Разговор об ИИ-агентах в разработке часто сводится к двум крайностям: одни ждут, что агенты заменят программистов, другие считают это очередной волной хайпа. Реальность устроена иначе — агентный подход отличается от предыдущих инструментов, но не так радикально, как принято думать.
История ИИ-инструментов для разработки прошла несколько этапов. Сначала появился GitHub Copilot — автодополнение, которое ускоряло написание типового кода. Ранние исследования GitHub и Microsoft показывали реальный прирост скорости на знакомых задачах. Затем возник так называемый vibe coding: разработчик описывает желаемый результат на естественном языке, модель генерирует код. Порог входа снизился, но быстро стало понятно, что сгенерировать код и поддерживать его — принципиально разные задачи. Агентный подход — следующий шаг в этой цепочке.
| Критерий | Cursor | Claude Code |
|---|---|---|
| Тип инструмента | AI-IDE на базе VS Code | Агентный инструмент (CLI, IDE, веб) |
| Основной сценарий | Работа с кодом внутри редактора | Выполнение задачи целиком |
| Принцип работы | Помогает по ходу редактирования кода | Разбирает задачу на шаги и выполняет их |
| Роль разработчика | Вносит правки и принимает изменения | Формулирует задачу и контролирует результат |
| Уровень автономности | Низкий — средний (все изменения подтверждаются) | Средний — высокий (может действовать самостоятельно) |
| Работа с кодом | Точечные правки, навигация, рефакторинг | Многофайловые изменения, комплексные задачи |
| Работа с окружением | Ограничена (без запуска тестов и скриптов) | Есть (запуск тестов, работа с CLI и логами) |
| Контекст проекта | Ограничен выбранными файлами | Лучше удерживает большой объём контекста за счёт больших context window (до 200 тыс. токенов) |
| Скорость | Быстрый в повседневных задачах | Медленнее, но глубже прорабатывает задачу |
| Порог входа | Низкий (знакомый интерфейс редактора) | Выше (нужно понимать, как ставить задачи агенту) |
| Когда использовать | Ежедневная разработка, правки, разбор кода | Сложные задачи, автоматизация, работа с проектом целиком |
Главное отличие агента от ассистента — в том, что он не ограничивается ответом на конкретный запрос. Ассистент объясняет код или предлагает решение для отдельного фрагмента. Агент получает задачу целиком, сам разбивает её на шаги, подключает инструменты и проходит весь путь до рабочего результата. Вместо запроса «напиши функцию валидации» можно описать новую логику для проекта — агент найдёт нужные файлы, предложит правки, запустит проверки и покажет результат. При необходимости он перепроверит решение и доработает его в несколько итераций.
Cursor — редактор на базе VS Code, использующий семантический поиск и векторную базу данных для поиска релевантного контекста в проекте.
Cursor — один из наиболее показательных примеров того, как агентный подход реализуется на практике. Это редактор кода на базе VS Code со встроенным ИИ-ассистентом. Технически Cursor не является полноценным агентом, но демонстрирует ключевые элементы агентного поведения. В отличие от внешних чат-инструментов, здесь не нужно переключаться между окнами или копировать фрагменты кода вручную — всё происходит внутри редактора.
Под капотом Cursor использует несколько механизмов. При работе с проектом редактор разбивает код на небольшие фрагменты — функции или логические блоки — и строит для них embeddings, числовые представления, отражающие смысл кода. На их основе работает векторная база данных внутри IDE. Это позволяет искать не только по текстовому совпадению, но и по значению: например, найти все места обработки ошибок, даже если названия функций отличаются. Когда поступает запрос, Cursor собирает релевантный контекст — текущий файл, связанные файлы по импортам и вызовам, дополнительные фрагменты через семантический поиск — и передаёт его в модель. Весь этот процесс называется retrieval.
Собственной языковой модели у Cursor нет: редактор работает поверх внешних LLM от OpenAI и Anthropic, между которыми можно переключаться в настройках. Cursor отвечает за оркестрацию — решает, какие данные передать в модель и как применить результат обратно в код. Изменения показываются разработчику в виде diff и не применяются автоматически. Этот принцип называется human-in-the-loop: ответственность за результат остаётся на человеке.
LLM-модели имеют context window — максимальный объём данных, который они обрабатывают за один запрос. Поэтому Cursor всегда работает с частью проекта, а не со всей кодовой базой одновременно. Это одно из ключевых ограничений, которое важно учитывать при работе с крупными проектами.
На более сложном уровне агентная идея развивается в мультиагентные системы: несколько агентов берут на себя разные роли — один пишет код, другой ревьюит, третий ищет потенциальные уязвимости. Такой подход называют agentic engineering — проектирование системы, в которой ИИ-агенты становятся отдельными компонентами рабочего процесса, аналогично микросервисам, но с LLM внутри цикла принятия решений. Пока это скорее новая практика, чем устоявшийся стандарт, но она задаёт направление, в котором движется отрасль.
Практически Cursor лучше всего подходит для работы с уже существующим кодом: изменения в логике, рефакторинг, разбор чужого или старого кода, точечные правки и быстрая проверка гипотез. Инструмент не берёт задачу на себя целиком и не заменяет инженерный процесс — он снижает стоимость рутинных операций и уменьшает риск пропустить связанные зависимости при изменениях.
