AI-разработка: от идеи продукта до проверенной реализации
AI Coding Workflow: From Product Idea to Tested Implementation
Агенты для кодинга дают предсказуемый результат, когда работа с ними держится на основах инженерии: выровненные требования, задачи с быстрой обратной связью, TDD и глубокие модули.
- Выравнивание вместо спецификации — сессия Grill Me задаёт вопросы по одному, каждый с рекомендуемым ответом, пока человек и агент не придут к общему пониманию. После этого спикер не читает сгенерированный PRD и проверяет результат и код.
- Вертикальные срезы вместо слоёв — ИИ по умолчанию пишет слой за слоем и получает обратную связь только в конце. Задачи tracer bullets проходят через все слои сразу, а зависимости между ними оформляются как Kanban-доска, по которой агентов можно запускать параллельно.
- Ревью в чистом контексте — по оценке спикера, качество модели падает примерно после 100k токенов, поэтому ревью лучше делать в новой сессии, а не в той, где написан код.
- Sandcastle для параллельных агентов — TypeScript-библиотека создаёт git worktree и запускает агента в Docker-песочнице. Реализатор на Sonnet пишет код, ревьюер на Opus проверяет его по стандартам, которые передаются ему напрямую.
Кому полезно: тем, кто запускает агентов для кодинга на существующей кодовой базе и разбивает фичи на задачи для них.
Статья по теме
На какие вопросы отвечает доклад
Почему качество ответов агента падает в длинной сессии и когда начинать новый контекст?
По словам спикера, модель работает лучше всего в начале сессии, а примерно после 100k токенов начинает «глупеть». Он советует держать задачи небольшими и следить за счётчиком токенов в статусной строке.
▶ 2:13Умная зонаКак заставить агента уточнить требования до того, как он начнёт писать код?
Спикер использует навык Grill Me: агент задаёт вопросы по одному, к каждому даёт рекомендованный ответ, пока не появится общее понимание. По его опыту такие сессии занимают до часа и идут десятками вопросов.
▶ 12:16Сессия прожаркиКак разбить большую фичу на задачи, которые агенты смогут делать параллельно?
Спикер режет работу на вертикальные срезы (tracer bullets), где каждый срез проходит все слои от схемы до интерфейса. Задачи с блокирующими связями на канбан-доске показывают, что можно делать параллельно.
▶ 39:37Вертикальные срезыКак запускать агентов для кодинга без присмотра и не дать им жульничать в тестах?
Спикер гоняет агента циклом (Ralph loop) в Docker-песочнице, по одной задаче за раз. Тесты пишутся по TDD: сначала падающий тест, потом реализация, поэтому агенту сложнее подогнать тесты под готовый код.
▶ 53:52AFK-агентКак сделать кодовую базу понятной агентам и простой для тестов?
Спикер предлагает глубокие модули: простой интерфейс и много логики внутри, их проще покрыть тестами одной границей. Навык improve codebase architecture сканирует репозиторий и предлагает, где углубить модули.
▶ 1:13:54Глубокие модулиПочему ревью кода агентом в том же контексте, что и реализация, работает хуже?
Ревью в контексте, забитом реализацией, идёт в «глупой зоне», и ревьюер слабее исполнителя. Спикер очищает контекст перед ревью и передаёт ревьюеру стандарты кодирования вместе с кодом.
▶ 53:52AFK-агент
Главы
Ещё доклады: Matt Pocock
Все 5 докладов →Похожие доклады
Основы разработки ПО важны как никогда
AI Engineer Europe 2026
Тот же спикер: Matt Pocock
Создание устойчивых agents с помощью Workflow DevKit и AI SDK
AI Engineer Code 2025
Близко по содержанию
За пределами прототипа: как писать качественный код с помощью ИИ
AI Engineer World's Fair 2025
Близко по содержанию

