Продвинутый

AI agent: lazy senior dev writes no code

Алексей Кузнецов
Алексей Кузнецов
Системный администратор20 ноября 2026 г.10 мин чтения

AI‑агент, как ленивый старший разработчик, пишет минимум кода, а максимум эффективности. Узнайте, как сократить избыточные усилия и повысить предсказуемость...

AI agent: lazy senior dev writes no code

AI‑агент, как ленивый старший разработчик, пишет минимум кода, а максимум эффективности. Узнайте, как сократить избыточные усилия и повысить предсказуемость системы.

Принцип ленивого разработчика в AI-агенте

Как AI‑агент выбирает минимум усилий

Во-первых, AI‑агент начинает с анализа текущей конфигурации и выявляет повторяющиеся паттерны. Если в логе появляется регулярное сообщение о падении контейнера, агент предлагает добавить простой watchdog‑скрипт вместо ручного вмешательства.

bash
#!/bin/bash
# watchdog.sh – автоматический рестарт контейнера
CONTAINER="my_app"
if ! docker ps --format "{{.Names}}" | grep -q "^${CONTAINER}$"; then
    docker start "${CONTAINER}"
fi

Во-вторых, агент предпочитает использовать готовые решения, такие как Docker Compose или systemd‑юниты, которые уже решают задачу «запустить‑и‑поддерживать». Пример docker‑compose.yml:

yaml
version: "3.9"
services:
  web:
    image: nginx:alpine
    ports:
      - "80:80"
    restart: unless-stopped

В‑третьих, при выборе задачи агент учитывает предсказуемость: простые скрипты, проверяющие состояние службы, дают более предсказуемый результат, чем «решения на коленке». Поэтому вместо написания собственного HTTP‑сервера он использует уже проверенный Nginx‑контейнер.

Статья DietrichGebert/ponytail: AI‑agent like the lazy senior dev описывает similar подход к минимуму усилий.

Примеры экономии кода через автоматизацию

  1. Автоматическое создание Docker‑файлов
    Агент генерирует Docker‑файл на основе шаблона и данных из инвентаря. Пример скрипта на Python:

    python
    # generate_dockerfile.py
    from pathlib import Path
    
    base = Path("Dockerfile.base")
    out = Path("Dockerfile")
    with base.open() as f:
        template = f.read()
    out.write_text(template.format(image="myrepo/app:latest"))
    

    Запуск python generate_dockerfile.py заменяет несколько строк вручную.

  2. Система резервного копирования с systemd‑таймером
    Вместо cron‑записи, агент создаёт unit‑файл и таймер, что упрощает управление и гарантирует точность:

    ini
    # /etc/systemd/system/backup.service
    [Unit]
    Description=Backup of /data to NFS share
    
    [Service]
    Type=oneshot
    ExecStart=/usr/local/bin/backup.sh
    
    ini
    # /etc/systemd/system/backup.timer
    [Unit]
    Description=Run backup daily at 02:00
    
    [Timer]
    OnCalendar=*-*-* 02:00:00
    Persistent=true
    
    [Install]
    WantedBy=timers.target
    

    Команда systemctl enable --now backup.timer активирует задачу.

  3. Автоматический запуск тестов в CI
    Пример .github/workflows/ci.yml:

    yaml
    name: CI
    on: [push, pull_request]
    jobs:
      test:
        runs-on: ubuntu-latest
        steps:
          - uses: actions/checkout@v3
          - name: Set up Python
            uses: actions/setup-python@v4
            with:
              python-version: "3.11"
          - name: Install dependencies
            run: pip install -r requirements.txt
          - name: Run tests
            run: pytest
    

    Такой workflow гарантирует, что каждый коммит проходит проверку без вмешательства разработчика.

Примеры автоматизации из практики смотрите в статье Orca: запуск флота AI‑агентов с собственной подпиской и Запуск флота AI‑агентов с помощью Orca.

