Как сделать AI‑агент, как ленивый старший разработчик
Узнайте, как настроить AI‑агент, который работает как ленивый, но опытный senior‑dev, и избавиться от лишних строк кода, сделав процесс предсказуемым.
Принцип ленивого senior‑dev
Принцип ленивого senior‑dev
Ленивый senior‑dev — это не тот, кто избегает работы, а тот, кто делает её предсказуемой и без лишних усилий.
Он пишет минимум кода, максимум автоматизации, а процесс взаимодействия с AI‑агентом выглядит так же привычно, как запуск Docker‑контейнера.
Во-первых, запрос к агенту должен быть чётким, как конфигурационный файл: без «воды», с указанием всех необходимых параметров.
Во‑вторых, любые рутинные операции, которые повторяются более одного раза в месяц, лучше зафиксировать в скрипте или в YAML‑манифесте, чтобы агент мог их выполнить без вмешательства.
### Оптимизация запросов
-
Краткость + контекст – дайте агенту только то, что нужно, и укажите, откуда берётся необходимая информация.
bash# Пример запроса в Claude‑CLI claude-cli --model claude-3-opus \ --system "You are a senior dev with 12 years of experience in Linux and Docker." \ --user "Сгенерируй Docker‑Compose файл для трёх сервисов: nginx, postgres и redis. nginx должен проксировать запросы к /api к контейнеру postgres."Обратите внимание:
- указан образ (
claude-3-opus), - заданы системные инструкции (role),
- в запросе явно перечислены сервисы и их взаимодействие.
- указан образ (
-
Используйте «‑контекст‑задача» – это проверено в affaan-m/ECC: Agent Harness Performance Optimization.
textRole: Senior Dev Context: У меня есть Docker‑Compose, в котором nginx → postgres, а postgres использует том data:/var/lib/postgresql/data. Task: Добавьте в конфиг volume для redis, чтобы данные сохранялись после перезапуска.Такой запрос экономит токены и повышает предсказуемость ответа.
-
Тестируйте запросы в песочнице – перед тем как запускать в продакшн, проверьте результат в локальном режиме.
bash# Запуск локального inference‑контейнера docker run -it --rm -v $(pwd):/work -w /work python:3.11 \ pip install -q anthropic-sdk && python - <<'PY' from anthropic import Client client = Client(api_key="YOUR_KEY") resp = client.messages.create( model="claude-3-sonnet", messages=[ {"role": "system", "content": "You are a senior dev."}, {"role": "user", "content": "Сделай скрипт, который проверяет, что порт 443 свободен, и выводит ‘OK’ или ‘ busy’."} ] ) print(resp.content[0].text) PY
### Минимизация рутинных операций
-
Шаблоны конфигураций – храните базовые файлы в репозитории и позволяйте агенту генерировать варианты «на лету».
yaml# docker-compose.yml (base) version: "3.9" services: nginx: image: nginx:alpine ports: - "80:80" volumes: - ./nginx.conf:/etc/nginx/conf.d/default.conf postgres: image: postgres:15 environment: POSTGRES_PASSWORD: example volumes: - pg_data:/var/lib/postgresql/data volumes: pg_data:При необходимости агент добавит сервис redis, изменив только раздел
services:. -
Автоматизация проверки – напишите простой скрипт, который запускает агент, проверяет его вывод и при необходимости инициирует повтор.
bash# check_agent.sh #!/usr/bin/env bash set -euo pipefail # Запрос к агенту (пример через curl) RESPONSE=$(curl -s -X POST http://localhost:8000/generate \ -H "Content-Type: application/json" \ -d '{"prompt":"Сгенерируй Ansible‑playbook, который установит fail2ban на Ubuntu 22.04."}') echo "$RESPONSE" | grep -q "playbook" && echo "✅ Playbook ready" || echo "❌ Need review"Такой подход устраняет ручной ввод и делает процесс предсказуемым.
-
Повторное использование артефактов – сохраняйте готовые конфиги, скрипты и Docker‑образы в version‑controlled хранилище.
- При изменении версии Alpine → обновляйте только
image:вdocker‑compose.yml. - При добавлении нового сервиса (например,
prometheus) – просто добавьте блок в существующий файл, а агент подскажет правильныйscrape_config.
- При изменении версии Alpine → обновляйте только
Эти приёмы позволяют превратить «ленивого» senior‑dev в эффективного автоматизатора: запросы становятся лаконичными, а рутинные операции — полностью скриптовыми. В итоге вы получаете предсказуемый результат без лишних строк кода.
