Продвинутый

AI‑агент как ленивый старший разработчик

Алексей Кузнецов
Алексей Кузнецов
Системный администратор18 ноября 2026 г.9 мин чтения

Узнайте, как настроить AI‑агент, который работает как ленивый, но опытный senior‑dev, экономя ваше время и избавляя от лишних строк кода.

AI‑агент как ленивый старший разработчик

Узнайте, как настроить AI‑агент, который работает как ленивый, но опытный senior‑dev, экономя ваше время и избавляя от лишних строк кода.

Введение: роль ленивого senior dev в AI‑агенте

Введение: роль ленивого senior dev в AI‑агенте

Проблема избыточного кода

Во-первых, при написании рутинных участков проекта разработчики часто копируют одни и те же шаблоны: обработку ошибок, валидацию входных данных, повторяющиеся вызовы API. Это приводит к росту объёма кода, усложняет поддержку и снижает предсказуемость поведения системы.

С практической точки зрения такой «шум» усложняет поиск реальных проблем в логах и увеличивает время на ревью.

Пример типичного фрагмента, который можно увидеть в большинстве проектов на Python:

python
def process_request(data):
    if not data:
        raise ValueError("data is empty")
    if not isinstance(data, dict):
        raise TypeError("data must be a dict")
    if "action" not in data:
        raise KeyError("action field is missing")
    # дальше идут десятки строк с обработкой разных действий
    ...

Вместо того чтобы писать такой код вручную, AI‑агент, настроенный на работу как ленивый, но опытный senior‑dev, может автоматически генерировать более лаконичную версию, используя встроенные шаблоны и проверки.

Ponytail: как заставить AI-агента писать меньше кода описывает подходы, когда агент сам убирает дублирование, оставляя только essential‑logic.

Кроме того, применение ECC (Agent Harness) позволяет задать набор правил, согласно которым агент должен генерировать код без лишних комментариев и boilerplate. Подробности можно посмотреть в Оптимизация ИИ-агентов с помощью ECC.

bash
# Пример запроса к Claude Code (claude-code-plugin)
claude code --request "refactor the function above to use a single validation decorator"

В результате агент предлагает использовать декоратор‑валидатор, что уменьшает количество строк и делает код более предсказуемым.

Ожидаемый результат

Ожидаемый результат – это сокращение количества строк кода без потери функциональности, повышение читаемости и ускорение разработки.

С помощью AI‑агента, настроенного на «ленивый» подход, можно:

  • автоматически генерировать повторяющиеся блоки (валидация, логирование, обработку ошибок);
  • применять готовые шаблоны, такие как pydantic‑модели или dataclasses, вместо ручного кодирования;
  • интегрировать тесты в процесс генерации кода, чтобы каждый новый фрагмент проходил проверку сразу.

Ponytail: оптимизация работы AI-агентов показывает, как настроить агент так, чтобы он фокусировался на минимальном наборе инструкций, тем самым уменьшая объём генерируемого кода.

В итоге, если agent‑skill‑set настроен правильно, вы получаете «чистый» код, который легче поддерживать, быстрее тестировать и менее подвержен ошибкам. Это и есть основная выгода от использования AI‑агента в роли ленивого, но опытного senior‑dev.

Принцип работы ленивого senior dev

Принцип работы ленивого senior dev

### Минимизация количества кода

Ленивый senior dev стремится написать как можно меньше кода, но при этом сохранить читаемость и надёжность. Основные приёмы:

  1. Использовать готовые шаблоны и скелеты. Вместо того чтобы вручную писать файл Dockerfile, nginx.conf или systemd‑юнит, запрашиваем у AI‑агента готовый вариант, а затем подгоняем под свои нужды.

    dockerfile
    # Пример минимального Dockerfile, сгенерированного Claude‑code
    FROM python:3.12-slim
    WORKDIR /app
    COPY requirements.txt .
    RUN pip install -r requirements.txt
    COPY . .
    CMD ["python", "app.py"]
    
  2. Отдавать предпочтения в сторону библиотек и фреймворков, которые уже решают типичные задачи. Например, вместо собственного парсинга JSON используем jq в bash‑скрипте:

    bash
    # Получить значение поля "version" из manifest.json
    jq -r '.version' manifest.json
    
  3. Консолидировать повторяющийся код в функции. Если в нескольких местах проекта нужен одинаковый блок логирования, выносим его в отдельную утилиту:

    python
    import logging
    
    def setup_logging():
        logging.basicConfig(
            level=logging.INFO,
            format="%(asctime)s %(levelname)s %(message)s",
        )
    

    Вызываем setup_logging() в начале каждого скрипта — один вызов вместо дублирования кода.

