AI‑агент как ленивый старший разработчик: минимум кода
Узнайте, как настроить AI‑агент, который работает как ленивый старший разработчик, и избавиться от лишних строк кода.
Ленивый разработчик как модель AI‑агента
Ленивый разработчик как модель AI‑агента
Контекстные подсказки для экономии запросов
Чтобы AI‑агент работал как «ленивый» старший разработчик, нужно минимизировать количество токенов, которые он получает в каждом запросе. Самый простой способ — давать только то, что действительно влияет на результат.
yaml# Пример короткого контекста для Claude‑Code
system: |
Ты — помощник senior‑developer, который пишет минимум кода.
Учитывай только указанные ниже файлы и их содержимое.
Если файл не упомянут — игнорируй его.
Отвечай кратко, без лишних пояснений.
context:
- src/main.py
- config/settings.yaml
- tests/test_core.py
Вместо того чтобы загружать весь проект, укажите лишь те файлы, которые участвуют в текущей задаче. Такой подход экономит до 70 % токенов и ускоряет взаимодействие.
Смотрите, как это делается в практических примерах: Ponytail: оптимизация работы AI‑агентов и Ponytail: оптимизация работы AI‑агентов.
Автоматическое удаление неиспользуемого кода
Ленивый разработчик умеет не только писать, но и убирать. После того как вы получили результат от AI‑агента, часто остаютсяunused‑импорты, невызванные функции или целые файлы. Их можно удалить автоматически, используя небольшие скрипты и возможности Claude‑Code.
bash# Поиск неиспользуемых импортов в Python‑проекте
git ls-files '*.py' | xargs grep -L 'import.*' | xargs -I{} sh -c 'echo {}; grep -R "^import " {}' | cut -d: -f1 | sort -u > unused_imports.txt
После генерации списка unused_imports.txt его можно передать в Claude‑Code с указанием, что нужно удалить эти строки:
yamlsystem: |
Ты — senior‑developer, который убирает лишний код.
Прочитай файл unused_imports.txt и удали все найденные импорты из указанных файлов.
Сохрани только актуальные строки, без комментариев.
context:
- src/main.py
- src/utils.py
- unused_imports.txt
Кроме того, удобно периодически запускать git clean -fdx в отдельной директории, где собираются временные файлы, чтобы не оставлять «мусор» в репозитории.
Подробнее о том, как автоматизировать очистку кода, можно узнать в статье OpenComputer: open source alternative to Devin for teams.
В итоге, такой подход позволяет поддерживать чистоту проекта без лишних усилий: минимум контекста — максимум результата, а автоматическое удаление неиспользуемого кода делает процесс полностью предсказуемым.
Практические приёмы в ponytail
Практические приёмы в ponytail
### Настройка локальных контекстов
Для того чтобы AI‑агент работал «лениво», ему нужен локальный контекст — набор векторных embeddings, который можно быстро загрузить в память. Самый простой способ — использовать ollama вместе с моделью nomic-llama2. Ниже пример установки и загрузки контекста для проекта, где код хранится в репозитории my‑project.
bash# Установка ollama (если ещё не установлена)
curl -fsSL https://ollama.com/install.sh | sh
# Запуск модели, которая будет генерировать embeddings
ollama pull nomic-llama2
# Создание локального хранилища embeddings в папке ./embeddings
mkdir -p ./embeddings
ollama create my-context -f - <<'EOF'
FROM ./embeddings
DATA ./my-project/**/*.py
EOF
После создания контекста его можно загрузить в агентский процесс:
pythonimport ollama
def load_context():
# Получаем список файлов, которые нужно индексировать
import pathlib, json
files = list(pathlib.Path("./my-project").rglob("*.py"))
payload = {"model": "nomic-llama2", "prompt": "Generate embeddings for the following code:"}
for f in files:
with open(f, "r", encoding="utf-8") as fp:
payload["stream"] = False
payload["raw"] = fp.read()
# Отправляем в ollama для получения embedding
resp = ollama.chat(model="nomic-llama2", messages=[{"role": "user", "content": payload}])
# Сохраняем embedding в файл
embedding = resp["message"]["content"]
with open(f"./embeddings/{f.name}.emb", "w", encoding="utf-8") as out:
out.write(embedding)
Почему это удобно?
