В декабре разработчик с шестилетним стажем, последние три года работающий в одиночку, начал эксперимент по внедрению ИИ-агентов в свой процесс. Его опыт, опубликованный на Habr, описывает эволюцию от простых чат-ботов до конвейера из 14 агентов на базе трех языковых моделей: Claude Sonnet, DeepSeek Pro и Gemini. За восемь месяцев он сократил время на типовую фичу с двух недель до двух-трех часов, но столкнулся с проблемами синхронизации контекста и ручной постановки задач.
На старте, в декабре, автор использовал нейросети как обычные чат-интерфейсы: писал запрос, получал код, копировал в редактор. Это работало для мелких задач, но как только задача вырастала до «добавить фичу с новым эндпоинтом и фильтром на фронтенде», чат не справлялся с контекстом — к четвертому-пятому запросу модель забывала, что мы делаем. Урок декабря: чат-интерфейс — тупик для системной разработки, нужен инструмент, который видит проект и держит контекст.
| Месяц | Конфигурация | Результат |
|---|---|---|
| Декабрь | Чат-боты | Не справлялись с контекстом |
| Январь | OpenCode CLI, 1 агент | Мелкие задачи за минуты |
| Февраль | 2 агента (бэкендер, тестировщик) | Фича за 2-3 часа вместо 2 недель |
| Март | 2 агента, сложные задачи | Сбои синхронизации |
| К 8 месяцу | 14 агентов, 3 модели | Проблемы синхронизации контекста |
В январе автор запустил OpenCode CLI со стандартным агентом. Простейшая цепочка «получи задачу → сгенерируй код → положи в файл» работала на одном репозитории: мелкие задачи вроде «поправить тест» или «добавить поле в модель» закрывались за минуты. Появилось ощущение эйфории, но автор предупреждает: это иллюзия, которая быстро разбивается при усложнении задач.
В январе запустил OpenCode CLI с одним агентом, к февралю — два агента (бэкендер и тестировщик) на Claude.
К февралю автор собрал прототип с двумя агентами: бэкендером и тестировщиком. Процесс оставался ручным: он заводил задачу в Jira, описывал её, а затем вручную переносил описание как запрос для агента. Несмотря на это, средняя фича стала закрываться за два-три часа вместо пары недель. Под капотом — все тот же OpenCode CLI и Claude через Perplexity. Автор выбрал Claude, потому что теорию брал у Anthropic и поддался хайпу вокруг моделей семейства.
В марте сложность задач выросла, и версия конвейера на двух агентах, полностью завязанная на нейросеть, начала давать сбои. Проверка контрактов, синхронизация типов между бэкендом и фронтендом, отслеживание состояния между агентами — все это требовало ручного вмешательства. Автор пришел к выводу, что нейронки не должны синхронизировать: для этого нужны детерминированные инструменты, а не ИИ.
К восьмому месяцу конвейер разросся до 14 агентов, но главной проблемой осталась синхронизация контекста между репозиториями. Автор признает: «Нет ничего более беспомощного, безответственного и испорченного, чем агент, потерявшийся между бэкендом и фронтендом». Он советует начинающим не гнаться за сложной архитектурой, а начать с двух агентов и одной модели, пока задачи небольшие.
Опыт автора — часть тренда Tiny Teams, когда небольшие команды или одиночки используют ИИ-агентов для расширения своих возможностей. Подобные эксперименты описывают и в Anthropic, и в OpenAI, которые публикуют рекомендации по построению эффективных агентов. Однако автор подчеркивает: автоматизация не снимает необходимость в ручной постановке задач и контроле, а эйфория от первых успехов быстро проходит, когда сталкиваешься с реальной сложностью.