Инструменты и подходы для снижения количества кода

Инструменты и подходы для снижения количества кода

Использование шаблонов и генерации кода

Шаблоны позволяют сразу получить рабочий скелет проекта, избегая ручного копирования и правки базовых файлов. В Docker‑Compose удобно хранить базовый docker-compose.yml в отдельном репозитории и подключать его через extends. При добавлении новых сервисов достаточно изменить только секцию services.

yaml
# docker-compose.base.yml
version: "3.9"
services:
  web:
    image: nginx:stable-alpine
    ports:
      - "80:80"
    volumes:
      - ./nginx.conf:/etc/nginx/conf.d/default.conf:ro
  api:
    build: ./api
    ports:
      - "8000:8000"
bash
# Пример подключения базового файла
docker compose -f docker-compose.base.yml -f docker-compose.override.yml up -d

Для генерации кода на Python удобно использовать Cookiecutter – шаблон задаёт структуру пакета, файлы setup.py, tests/ и т.д. После создания шаблона достаточно выполнить один command.

bash
cookiecutter https://github.com/cookiecutter/cookiecutter-python

В контексте AI‑агентов, как описано в статье «AI‑agent like the lazy senior dev», можно автоматизировать создание файлов через Claude Code. Агент генерирует необходимый скелет, а вы лишь проверяете и адаптируете.

AI‑agent like the lazy senior dev

Автоматизация тестов и проверок

Автоматизация тестов избавляет от ручного запуска и гарантирует, что каждый измененный файл проходит проверку. Наиболее простой способ – добавить workflow в GitHub Actions, который запускает pytest и проверяет покрытие кода.

yaml
# .github/workflows/ci.yml
name: CI

on:
  push:
    branches: [ main ]
  pull_request:
    branches: [ main ]

jobs:
  test:
    runs-on: ubuntu-latest
    steps:
      - uses: actions/checkout@v3
      - name: Set up Python
        uses: actions/setup-python@v4
        with:
          python-version: "3.11"
      - name: Install dependencies
        run: |
          python -m pip install --upgrade pip
          pip install -r requirements.txt
          pip install pytest pytest-cov
      - name: Run tests
        run: |
          pytest --cov=.

Для локального запуска тестов удобно использовать pre‑commit – hook, который проверяет стиль, типы и запускает unit‑тесты перед коммитом.

yaml
# .pre-commit-config.yaml
repos:
  - repo: https://github.com/pre-commit/pre-commit-hooks
    rev: v4.5.0
    hooks:
      - id: check-ast
      - id: check-case-conflict
  - repo: https://github.com/psf/black
    rev: 23.12.1
    hooks:
      - id: black
  - repo: https://github.com/pycqa/isort
    rev: 5.13.2
    hooks:
      - id: isort
  - repo: local
    hooks:
      - id: pytest
        name: run pytest
        entry: pytest
        language: system
        types: [python]

В Orca‑флоте AI‑агентов можно настроить отдельный агент, отвечающий только за запуск тестов и анализ их результатов. Это позволяет изолировать процесс и не загромождать основной workflow своими задачами.

Запуск флота AI‑агентов с Orca
Запуск флота AI‑агентов с помощью Orca

Таким образом, шаблоны ускоряют старт проекта, а автоматизированные тесты и проверки поддерживают предсказуемость системы без дополнительных усилий от разработчика.

Оптимизация процессов разработки

Оптимизация процессов разработки

CI/CD и автоматизированные пайплайны

Во-первых, автоматизация позволяет избавиться от ручных шагов, которые часто приводят к ошибкам. Пример пайплайна для проекта, использующего Docker Compose, выглядит так:

yaml
# .github/workflows/ci.yml
name: CI

on:
  push:
    branches: [ main ]
  pull_request:

jobs:
  build:
    runs-on: ubuntu-latest
    steps:
      - uses: actions/checkout@v3

      - name: Build Docker images
        run: |
          docker compose build

      - name: Run tests
        run: |
          docker compose run --rm app pytest

Здесь docker compose build собирает все сервисы, а docker compose run --rm app pytest запускает тесты в контейнере app.

Справедливость пайплайна проверяется в DietrichGebert/ponytail: AI‑agent like the lazy senior dev.

Если требуется развернуть сложный стек, удобно использовать k3s в качестве базового кластера. Пример манифеста для деплоя docker-compose.yml в k3s выглядит так:

yaml
apiVersion: apps/v1
kind: Deployment
metadata:
  name: myapp
spec:
  replicas: 3
  selector:
    matchLabels:
      app: myapp
  template:
    metadata:
      labels:
        app: myapp
    spec:
      containers:
        - name: app
          image: myregistry.example.com/myapp:latest
          ports:
            - containerPort: 8080

С практической точки зрения, хранение конфигураций в GitOps‑репозитории гарантирует, что любые изменения проходят review и автоматически применяются через CI/CD.