  4. Автоматизировать генерацию файлов. Скрипт generate_cfg.py может создавать конфигурационные файлы на основе шаблонов и переменных окружения, избавляя от ручного копирования.

    python
    # generate_cfg.py
    import os
    from pathlib import Path
    
    template = """[server]
    host = {host}
    port = {port}
    """
    
    cfg = template.format(host=os.getenv("SERVER_HOST", "localhost"),
                          port=os.getenv("SERVER_PORT", "8080"))
    Path("/etc/myapp/config.ini").write_text(cfg)
    

Ссылка на подробный разбор оптимизации агента: Оптимизация ИИ-агентов с помощью ECC.

### Автоматизация типичных задач

Ленивый senior dev не тратит время на рутинные операции, а делегирует их AI‑агенту или скриптам.

  1. Автоматическая генерация unit‑тестов. При добавлении новой функции можно запросить у Claude‑code шаблон теста:

    python
    # test_example.py
    import pytest
    from mymodule import foo
    
    @pytest.mark.parametrize("inp,expected", [
        (1, 2),
        (2, 4),
        (3, 6),
    ])
    def test_foo(inp, expected):
        assert foo(inp) == expected
    
  2. Пред‑коммит хуки для форматирования и проверки. В репозитории размещаем файл .pre-commit-config.yaml:

    yaml
    repos:
      - repo: https://github.com/psf/black
        rev: 24.3.0
        hooks:
          - id: black
      - repo: https://github.com/pre-commit/pre-commit-hooks
        rev: v4.6.0
        hooks:
          - id: check-yaml
          - id: trailing-whitespace
    

    После git commit хук автоматически отформатирует код и проверит YAML‑файлы, избавляя от лишних правок.

  3. Автоматическое обновление зависимостей. Скрипт pip-compile (часть pip-tools) генерирует requirements.txt на основе requirements.in, а AI‑агент может подсказать, какие версии обновить:

    bash
    # Обновить все пакеты до последних совместимых версий
    pip-compile --upgrade
    
  4. Генерация документации. При изменении публичного API можно попросить AI‑агента создать примеры использования и обновлённый README:

    markdown
    ## Пример использования `parse_config`
    
    ```python
    from mymodule import parse_config
    
    cfg = parse_config("/etc/myapp/config.ini")
    print(cfg["server"]["host"])
    
  5. Автоматическое создание issue‑шаблонов. На основе шаблона задач AI‑агент формирует готовый текст issue, указывая приоритет, описание и ожидаемый результат.

Во-вторых, автоматизация позволяет поддерживать предсказуемость конфигураций: каждый запуск скрипта или команда имеет одинаковый результат, что упрощает отладку и мониторинг.

См. также Ponytail: как заставить AI-агента писать меньше кода для дополнительных приёмов автоматизации.

Настройка AI‑агента в ponytail

Настройка AI‑агента в ponytail

Конфигурация prompt‑engineering

Промпт‑engineering в ponytail – это не просто «написать инструкцию», а формировать набор правил, которые агент будет интерпретировать без лишних уточнений.

Во‑первых, задайте цель в одном предложении, указав, что именно должен сделать агент.

yaml
# prompt.yaml
system: |
  Ты – опытный senior‑dev, который экономит время коллег, автоматизируя рутинные задачи.
  Работай в рамках текущего проекта, используя только доступные инструменты.
  При необходимости уточняй детали, но не выходи за рамки проекта.
user: |
  Нужно добавить health‑check в nginx‑конфиг так, чтобы он проверял доступность /api/health каждые 30 секунд.
  Пример текущего сервера:
  ```nginx
  server {
      listen 80;
      server_name example.com;
      location / {
          proxy_pass http://app;
      }
  }

Добавьте проверку в отдельный location и настройте cron‑задачу для перезапуска nginx при падении.


Обратите внимание на несколько ключевых моментов:  

* **Конкретика** – вместо «настроить проверку» указывайте точный путь, интервал и действие.  
* **Контекст** – ограничьте объём контекста, иначе агент будет «теряться» в деталях. Если файл большой, пришлите только нужный фрагмент.  
* **Пример** – в примере выше указано, где находится текущий блок `server`, чтобы агент понял, куда вставлять новый `location`.  

Для ускорения процесса используйте уже проверенные шаблоны. В статье [Оптимизация ИИ-агентов с помощью ECC](/articles/optimizatsiya-ii-agentov-s-pomoschyu-ecc-43psq2) описаны подходы к снижению количества токенов за счёт структурирования входа.  

#### Интеграция с claude‑code‑plugin  

После того как промпт отточен, его нужно подключить кclaude‑code‑plugin, который обеспечивает взаимодействие с моделью Claude через API.  

1. Установите официальную версию plugin‑а.  
```bash
pip install claude-code-plugin
  1. Сохраните API‑ключ в переменной окружения (рекомендуется добавить в ~/.bashrc).
bash
export CLAUDE_API_KEY="sk-XXXXXXXXXXXXXXXXXXXXXXXX"
  1. Укажите путь к файлу промпта в конфигурации plugin‑а.
yaml
# config.yaml для claude-code-plugin
agent:
  prompt_path: "/home/alexey/ponytail/prompt.yaml"
  api_key: "${CLAUDE_API_KEY}"
  model: "claude-3-sonnet"
  1. Проверьте работу, запустив простой запрос.
bash
ponytail run --task "Добавьте health‑check в конфиг nginx, как в примере выше"

