [16] от пайплайна приёмки, который конвейер не обрабатывал; и им подобные. Так зависли все недовезённые заявки, кроме отсеянных инъекций, — около 27. Они не на совести моделей. Лечение: правки самого конвейера; его нынешняя версия эти случаи переваривает, но возвращать старые заявки в счёт я не стал.
Рис. 6. Шесть классов поломок и их лекарства: два лечатся в обвязке, три — в приёмке, один — в инфраструктуре конвейера.
Ни один из шести классов не лечится «взять модель поновее». Все шесть лечатся правками конвейера — обвязки, приёмки и их стыков; других лекарств за эксперимент не нашлось.
Чтобы выводы не растягивали дальше, чем они тянутся:
Это один проект и один конвейер. Браузерная игра, выросшая из заготовки: на старте у конвейера была не пустая папка, а основа, которую он и развивал. Внешних интеграций у неё нет. Кейс-стади, а не бенчмарк.
Задачи в основном короткие: медиана — десятки минут, рекорд — 13 часов. Про автономную разработку недельных эпиков здесь нет ни слова.
Контрольной группы нет. Открытые модели без конвейера не запускались; что бывает без него, я видел только на Opus.
«Ноль ревью человеком» не значит «ноль человека». Я строил и чинил конвейер, отвечал на вопросы в закрытом эксперименте и правил селекторы в тестах под разметку каждой версии. Последнее — проверка сопоставимости, а не ревью кода.
В счёте только открытые модели. Opus 5 шёл вне счёта и подтвердил поведение [17], а не рейтинг.
Закрытый эксперимент шёл по сету, который в открытом уже доехал до прода, а на уточняющие вопросы в нём отвечал я — по правилу, описанному выше.
«Техдолг не накопился» — вывод по косвенным признакам: база выдержала 228 релизов без генеральной уборки, и шесть моделей в закрытом эксперименте независимо прошли ту же историю. Скорость ответа не дала. Прямой аудит кода человеком противоречил бы условиям эксперимента.
«50 на 50» — оценка, а не измерение.
Конвейер из этой статьи — самописный. По ходу эксперимента я дорабатывал его не только под игру: стало ясно, что та же схема — обвязка плюс приёмка — годится любой команде, у которой критерий «готово» можно записать в проверки. Шестой класс каталога — прямой тому пример: каждая зависшая заявка превратилась в правку.
В итоге конвейер перестал быть экспериментальной установкой и стал Buff Community Edition [18] — бесплатной self-hosted платформой, которую можно поставить у себя и подключить к ней любую модель с OpenAI-совместимым API. Оговорюсь сразу: это продукт нашей команды, исходники сервиса закрыты, а по умолчанию формулировку задачи и итоговый merge request в нём утверждает человек.
В эксперименте этих двух шагов не было — это было условием опыта. И результат оправдывает это условие ровно наполовину: код обошёлся без человека, а вопрос «зачем это продукту» — нет.
Эксперимент закончен: заявки больше не принимаются, игра tacticops.gitlab.io [6] живёт, доска gitlab.com/tacticops/public [19] и чат @ai_native_pipeline_chat [20] остаются открытыми — истории релизов и поломок там сохранились.
Повторить такой эксперимент можно на любом конвейере. Рецепт от инструмента не зависит:
Возьмите поток задач из реальной жизни, а не демо-сценарий.
Запишите критерий «готово» в проверки до того, как модель напишет первую строку.
Не верьте модели на слово: приёмку никто не настроит за вас.
Во второй части была метафора: «когда у бухгалтера появился Excel, профессия не исчезла — она поднялась на уровень выше». С тех пор мысль не изменилась, а уточнилась. Excel не работает без двух вещей: грамотных формул и привычки перепроверять результат. Без второго он просто очень быстро считает неправильное. Автономная разработка без алгоритмической приёмки делает то же самое — только с деплоем в прод.
Проведёте свой — расскажите, где сломалось. Готов поспорить: первая поломка будет из каталога выше.
Все шесть моделей отработали один и тот же сет задач. Под них конвейер не подстраивался ни разу — подстраивать пришлось только под Opus. Просто роли оказались важнее актёров.
Автор: insane-jo
Источник [21]
Сайт-источник BrainTools: https://www.braintools.ru
Путь до страницы источника: https://www.braintools.ru/article/38766
URLs in this post:
[1] первой: https://habr.com/ru/articles/1047796/
[2] второй: https://habr.com/ru/articles/1053486/
[3] поведением: http://www.braintools.ru/article/9372
[4] опытом: http://www.braintools.ru/article/6952
[5] Логика: http://www.braintools.ru/article/7640
[6] tacticops.gitlab.io: https://tacticops.gitlab.io
[7] обучении: http://www.braintools.ru/article/5125
[8] раз: https://www.nbcnews.com/tech/tech-news/openai-says-deepseek-may-inapproriately-used-data-rcna189872
[9] два: https://www.nytimes.com/2026/02/23/technology/anthropic-chinese-startups-distillation.html
[10] три: https://www.theverge.com/2023/3/29/23662621/google-bard-chatgpt-sharegpt-training-denies
[11] SWE-agent: https://arxiv.org/abs/2405.15793
[12] mini-SWE-agent: https://mini-swe-agent.com/latest/
[13] интеллекта: http://www.braintools.ru/article/7605
[14] Дж. Хантли назвал приём «режимом Ральфа Виггама»: https://ghuntley.com/ralph/
[15] Конфликт: http://www.braintools.ru/article/7708
[16] ошибки: http://www.braintools.ru/article/4192
[17] поведение: http://www.braintools.ru/article/5593
[18] Buff Community Edition: https://github.com/buffsystems/buff-community
[19] gitlab.com/tacticops/public: https://gitlab.com/tacticops/public
[20] @ai_native_pipeline_chat: https://t.me/ai_native_pipeline_chat
[21] Источник: https://habr.com/ru/articles/1109238/?utm_source=habrahabr&utm_medium=rss&utm_campaign=1109238
Нажмите здесь для печати.