Нужна ли умная модель для рутины? Дал четырём моделям пять одинаковых задач и сравнил
На этой неделе на Хабре спорили, нужны ли программисту самые умные модели: «Я перестал пользоваться самыми умными ИИ‑моделями». Автор считает, что для рутины хватает дешёвых, а упирается всё теперь в скорость. Под статьёй почти триста комментариев. Я прочитал, наверное, половину: мнений много, замеров на одинаковых задачах не нашёл ни одного. Стало интересно, сел и проверил на своих.Что мерилВзял пять задач из тех, что обычно скидываю агенту и иду за кофе. Всё на Python, от одного до пяти файлов:Off-by-one в пагинации, тест падает, надо починить.
Куда уходят токены у кодинг-агента: разбираем счёт по полям usage
В прошлый раз я разбирал, куда именно ходит Claude Code и какие бывают ключи. Логичное продолжение — куда уходят деньги. Потому что первый вопрос, который возникает после недели работы с агентом: почему счёт растёт быстрее, чем кажется по объёму кода.Ниже — разбор по полям usage, механика кэша и правила, которые у меня реально срезали расход. Без магии, всё проверяется в ответе API.Из чего состоит счётТокены, за которые вы платите, делятся не на два типа, а минимум на пять:ТипЧто этоПорядок ценыInput (miss)
Loop Engineering: почему цикл легко собрать и трудно остановить
Попробуйте такой бытовой фокус: вместо того чтобы скинуть кодинг-агенту задачу напрямую, попросите его сначала написать промпт под эту задачу, а потом скормите этот промпт ему же. Часто результат выходит лучше исходной формулировки.
Что такое Harness и с какими моделями его едят?
Как выглядит среднестатистический владелец китайской лабы сейчасСегодня, 13 августа DeepSeek выложил DeepSeek Harness v0.1 в Developer Preview. Открытый код, MIT, пакет @deepseek-ai/dsh в npm, запуск в одну строку:npx @deepseek-ai/dsh web
Устав и летопись кодинг-агентов
При ИИ-ассистированной разработке (или, если угодно, вайб-кодинге) довольно быстро проявляются одни и те же проблемы:деградация контекста (модель “забывает” детали);саботаж команд или неаккуратное следование;трудности переноса контекста (в новую сессию или агента);ограничение контекстного окна и суммаризации (контекст ограничен возможностями модели, а контроль за суммаризацией, как один из способов решения проблемы, затруднителен);малая наглядность и проверяемость процесса разработки.
Harness кодинг‑агента: разобрал исходники Codex, OpenCode, Pi и свою собственную
В прошлой статье про промпт-кэш я сформулировал вещь, которая на самом деле важнее самого кэша: модель ничего не помнит, она stateless
Как мы внедряли ИИ на 500 инженеров, а скорость не росла. Часть 2. Почему AI-first команды не делают нас быстрее
В первой части статьи мы пришли к выводу, что само использование ИИ не ускоряет инженерную систему. Можно вырастить использование LLM-инструментов в принципе (MAU LLM), потом использование кодинг-агентов (MAU API) и всё равно не увидеть изменений в Lead Time, Throughput и Defect Rate.Проблема в том, что локальное ускорение быстро упирается в остальной процесс. Один человек или одна роль могут начать делать свою часть быстрее, но задача всё равно ждёт требований, проверки, тестирования, согласований, соседних команд или бизнес-эксперта. Поэтому дальше мы пошли в Agentic Engineering.
Как мы внедряли ИИ на 500 инженеров, а скорость не росла. Часть 1. Рост использования не равен ускорению разработки
ИИ в разработке сейчас внедряют почти все. Кто-то подключает чат, кто-то раздаёт доступ к кодинг-агентам, а кто-то обучает свои модели. На графиках пользователи и активность растут, инженеры пробуют инструменты и привыкают к новой реальности, но при проверке метрик очень часто выясняется, что работать ничего быстрее не стало.
AI предлагает, мержу я: почему я не даю агенту последний ход
Есть неприятная иллюзия: если модель стала сильнее, ей можно дать больше свободы. В кодинге это быстро выходит боком. Агент пишет много, уверенно, иногда даже красиво. Потом ты открываешь diff и понимаешь, что вместе с полезным кодом туда попало… ну, назовём это решениями, которые ты сам никогда бы не принял.У меня после нескольких таких заходов появилась простая граница.AI может предлагать. Мержу я.
Пишем кодинг‑агента на Swift с нуля: неочевидные сложности очевидной идеи
Я долго пользовался разными кодинг‑агентами, и на их фоне Claude Code для меня заметно выделялся: качеством решений, удобством работы и вниманием к деталям. В какой‑то момент мне захотелось не просто пользоваться таким инструментом, а понять, что на самом деле происходит у него под капотом. Так я сел писать собственного агента на Swift, с нуля, без использования готовых решений.