Конфигурация AI‑агента
Использование klaude‑code‑plugin
Плагин klaude‑code‑plugin позволяет вызывать Claude Code из командной строки, задавать промпты и получать готовый код без ручного копирования. Он удобно встраивается в скрипты автоматизации и в workflow‑ы CI/CD.
Установка происходит через npm (или pip, если используется Python‑окружение). Пример для Node.js:
bashnpm i klaude-code-plugin
После установки можно запустить агент с простым запросом:
bashclaude code --prompt "Создай скрипт на Python, который читает лог‑файл и выводит количество ошибок за последний час."
Код будет сгенерирован сразу в терминале, а при необходимости можно сохранить его в файл:
bashclaude code --prompt "Напиши Dockerfile для приложения на Go, использующего Alpine" > Dockerfile
Для более сложных сценариев удобно хранить набор предопределённых промптов в конфигурационном файле. Пример .claudeconfig.json:
json{
"prompt": "Ты — ленивый, но опытный senior‑dev. Пиши код минимально, с комментариями только там, где это необходимо для понимания. Представь, что ты работаешь в домашней лаборатории из трёх нод Proxmox.",
"temperature": 0.2,
"max_tokens": 500
}
Запуск с указанием конфигурации:
bashclaude code --config .claudeconfig.json --prompt "Рефакторь функцию sort_numbers, сделав её предсказуемой и добавив типизацию."
AI‑агент как ленивый senior dev: код без усилий – в этой статье описаны типичные приёмы, которые использует klaude‑code‑plugin для сокращения количества строк кода.
Настройка контекстных подсказок
Контекстные подсказки — это способ задать «системный» тон и ожидания агента, чтобы его ответы были предсказуемыми и соответствовали вашему стилю работы. В klaude‑code‑plugin контекст можно передавать через файл или переменную окружения.
Создание файла контекста (например, context.yaml):
yaml# context.yaml
instructions: |
Ты — ленивый, но опытный senior‑dev, который пишет код, минимизируя количество строк и делая его предсказуемым.
При решении задачи:
1. Сначала проверь, есть ли уже готовый кусок кода в системе.
2. Если нет, предложи минимальное решение, а не полный перебор.
3. Добавь комментарии только там, где это необходимо для понимания.
4. Используй стандартные библиотеки, избегая сторонних зависимостей, если только это не требуется.
tone: calm, concise, technical
Запуск агента с этим контекстом:
bashclaude code --context ./context.yaml --prompt "Напиши Ansible‑playbook, который развертывает Nginx на Ubuntu 22.04."
Можно также задавать контекст через переменную окружения, что удобно в CI‑pipeline:
bashexport CLAUDE_CONTEXT=$(cat context.yaml)
claude code --prompt "Сгенерируй скрипт bash, который делает резервную копию директории /home/user/data и сохраняет её в TrueNAS‑стorаже."
Управление ИИ-агентами с помощью Orca – показывает, как можно объединять несколько контекстных подсказок для управления большими флотами агентов.
affaan-m/ECC: Agent Harness Performance Optimization – полезен для настройки параметров температуры и max_tokens, чтобы достичь нужного баланса между креативностью и предсказуемостью.
DietrichGebert/ponytail: AI‑agent thinking like lazy dev – примеры того, как формулировать подсказки, чтобы агент «думал как ленивый разработчик».
Практические приёмы снижения кода
Шаблоны и шаблонные запросы
Во-первых, удобно хранить готовые запросы в отдельном файле — тогда агент сразу знает, что нужно сделать, а вы не тратите время на повторяющиеся формулировки.
Пример шаблона для Claude‑Code (файл lazy-senior.prompt):
yaml# lazy-senior.prompt
version: 1
description: |
Сгенерировать Boilerplate‑код для небольшого микросервиса на Python + FastAPI.
В ответе только код и короткие пояснения, без лишних комментариев.
parameters:
service_name: "user_service"
db_type: "postgresql"
auth_provider: "jwt"
output:
- main.py
- requirements.txt
- Dockerfile
Запрос выглядит так:
#lazy-senior.prompt service_name=orders db_type=postgresql auth_provider=jwt
Агент подставит значения, сгенерирует файлы и сразу покажет их содержимое.
Как использовать в Docker‑Compose (пример docker-compose.yml):
yamlversion: "3.9"
services:
ai-agent:
image: ghcr.io/claude/code-plugin:latest
volumes:
- ./:/work
command: ["--prompt", "/work/lazy-senior.prompt", "--service_name", "orders"]
Эти шаблоны можно копировать из уже опубликованных статей:
- AI‑агент как ленивый senior dev: код без усилий
- affaan-m/ECC: Agent Harness Performance Optimization
Автоматизация типовых задач
С практической точки зрения лучшая «ленивость» — это автоматизировать то, что повторяется реже всего. Ниже несколько проверенных приёмов, которые я использую в своей лаборатории.