Мониторинг и обратная связь для поддержания предсказуемости

Следует внедрить систему мониторинга, которая фиксирует как метрики, так и логи. Типичная конфигурация Prometheus + Alertmanager выглядит так:

yaml
# prometheus.yml
global:
  scrape_interval: 15s

scrape_configs:
  - job_name: 'node_exporter'
    static_configs:
      - targets: ['localhost:9100']

  - job_name: 'caddy'
    metrics_path: '/metrics'
    static_configs:
      - targets: ['caddy:2015']

Аллерты настраиваются в alertmanager.yml:

yaml
receivers:
  - name: 'slack'
    slack_configs:
      - api_url: 'https://hooks.slack.com/services/XXX/YYY/ZZZ'
        channel: '#alerts'

route:
  receiver: 'slack'
  group_by: ['alertname', 'service']

Эти файлы размещаются в репозитории, а их изменения попадают в CI/CD, как и код приложения.

Для обратной связи удобно использовать Grafana dashboards, которые показывают ключевые метрики: загрузку CPU, потребление памяти, количество запросов с ошибкой 5xx. Пример дашборда можно посмотреть в Orca: запуск флота AI‑агентов с собственной подпиской.

Если в инфраструктуре присутствует несколько нод, то желательно автоматизировать сбор метрик через Prometheus Operator. Пример values.yaml для Helm‑чарта:

yaml
prometheusOperator:
  enabled: true
  prometheus:
    serviceMonitorSelectorNilUsesHelmValues: false
    serviceMonitorSelector: {}
  alertmanager:
    enabled: true

С помощью алертов и дашбордов команда получает своевременную обратную связь, что позволяет поддерживать предсказуемость системы без постоянного вмешательства.

Во-вторых, важно документировать каждый шаг пайплайна и каждую конфигурацию мониторинга. Это упрощает onboarding новых инженеров и уменьшает риск «пожара», когда что‑то ломается в продакшене.

Если требуется более детальная настройка агентов, см. Запуск флота AI‑агентов с помощью Orca.

Таким образом, сочетание автоматизированных пайплайнов и системного мониторинга обеспечивает предсказуемость и снижает избыточные усилия, что соответствует подходу ленивого, но опытного старшего разработчика.

Практические рекомендации

Настройка AI‑агента в своей среде

Для начала потребуется небольшая виртуальная машина или сервер с Docker Compose. Ниже пример базовой конфигурации, позволяющей запустить Orca‑флот с одним агентом, использующим модель Claude‑code‑plugin.

yaml
# docker-compose.yml
version: "3.8"
services:
  orca:
    image: orca/orca:latest
    restart: unless-stopped
    ports:
      - "8080:8080"
    volumes:
      - ./orca-config:/etc/orca
    environment:
      - MODEL=ClawdeCode
      - LOG_LEVEL=info
bash
# Запуск стека
docker compose up -d

После старта обратитесь к веб‑интерфейсу http://<host>:8080 и создайте нового агента. В форму ввода укажите:

  • Имя – например, lazy_senior.
  • Задачу – «автоматическое создание резервных копий контейнеров».
  • Политику доступа – ограничьте права только на нужные сервисы (Docker, TrueNAS).

Пример конфигурационного файла агента (/etc/orca/agent.yaml):

yaml
agent:
  name: lazy_senior
  model: clawde_code
  tasks:
    - name: backup_containers
      schedule: "0 */6 * * *"
      actions:
        - docker exec -a backup_container
          cp -a /data /backup
        - rsync -a /backup/ user@backup_server:/backups

Важно: в конфиге указывайте только те действия, которые действительно нужны. лишние команды снижают предсказуемость и увеличивают риск сбоев.

Ссылка на подробную инструкцию по развертыванию флота: Orca: запуск флота AI‑агентов с собственной подпиской.