- Локальный контекст хранится на том же диске, где находится код, поэтому нет задержек сети.
- При изменении файла достаточно пересоздать только соответствующий embedding‑файл, а не весь набор.
Для более продвинутой настройки можно воспользоваться ChromaDB — open‑source базой данных vector‑search. Инструкция по интеграции с Claude‑code‑plugin описана в статье Ponytail: оптимизация работы AI‑агентов.
### Скрипты для автоматического рефакторинга
Ленивый старший разработчик не будет вручную искать дублирующийся код. Вместо этого можно написать небольшие скрипты, которые автоматически улучшают структуру проекта.
Пример 1. Bash‑скрипт, удаляющий неиспользуемые импорты
bash#!/usr/bin/env bash
# remove_unused_imports.sh
# Используем flake8‑import‑unused для обнаружения лишних импортов
# Перебираем все Python‑файлы в проекте
find . -name "*.py" -print0 | while IFS= read -r -d '' file; do
# Запускаем flake8‑import‑unused, сохраняем вывод в переменную
unused=$(flake8-import-unused "$file" 2>/dev/null || echo "")
if [[ -n "$unused" ]]; then
# Формируем патч и применяем его
echo "Применяем патч к $file"
patch -p1 <<< "$unused"
fi
done
Пример 2. Python‑скрипт, автоматически группирующий функции по темам
python#!/usr/bin/env python3
"""
refactor_by_topic.py — группирует функции в модулях согласно их названию.
"""
import ast
import pathlib
import sys
def get_functions(node):
"""Возвращает список имён функций из AST‑узла."""
for child in ast.walk(node):
if isinstance(child, ast.FunctionDef):
yield child.name
def main():
root = pathlib.Path(sys.argv[1])
for py_file in root.rglob("*.py"):
with open(py_file, "r", encoding="utf-8") as f:
tree = ast.parse(f.read())
func_names = list(get_functions(tree))
# Простейшая логика: если имя содержит слово "parse", помещаем в модуль parse_utils
for name in func_names:
if "parse" in name.lower():
# Перемещаем функцию в отдельный файл parse_utils.py (если его нет — создаём)
target = root / "parse_utils.py"
with open(target, "a", encoding="utf-8") as out:
out.write(f"\n{name}():\n pass\n") # заглушка, реальная логика будет добавлена позже
if __name__ == "__main__":
main()
Как использовать?
- Сохраните скрипт в корне проекта.
- Сделайте его исполняемым:
chmod +x refactor_by_topic.py. - Запустите:
./refactor_by_topic.py .— скрипт проанализирует все.py‑файлы и создаст/дополнит файлparse_utils.pyс функциями, чьи имена содержат «parse».
Таким образом, код становится более предсказуемым, а AI‑агенту легче понять, где искать нужную логику.
Для более сложных сценариев (например, автоматическое переименование функций, генерацию тестов или изменение сигнатур) рекомендуется посмотреть на проект OpenComputer, который предлагает набор утилит для командных рефакторингов: OpenComputer: open source alternative to Devin for teams.
Если у вас остались вопросы — пишите в чат, но помните, что серверы Алексея работают без лишних паники и без «всё‑равно‑работает‑на‑коленке» подхода.
Интеграция с CI/CD и автоматизация
Интеграция с CI/CD и автоматизация
Использование claude‑code‑plugin в пайплайне
Во-первых, claude‑code‑plugin поставляется как Docker‑образ с CLI‑интерфейсом. Его удобно вызывать из любого CI‑системы, потому что все зависимости уже зафиксированы в образе. Ниже пример для GitLab CI, где агент участвует в этапе review.
yamlstages:
- review
ai_review:
stage: review
image: ghcr.io/anthropic/claude-code-plugin:latest
script:
- export DIFF=$(git diff --name-only $CI_MERGE_REQUEST_SOURCE_BRANCH_NAME $CI_MERGE_REQUEST_TARGET_BRANCH_NAME)
- if [ -n "$DIFF" ]; then
echo "Найдены изменения, передаём в claude‑code‑plugin";
echo "$DIFF" | claude-code-plugin review --mode=diff;
else
echo "Изменений нет – пропускаем";
fi
only:
- merge_requests
В этом примере переменная DIFF содержит список изменённых файлов. Команда claude-code-plugin review принимает список файлов через stdin и выводит рекомендации (например, «добавьте проверку типизации», «удалите неиспользуемый импорт»).