1. Автогенерация миграций через docker run
bash# Запуск контейнера, который создаст миграцию для PostgreSQL
docker run --rm \
-v $(pwd)/migrations:/app/migrations \
-e DB_URL=postgresql://user:pass@db:5432/app \
ghcr.io/yourorg/db-migrate:latest \
--create --name init_schema
Контейнер читает DB_URL, подключается к базе и генерирует файл миграции в каталоге migrations. После выполнения можно сразу выполнить docker compose up -d и миграция поднимется без ручных шагов.
2. Systemd‑таймер для периодической проверки «ленивых» задач
/etc/systemd/system/check-lazy-tasks.service
ini[Unit]
Description=Проверка задач, требующих периодического запуска
[Service]
Type=oneshot
ExecStart=/usr/local/bin/check_lazy_tasks.sh
/etc/systemd/system/check-lazy-tasks.timer
ini[Unit]
Description=Запуск проверки каждые 6 часов
[Timer]
OnCalendar=*-*-* 02:00:00
Persistent=true
[Install]
WantedBy=timers.target
bash# check_lazy_tasks.sh
#!/usr/bin/env bash
# Пример: проверка, не запустился ли Plex более 24 ч
if ! systemctl is-active --quiet plexmediaserver; then
echo "$(date) – Plex не запущен, инициируем автозапуск" | systemd-cat -t lazy-tasks
systemctl start plexmediaserver
fi
После systemctl enable --now check-lazy-tasks.timer задача будет выполняться автоматически, а вы — лишь получаете уведомление в journalctl.
3. Ansible‑playbook для «одноразовых» конфигураций
yaml# playbook.yml
- name: Подготовка окружения для AI‑агента
hosts: localhost
become: true
tasks:
- name: Установить зависимости
apt:
name:
- python3-pip
- git
- jq
state: present
update_cache: yes
- name: Склонировать репозиторий с шаблонами
git:
repo: https://github.com/yourorg/ai-agent-templates.git
dest: /opt/ai-agent
version: main
- name: Запустить генерацию кода
command: /opt/ai-agent/generate_code.sh
environment:
SERVICE_NAME: orders
DB_TYPE: postgresql
AUTH_PROVIDER: jwt
Запуск ansible-playbook -i localhost, playbook.yml создаст всё необходимое за один проход, а вы сможете сосредоточиться на более важных вопросах.
Итого:
- Храните готовые запросы в файлах — это экономит время и делает процесс предсказуемым.
- Автоматизируйте повторяющиеся операции через Docker, systemd‑таймеры и Ansible — тогда ваш «ленивый» агент будет работать без вмешательства.
Если хотите подробнее узнать о управлении fleet‑агентами, см. Управление fleet-агентами разработки с Orca.
Часто задаваемые вопросы
Нужно ли передавать агенту весь проект целиком?
С практической точки зрения, передача всего репозитория часто приводит к избыточному потреблению токенов и потере фокуса. Лучше предоставлять только те файлы, которые напрямую относятся к задаче: например, конкретный docker-compose.yml или конфигурацию nginx.conf. Если вы дадите агенту только необходимый контекст, результат будет более предсказуемым, а риск галлюцинаций снизится.
Как избежать ситуации, когда агент пишет слишком много лишнего кода?
Чтобы агент не превращался в «кодинг-машину», которая плодит сущности, используйте принцип минимально необходимого действия. В системных инструкциях (system prompt) явно прописывайте: «Пиши только изменения, необходимые для решения задачи, избегай рефакторинга кода, который не затрагивает текущую проблему». Это позволит вам получать чистые диффы, которые легко проверить и внедрить.
Можно ли доверять агенту автоматическое изменение конфигурационных файлов?
Я всегда придерживаюсь правила: агент может подготовить изменения, но не может самостоятельно применять их к работающей системе. Сначала проверьте сгенерированный конфиг или скрипт вручную, убедитесь, что синтаксис корректен, и только после этого запускайте деплой. Предсказуемость инфраструктуры строится на том, что каждый шаг изменения состояния системы проходит через контроль человека.
Как сделать работу агента более стабильной при повторных запросах?
Для достижения стабильности результатов используйте декларативный подход, похожий на работу с Ansible или Terraform. Вместо того чтобы просить «исправь ошибку в конфиге», описывайте желаемое конечное состояние: «Конфигурация должна содержать проброс порта 8080 и использовать образ версии 1.25». Если вы зафиксируете параметры задачи в виде четкого манифеста, агент будет выдавать идентичные решения при каждом запуске.