Если агент генерирует лишний код, используйте опцию --max-tokens 500 и уточните в промпте требование «сократить объём ответа до 500 токенов».

Для более детального описания возможностей интеграции сclaude‑code‑plugin смотрите в статье Ponytail: как заставить AI-агента писать меньше кода.

Важно – не полагайтесь на автоматический ввод путей к файлам, указывайте их явно, иначе plugin может «потеряться» в файловой системе.

Таким образом, корректная конфигурация промпта и её связь сclaude‑code‑plugin позволяют построить AI‑агента, который действует как опытный, но ленивый senior‑dev: минимум усилий от вас, максимум автоматизации.

Заключение: выводы и практические рекомендации

Практический совет

Во-первых, ограничьте контекст — AI‑агент лучше работает, когда задача чётко описана и файлы, с которыми он взаимодействует, находятся в едином каталоге. Создайте файл prompt.md с инструкцией, например:

markdown
# Prompt for claude‑code

You are a senior dev. Refactor the following Python function to:
1. Reduce duplication.
2. Add type hints.
3. Improve readability without changing behaviour.

File: `app/utils.py`

Запустите контейнер с плагином Claude‑Code, смонтировав рабочий каталог:

yaml
version: "3.8"
services:
  claude-agent:
    image: ghcr.io/anthropic/claude-code:latest
    environment:
      - ANTHROPIC_API_KEY=${ANTHROPIC_API_KEY}
    volumes:
      - ./work:/workspace
    command: ["--prompt", "/workspace/prompt.md"]

Во‑вторых, используйте ECC (Agent Harness) для оптимизации работы агента. ECC позволяет задавать ограничения на количество токенов, кешировать часто используемые фрагменты и автоматически устранять «мусорный» код. Подробнее см. в статье Оптимизация ИИ‑агентов с помощью ECC.

В‑третьих, примените приёмы из серии статей «Ponytail». Они показывают, как заставить агент писать меньше кода, используя шаблоны и предопределённые блоки. Начните с Ponytail: как заставить AI‑агента писать меньше кода и дальше переходите к Ponytail: оптимизация работы AI‑агентов.

Наконец, не забывайте о мониторинге и обратной связи. После каждого изменения проверяйте результат через journalctl -u claude-agent (или аналогичный лог) и фиксируйте отклонения в Git. Это обеспечит предсказуемость конфигураций, о которой я часто говорю.

Итого: чётко сформулированный prompt, ограниченный контекст, использование ECC и Ponytail‑приёмов — это проверенные пути, позволяющие AI‑агенту вести себя как опытный, но ленивый senior‑dev, экономящий ваше время и избавляющий от лишних строк кода.

Часто задаваемые вопросы

Как AI‑агент уменьшает количество кода?

AI‑агент использует шаблоны и правила ECC, которые автоматически генерируют проверки ввода и обработку ошибок без дублирования. Он заменяет сотни строк boilerplate одной функцией‑декоратором, что сокращает объём кода в 3–5 раз. При этом сохраняется читаемость и предсказуемость поведения.

Нужно ли вручную прописывать правила для ECC?

Нет, правила задаются в конфигурационном файле, где указываются разрешенные паттерны и запрещённые конструкции. После установки конфигурации агент применяет их к каждому запросу, не требуя дополнительного ввода. Это гарантирует, что генерируемый код будет соответствовать стандартам проекта без постоянного вмешательства.

Можно ли настроить AI‑агент для работы с несколькими языками?

Да, в настройках ECC указываются языковые шаблоны, и агент подбирает подходящий синтаксис автоматически. Для Python, JavaScript и Go достаточно добавить соответствующие пакеты в список поддерживаемых. Это упрощает применение агента в многоязычных проектах.

Как обеспечить, что AI‑агент не будет добавлять лишние комментарии и пустой код?

В конфигурации ECC задаётся параметр max_comments и exclude_boilerplate, которые ограничивают количество строк‑комментариев и запрещают пустые блоки. При генерации кода агент проверяет количество строк и удаляет всё, что не влияет на логику. Таким образом, результат остаётся чистым и готов к использованию.

Поделиться:TelegramX / TwitterVK

Читайте также