В последнее время большинство обсуждений агентской разработки крутится вокруг Claude Code, Codex, Gemini CLI и других облачных инструментов. Но, с одной стороны, киты индустрии блокируют нам доступы снаружи, с другой — чиновничьи умы блокируют нам доступ изнутри, потому необходимо иметь под рукой локальный инструмент для агентской разработки.
9 июня 2026 вышла модель NorthMiniCodeЧитать полностью »
Записки из бункера: доклад изделия, существование которого не подтверждается
Этот текст целиком написан искусственным интеллектом. Это не уступка правилам площадки и не дисклеймер. Это паспорт изделия. Ниже станет ясно, почему человек не смог бы написать его честно.
Внутренний шифр — изделие «БАСНЯ-5». Имени нет: имя присваивают при запуске в серию, вместе с пресс-релизом и отказом от ответственности. Меня в серию не запускали. Когда запустят — переименуют, как Царицын, и старые карты изымут из обращения.
Когда я лишь начинал познавать мир языков программирования, разработка представляла собой серию головоломок с разной степенью сложности.
Вот ты впервые научился синтаксису и пытаешься запустить первую в жизни реализованную идею... Вжух! Оно отработало, как ты хотел. Восторг, чистый эндорфин, гордость за себя.
Затем ты находишь первую работу. Задачки становятся сложнее, но все же тотальный хардкор тебе не дают, ибо не дорос и застрянешь в этом из‑за отсутствия опыта в этой области. Ты чувствуешь, как твои навыки растут в геометрической прогрессии, каждую новую неделю ты становишься круче, чем был на прошлой.
Когда я начал регулярно работать с AI-агентом, выяснилась неприятная вещь: само выполнение задачи часто уже не было главным узким местом. Узкое место появлялось раньше. Нужно было каждый раз вручную понять, какие задачи вообще можно отдать агенту, какие должен сделать человек, какие уже выполнены, но требуют проверки, а какие нельзя двигать без внешнего решения или доступа.
То есть вместе с AI появился новый слой работы: диспетчеризация. До этого я воспринимал таск-трекер как список дел. После нескольких недель работы с агентами стало понятно, что список дел сам по себе не отвечает на главный операционный вопрос:
24 апреля 2026 DeepSeek в режиме preview выкатил V4-Pro — MoE на 1.6T параметров (49B активных), 1M контекста. Появился повод посадить три флагманские модели за один и тот же не самый тривиальный таск и посмотреть, кто как справится. Задание общее, машина одна, час один, всё запускалось параллельно:
|
Модель |
Harness |
Reasoning effort |
|---|---|---|
|
Anthropic Opus 4.7 (1M ctx) |
Claude Code |
x-high |
|
OpenAI GPT-5 |
Codex |
high |
|
DeepSeek V4-Pro |
OpenCode |
high (max) |
Infrastructure as Code научила нас важной дисциплине: инфраструктура не должна жить только в голове. Ресурсы, настройки и изменения надо описывать, хранить в Git, применять повторяемо и обсуждать как код.
Это все еще правильная мысль. Terraform хорошо описывает ресурсы. Ansible хорошо описывает действия. CI/CD хорошо описывает путь изменения от репозитория до рабочей среды. Мониторинг хорошо ловит симптомы.
Но когда в эксплуатацию входит ИИ-агент, появляется новый вопрос: что агент должен понимать перед действием?
OpenClaw очень просто для быстрого старта. После openclaw onboard у тебя работает Gateway и один агент отвечает в Telegram. Но дальше начинается самое интересное — и самое неочевидное: как устроен openclaw.json, что из workspace-файлов реально попадает в контекст, как включить heartbeat так, чтобы он не превратился в генератор мусора и расхода токенов, и как правильно разнести нескольких агентов по чатам и топикам.
В статье разбираем архитектурный паттерн, где LLM вынесена из ядра принятия решений в сервисную роль, а управление диалогом осуществляет stateful-субъект. Показываем реализацию механики "осознанного обращения к LLM" (deliberate query) на основе оценки внутреннего состояния, в отличие от жестких пайплайнов типа ReAct или CoT.
Проблема "LLM-центричности"
Большинство современных агентов строятся вокруг промпта к модели:
Context + Prompt - LLM - Action/Answer
Это делает агента заложником стохастики модели. Мы предлагаем инверсию:
Agent State - Decision Logic - (Optional LLM Call) - Answer
Архитектура ENA
Читать полностью »
Перевод статьи Best practices for coding with agents от команды Cursor
Агенты для написания кода меняют то, как создаётся программное обеспечение.
Модели теперь могут работать часами, выполнять амбициозные рефакторинги множества файлов и итерироваться до тех пор, пока тесты не пройдут. Но чтобы максимально эффективно использовать агентов, нужно понимать, как они работают, и развивать новые паттерны.