Оценка эффективности и измерение экономии

После запуска агента следует собрать метрики, которые покажут, насколько экономически оправдано его использование. Основные показатели:

  1. Время выполнения задачи – измеряется от начала до завершения действия.
  2. Потребление ресурсов – CPU, RAM, сетевой трафик, которые можно получить через docker stats или Prometheus.
  3. Стоимость – рассчитывается как (ресурсы × цена за часовую единицу) + лицензия Orca.

Пример скрипта измерения времени

bash
#!/usr/bin/env bash
# measure.sh – измеряет время выполнения задачи backup_containers

TASK="backup_containers"
START=$(date +%s)

# запуск задачи через API Orca
curl -s -X POST http://localhost:8080/api/tasks/start \
     -H "Content-Type: application/json" \
     -d "{\"task_name\":\"$TASK\"}"

# ждём завершения (простой поллинг)
while true; do
    STATUS=$(curl -s http://localhost:8080/api/tasks/$TASK | jq -r .status)
    [[ "$STATUS" == "completed" ]] && break
    sleep 5
done

END=$(date +%s)
echo "Время выполнения $TASK: $((END-START)) секунд"

Пример сбора метрик в Prometheus

yaml
# prometheus.yml (отдельный job для orca)
scrape_configs:
  - job_name: 'orca'
    static_configs:
      - targets: ['orca:8080']

В Grafana создайте дашборд с панелями:

  • Среднее время задачи (график по дням).
  • CPU % и RAM % агентов.
  • Стоимость – рассчитайте как cpu_seconds * price_per_cpu_hour / 3600 + ram_seconds * price_per_ram_hour / 3600.

Для сравнения используйте базовый скрипт без агента (ручные docker exec‑команды) и фиксируйте те же показатели. Разница в среднем времени и в потреблении ресурсов даст вам количественную экономию.

Практическая точка зрения: если агент сокращает время выполнения задачи на 30 % и потребление CPU не превышает 15 % от ручного варианта, то инвестиция в Orca окупается уже после нескольких недель работы.

См. также рекомендации по построению эффективных процессов в статье DietrichGebert/ponytail: AI‑agent like the lazy senior dev.


Заключение – системный подход к настройке и измерению эффективности AI‑агента позволяет достичь предсказуемой работы без избыточных усилий. При правильном мониторинге и чёткой политике доступа агент становится надёжным инструментом в любой инфраструктуре.

Часто задаваемые вопросы

Можно ли полностью заменить разработчика AI-агентом

AI-агент не заменяет инженера, а меняет его фокус с написания строк кода на проектирование архитектуры и контроль качества. С практической точки зрения, агент берет на себя рутину: написание шаблонных Docker-файлов, создание watchdog-скриптов или базовых конфигураций Nginx. Ваша задача — проверять предсказуемость этих решений и следить за тем, чтобы автоматизация не создала новых проблем в инфраструктуре.

Не создаст ли автоматизация лишнюю сложность в системе

Существует риск, что попытка автоматизировать каждое мелкое действие приведет к разрастанию «зоопарка» скриптов, которые трудно поддерживать. Чтобы этого избежать, придерживайтесь принципа минимально необходимого действия: если задачу можно решить стандартным systemd-юнитом или параметром restart: unless-stopped в Docker Compose, не нужно писать отдельный Python-скрипт. Хорошая автоматизация должна упрощать эксплуатацию, а не добавлять новый слой абстракции, требующий отдельного мониторинга.

Как проверить корректность кода, сгенерированного агентом

Никогда не запускайте сгенерированный код в продуктивной среде без предварительной проверки в изолированной среде, например, в вашей домашней лаборатории. Во-первых, проверьте синтаксис и логику через линтеры или статические анализаторы. Во-вторых, убедитесь, что предложенное решение не нарушает безопасность и не создает избыточную нагрузку на ресурсы. Только после того, как решение показало стабильность в тестах, его можно переносить на боевые сервера.

Как интегрировать AI-агента в существующий рабочий процесс

Лучший способ — внедрить агента на этапе подготовки инфраструктуры или в CI/CD пайплайны для генерации конфигурационных файлов. Например, агент может анализировать изменения в репозитории и автоматически предлагать обновленные манифесты для Kubernetes или Docker Compose. Это позволяет сохранить предсказуемость процесса, так как каждое изменение проходит через стандартные этапы проверки и одобрения человеком.

Поделиться:TelegramX / TwitterVK

Читайте также