Если ваш пайплайн работает в GitHub Actions, аналогичный шаг выглядит так:
yamljobs:
ai-review:
runs-on: ubuntu-latest
container:
image: ghcr.io/anthropic/claude-code-plugin:latest
steps:
- name: Получить список изменённых файлов
run: echo "$DIFF" > files.txt
env:
DIFF: ${{ github.diff }}
- name: Запустить обзор в claude‑code‑plugin
run: cat files.txt | claude-code-plugin review --mode=diff
Во‑вторых, для ускорения процесса полезно кэшировать образ и использовать параметр --cache-dir, как описано в Ponytail: оптимизация работы AI‑агентов. Это позволяет экономить время на распаковке зависимостей между запусками.
Автоматическое тестирование изменений
После того как агент дал рекомендации, логично автоматически запустить набор тестов, которые охватывают затронутые части кода. В качестве примера возьмём типичный workflow в GitLab, где после ai_review выполняется test.
yamlstages:
- test
unit_tests:
stage: test
image: python:3.11-slim
script:
- pip install -r requirements.txt
- pytest tests/ -v
only:
- merge_requests
Если в рекомендациях агента есть пункт «добавьте unit‑тесты для новой функции», CI‑система может автоматически создать Pull Request с соответствующим тестом. Для этого удобно использовать gh‑cli:
bash# После получения рекомендаций от claude‑code‑plugin
if echo "$DIFF" | grep -q '^src/'; then
gh pr create --title "Add tests for new feature" \
--body "Автоматически сгенерированные тесты, см. рекомендации агента." \
--base "$CI_MERGE_REQUEST_TARGET_BRANCH_NAME" \
--head "$CI_COMMIT_SHA"
fi
В GitHub Actions аналогичный подход выглядит так:
yamljobs:
auto-test:
runs-on: ubuntu-latest
steps:
- uses: actions/checkout@v3
- name: Запустить тесты
run: |
python -m pip install -r requirements.txt
pytest tests/ -v
- name: Открыть PR с тестами
if: failure()
uses: peter-evans/create-pull-request@v5
with:
token: ${{ secrets.GITHUB_TOKEN }}
title: "CI: добавлены тесты по рекомендациям агента"
body: "Тесты сгенерированы автоматически после анализа изменений."
branch: ci/tests-${{ github.sha }}
Таким образом, claude‑code‑plugin выступает не только как «ленивый старший разработчик», который указывает, где нужно добавить проверку, но и как часть автоматизированного цикла, где его вывод напрямую запускает тесты, линтеры и даже создает необходимые Pull Request‑ы. Это уменьшает количество ручных правок и повышает предсказуемость процесса доставки кода.
Для более продвинутой оркестрации fleet‑агентов в CI/CD можно посмотреть Управление флотом ИИ‑агентов с помощью Orca и Оптимизация AI‑агентов с помощью системы ECC.
Рекомендации по поддержанию кода
Тестирование в изолированных контейнерах
Когда вы делегируете написание кода AI-агенту, вы фактически нанимаете сотрудника, который работает невероятно быстро, но совершенно не чувствует ответственности за последствия. Если дать такому «сотруднику» прямой доступ к вашей рабочей машине или основному серверу, велик риск, что в попытке исправить мелкий баг он случайно удалит важную директорию или перепишет системные зависимости.
С практической точки зрения, единственный способ сохранить контроль — это полная изоляция среды выполнения. Я всегда придерживаюсь правила: агент не имеет права запускать код вне контейнера. Это обеспечивает предсказуемость. Если агент решит, что для решения задачи ему нужно установить пакет libssl-dev версии, которая конфликтует с вашей системой, это затронет только временный контейнер.
Для автоматизации этого процесса лучше всего использовать Docker. Если вы используете продвинутые инструменты вроде Claude Code, настройте их так, чтобы выполнение тестов происходило в эфемерной среде.
