Эра агентной инженерии: почему «vibe coding» не масштабируется
Разработка ПО меняется: написание кода стремительно автоматизируется ИИ. Однако те, кто ожидал десятикратного роста эффективности бизнеса, столкнулись с реальностью: скорость выпуска продуктов упирается в прежние ограничения. Секрет кроется в жизненном цикле разработки ПО — SDLC (Software Development Lifecycle). Это полный путь от сбора требований (спецификации) и проектирования архитектуры до написания кода, тестирования, ревью, деплоя (развертывания) и поддержки. ИИ сжал только написание кода, но не отменил интеллектуальную работу до и после него. В результате команды получают лавину сгенерированного кода, которая разбивается о медленные ручные проверки. Для преодоления этого разрыва индустрия переходит к строгой агентной инженерии.
Спектр автоматизации: от хаоса к инженерной дисциплине
В руководстве Google «The New SDLC With Vibe Coding» (авторы: Адди Османи, Шубхам Сабу, Сократис Картакис) на Kaggle эволюция ИИ-разработки представлена как спектр из трех этапов:
| Параметр | Vibe Coding (Кодинг на вайбе) | Structured AI-Assisted | Agentic Engineering (Агентная инженерия) |
|---|---|---|---|
| Спецификация | Неформальный короткий промпт | Краткие требования | Формальная спецификация как код |
| Тестирование | Ручная проверка «вроде работает» | Выборочные проверки | Автоматические тесты, evals и LLM-судьи |
| Архитектура | Пишется спонтанно | Дисциплина файлов | Разделение ролей и модулей |
| Интеграция | Локальная ручная сборка | Ручной перенос | Автоматические CI/CD-ворота и песочницы |
«Vibe coding» хорош для быстрых экспериментов. Но когда код влияет на реальных клиентов, безопасность или финансы, этот подход опасен. Бизнесу требуется предсказуемость агентной инженерии.
Формула «Агент = Модель + Обвязка»
Сама языковая модель (LLM) составляет не более 10% успеха готовой системы. Остальные 90% приходятся на Harness (обвязку или каркас) — защитную и функциональную инфраструктуру вокруг ИИ-модели. Зрелая обвязка включает в себя:
- Глобальные правила проекта (стандарты оформления кода и архитектурные гайдлайны).
- Инструменты и MCP-серверы (протокол Model Context Protocol, дающий агенту доступ к файлам, базам данных и внешним API).
- Безопасные песочницы (Sandboxes) для изолированного выполнения кода.
- Системы наблюдаемости (Observability) для мониторинга действий агента.
- Автоматические сценарии оценки (Evals), проверяющие результат на соответствие критериям.
- Механизмы управления памятью и сессиями, позволяющие сохранять контекст при длительной работе.
Благодаря обвязке разработчик переходит из роли «дирижера» (conductor), пошагово диктующего ИИ каждую строчку кода, в роль «оркестратора» (orchestrator), который проектирует фабрику автономных агентов и настраивает автоматические обратные связи.
Контекст-инжиниринг и токеномика: CapEx против OpEx
Управление контекстом — ключевой навык инженера. Контекст делится на два типа:
- Статический контекст: правила, системные промпты и стандарты, загружаемые при каждом запуске. Они надежны, но занимают много места в контекстном окне.
- Динамический контекст: информация, подгружаемая по запросу с помощью RAG (Retrieval-Augmented Generation — метода дополнения ответов ИИ данными из внешних баз через семантический поиск) или контекстной маршрутизации.
Здесь вступает в силу экономика токенов, которую можно описать через метафору капитальных затрат (CapEx) и операционных расходов (OpEx). Проектирование сложной обвязки, написание тестов и настройка CI/CD — это CapEx (капитальные вложения на старте). Они требуют времени инженера. Однако эти вложения окупаются за счет снижения OpEx (операционных расходов) при эксплуатации. Агент с надежной обвязкой совершает меньше холостых запросов, не блуждает в галлюцинациях и реже ошибается. Каждая ошибка агента должна приводить к улучшению всей обвязки.
Практический разбор: архитектура минималистичного агента Tau
Для глубокого понимания обвязок полезно разобрать проект с открытым кодом Tau от Alejandro AO. Это консольный ИИ-ассистент на Python, демонстрирующий правильное разделение ответственности в агентных системах. Архитектура Tau состоит из трех слоев:
- Tau AI: адаптер моделей, объединяющий работу с различными API и отвечающий за передачу мыслей.