Пример простого Dockerfile для создания песочницы, в которой агент может проверять свой код:
dockerfile# Используем легковесный образ для минимизации веса FROM python:3.11-slim # Создаем пользователя, чтобы агент не работал под root RUN useradd -m developer USER developer WORKDIR /home/developer/app # Копируем зависимости, если они уже известны COPY --chown=developer:developer requirements.txt . RUN pip install --no-cache-dir -r requirements.txt # Команда по умолчанию — запуск тестов CMD ["pytest"]
Чтобы запустить проверку кода, созданного агентом, используйте команду:
bashdocker run --rm -v $(pwd)/generated_code:/home/developer/app test-sandbox pytest
Здесь флаг --rm критически важен: он удаляет контейнер сразу после завершения работы. Это гарантирует, что среда останется чистой, а «мусор» от экспериментов агента не будет накапливаться в вашей системе. Подобный подход к изоляции помогает избежать хаоса, о котором часто пишут в материалах про оптимизацию работы AI-агентов.
Документирование конфигураций для предсказуемости
Ленивый старший разработчик — это не тот, кто не пишет документацию, а тот, кто делает её максимально полезной и лаконичной. В контексте AI-агентов это означает создание таких конфигурационных файлов, которые агент сможет прочитать и мгновенно понять контекст системы.
Если ваши конфиги разбросаны по разным папкам или написаны в стиле «сделано на коленке», агент начнет галлюцинировать, пытаясь угадать параметры окружения. Чтобы добиться предсказуемости, я рекомендую использовать декларативный подход. Вместо того чтобы объяснять агенту в чате, как настроить сервис, предоставьте ему четкий файл манифеста.
Лучший способ организовать это — использовать docker-compose.yml или конфигурации systemd. Это служит своего рода «единым источником истины». Если агент видит структуру проекта, он понимает зависимости.
Пример грамотно оформленного файла .env.example, который служит инструкцией для агента:
bash# Настройки базы данных для локальной разработки
# Агент должен использовать эти ключи при написании миграций
DB_USER=dev_user
DB_PASSWORD=dev_password_change_me
DB_NAME=app_db
DB_HOST=localhost
DB_PORT=5432
# Настройки логирования
LOG_LEVEL=DEBUG # Доступные уровни: DEBUG, INFO, WARNING, ERROR
Также полезно вести файл ARCHITECTURE.md в корне репозитория. Это не должен быть многостраничный талмуд. Достаточно пары абзацев о том, как данные текут через систему и какие инструменты используются. Когда агент понимает архитектуру, он перестаёт предлагать решения, которые ломают общую логику.
Для более масштабных систем, где нужно управлять множеством подобных сущностей, стоит изучить подходы к управлению флотом ИИ-агентов. Там акцент делается на том, чтобы стандартизация среды и документации позволяла агентам эффективно взаимодействовать друг с другом, не создавая конфликтов в конфигурациях.
Часто задаваемые вопросы
Не станет ли агент писать слишком плохо из-за экономии контекста?
С точки зрения предсказуемости системы, избыточный контекст так же вреден, как и его дефицит. Если вы дадите агенту слишком мало информации, он начнёт галлюцинировать или предлагать решения, которые нарушают архитектуру проекта. С практической точки зрения важно соблюдать баланс: передавайте только те файлы, которые определяют интерфейсы и логику текущей задачи, а не весь репозиторий целиком.
Как понять, какие файлы нужно передавать в контексте?
Во-первых, ориентируйтесь на дерево зависимостей вашей задачи. Если вы правите логику обработки данных, в контекст должны попасть только модули, которые непосредственно участвуют в этом процессе, и файлы с определениями типов или интерфейсов. Если агент начинает ошибаться в типах данных, значит, вы забыли включить файл с их описанием.
Можно ли доверять агенту автоматическую чистку кода?
Автоматизация удаления неиспользуемого кода — это хороший способ поддерживать чистоту, но она требует обязательного контроля. Я всегда рекомендую запускать процесс в два этапа: сначала агент генерирует список изменений, а затем вы проверяете его через git diff. Никогда не позволяйте агенту вносить правки напрямую в основную ветку без предварительного прогона тестов и ручного аудита.
Поможет ли такой подход снизить затраты на API?
Да, это один из самых эффективных способов оптимизации расходов. Когда мы ограничиваем контекст только необходимыми файлами, мы не просто экономим токены, но и уменьшаем задержку (latency) при генерации ответа. Если рассматривать это как инженерную задачу, то минимизация передаваемых данных — это прямой путь к повышению производительности и предсказуемости взаимодействия с моделью.