- Tau Agent: ядро системы, содержащее stateless-петлю (cycle выполнения задач, который принимает историю сообщений, вызывает модель, выполняет инструменты и возвращает результаты, не сохраняя состояние после завершения) и stateful-сессию (слой управления сессиями, который сохраняет историю диалога и контекст).
- Tau Coding: консольное приложение, которое определяет промпты, подключает локальные инструменты для работы с файлами и отрисовывает интерактивный текстовый интерфейс (TUI) на базе библиотеки Textual.
Интерфейс Tau визуализирует работу обвязки: на экране отображаются выбранный провайдер, режим рассуждений, доступные инструменты, размер контекстного окна, а также подробный лог выполнения системных команд (tool output) и токенов рассуждения (thinking tokens).
Пошаговое руководство: как развернуть и настроить Tau
Ниже описан процесс настройки и тестирования окружения на базе Tau в терминале.
Шаг 1. Установка окружения и утилиты
Установите Tau через менеджер пакетов uv:
uv tool install git+https://github.com/alejandro-ao/tau.git
Для проверки успешности установки запросите версию утилиты:
tau --version
Шаг 2. Настройка провайдера и авторизация
Запустите интерфейс командой tau и настройте провайдер через /login openai.
Введите API-ключ (сохраняется в ~/.tau/credentials.json). Метаданные пишутся в ~/.tau/providers.json. Для выхода введите /logout.
Шаг 3. Запуск локальной модели (альтернативный вариант) Для полной приватности можно настроить работу с локальным сервером (например, Ollama):
tau --provider local --base-url http://localhost:11434/v1 --api-key-env LOCAL_API_KEY --model qwen setup
Установите переменную окружения с фиктивным ключом и запустите агента:
export LOCAL_API_KEY="local-bypass"
tau --provider local
Шаг 4. Управление сессией и командами в TUI В процессе работы доступны горячие клавиши для управления обвязкой:
Shift+Tab— переключение режима отображения рассуждений модели (thinking mode);Ctrl+T— статистика расхода токенов;Ctrl+O— лог выполнения инструментов;Ctrl+R— переключение между сохраненными сессиями.
Для управления контекстом используйте slash-команды:
/resume [session-id]— восстановление сессии из каталога~/.tau/sessions/;/compact— принудительное сжатие истории сообщений для очистки контекстного окна;/export --format html /path/to/destination— экспорт лога работы в HTML.
Шаг 5. Запуск тестов и верификация
При изменении кода агента или создании новых навыков в ~/.tau/skills/ запустите проверку качества:
uv run pytest
uv run ruff check .
uv run ruff format --check .
uv run mypy
!IMPORTANTПравило безопасности при работе с терминальными агентами: Предоставляя агенту доступ к инструментам запуска bash-команд, всегда ограничивайте его рабочую директорию с помощью флага
--cwd(например,tau --cwd /home/user/project/sandbox). Никогда не демонстрируйте агенту в процессе записи сессий реальные пароли, приватные ключи или токены доступа. Помните, что запуск непроверенных скриптов в вашей системе может привести к потере данных.
Лимиты автономии и контроль рисков
Развитие агентных систем открывает ошеломляющие перспективы. В индустрии уже зафиксированы эксперименты с длинным горизонтом планирования, когда агенты работали автономно в течение многих дней. Например, в одном из тестов агент, получивший простую задачу по созданию полнофункционального клона табличного процессора Excel с нуля, непрерывно анализировал ошибки, переписывал код и тестировал интерфейс на протяжении более 12 дней, пока не был остановлен вручную. Итоговое приложение получило работающие формулы, сортировку и форматирование колонок.
Однако этот пример иллюстрирует и главную опасность бесконтрольной автономии. Чем дольше агент работает без участия человека, тем выше риск накопления ошибок (drift), бесконечных циклов отладки и лавинообразного сжигания бюджета на API-токены.
Решением является не отказ от автоматизации, а проектирование жестких внешних рамок. Каждая автономная сессия должна иметь строгие лимиты по стоимости токенов, максимальному числу шагов и времени выполнения. Агентная инженерия доказывает: свобода действий искусственного интеллекта эффективна только тогда, когда она ограничена безупречно спроектированной человеческой дисциплиной.