48:33
Как подготовить проект и окружение к агентной разработке Кирилл Мокевнин Hexlet
HighLoad Channel
Overview
В этом докладе Кирилл Мокевнин рассказывает о подготовке проектов и окружения к агентной разработке. Он подчеркивает важность использования таких инструментов, как Makefiles, для структурирования команд и облегчения работы ИИ-агентов. Обсуждаются различные ИИ-агенты, их стоимость и особенности использования, а также необходимость адаптации проектов под их возможности. Особое внимание уделяется инструментам для совместной работы, таким как Skills и плагины, и их влиянию на повышение эффективности разработки. Докладчик делится практическими советами и хаками, основанными на многолетнем опыте, и прогнозирует дальнейшее развитие этой области.
How was this?
Save this permanently with flashcards, quizzes, and AI chat
Chapters
- Вводный доклад о подготовке проектов к агентной разработке.
- Опрос аудитории для определения уровня знакомства с темой.
- Наблюдается рост числа людей, не пишущих код вручную.
- Обсуждение использования внутренних систем или облачных сервисов (Claude, CodeX).
Понимание текущего уровня осведомленности аудитории помогает адаптировать подачу материала и сделать его максимально полезным для слушателей.
Опрос о том, кто не пишет код руками, показал, что таких около 30-40%.
- Начинаем с Makefiles, хотя это может показаться неожиданным.
- Makefiles — это просто раннеры для выполнения команд, а не только для компиляции.
- Использование Makefiles упрощает описание старта, сборки и работы с проектом.
- Стандартный набор команд (make setup, make test, make start) делает проект понятным для ИИ-агентов.
Makefiles предоставляют структурированный способ описания команд проекта, что значительно облегчает ИИ-агентам понимание и взаимодействие с кодовой базой.
Наличие стандартных команд `make setup`, `make test`, `make start` в любом проекте.
- Существует множество ИИ-агентов: Claude, CodeX, Cursor и другие.
- Стоимость использования API может сильно различаться (например, через OpenAI API vs. прямая подписка Claude).
- Антропик (Claude) имеет свою экосистему, и использование через сторонние сервисы может быть дороже или ограничено.
- Для серьезной работы с моделями часто требуется прямая подписка на сервис разработчика.
Понимание ценовой политики и особенностей различных ИИ-агентов помогает выбрать наиболее экономичное и эффективное решение для конкретных задач.
Пример, когда один разработчик потратил 5000 долларов на Claude за месяц, а другой — 100 долларов, используя прямую подписку.
- Использование AgentMD или ClaudeMD для описания проекта.
- Проблема: Антропик не принимает общие стандарты AgentMD.
- Решение: Создание симлинков (символических ссылок) на AgentMD и ClaudeMD для кросс-платформенной совместимости.
- Регулярное обновление AgentMD-файлов, так как инструменты генерации улучшаются.
Создание симлинков обеспечивает совместимость описания проекта с различными ИИ-системами, что упрощает работу команды.
Создание симлинков на AgentMD и ClaudeMD, чтобы проект был понятен обеим системам.
- Скорость изменений в открытом рынке ИИ-инструментов сумасшедшая.
- Крупные компании (Сбер, Яндекс) разрабатывают собственные фреймворки, но открытый рынок развивается быстрее.
- Собственные разработки могут стать тормозом из-за сложности поддержки и отставания от трендов.
- Рекомендация использовать open-source решения, так как они быстрее развиваются.
Понимание высокой скорости развития ИИ-технологий помогает принимать решения о выборе инструментов и избегать создания избыточно сложных внутренних систем.
Докладчик вынужден был менять слайды своего выступления за несколько дней до конференции из-за стремительных изменений в технологиях.
- Важность фиксации версий зависимостей (например, React, Mantine) для ИИ-агентов.
- ИИ-агенты по умолчанию могут брать неактуальные версии, что требует ручной корректировки.
- Большой контекст не всегда означает лучшее понимание: важно подавать релевантные данные.
- Подготовка проекта — это обучение ИИ находить нужные куски кода, а не загрузка всего проекта целиком.
Фиксация версий и правильная подготовка контекста позволяют ИИ-агентам работать точнее и эффективнее, избегая ошибок.
Пример, когда ИИ берет версию React 'минус один', если версия не зафиксирована.
- Необходимость установки минимального набора командных утилит (JQ, RG) и MCP.
- MCP удобны для корпоративного использования и интеграции с инструментами (например, GitHub Actions).
- Командные утилиты могут быть эффективнее для локальной разработки.
- Chrome DevTools и Playwright — примеры инструментов, требующих интеграции с MCP.
Правильный выбор и настройка командных утилит и MCP значительно повышают эффективность взаимодействия разработчиков и ИИ-агентов.
Корпоративный Claude с настроенными коннекторами (MCP) для всех сотрудников, в отличие от необходимости установки командных утилит для нетехнических специалистов.
- Для ИИ критически важна способность автоматической верификации кода.
- Динамические языки программирования требуют особого внимания к типизации для ИИ.
- Агент должен уметь запускать тесты, линтеры, проверять логи и выполнять код без тестов.
- Хороший агент в плане выполнения задачи описывает, как он будет проверять свои шаги.
Автоматическая верификация кода — ключевой фактор, определяющий качество и надежность решений, генерируемых ИИ-агентами.
Пример, когда агент подробно описывает свои шаги проверки: запуск тестов, линтеров, интеграционных тестов и т.д.
- Skills — это workflow-процессы, которые ИИ-агент может выполнять.
- Не все процессы стоит выносить в Skills (например, постоянные задачи).
- Примеры Skills: SEO-анализ, анализ производительности фронтенда, интернационализация (i18n).
- Рекомендуется использовать официальные Skills от разработчиков моделей и популярные решения, такие как Skills.sh от Vercel.
Skills позволяют ИИ-агентам выполнять сложные, многошаговые задачи, автоматизируя специфические рабочие процессы.
Skill для анализа производительности React-приложения или Skill для разбора Pull Request на GitHub.
- Grill.me — популярный Skill для глубокого опроса пользователя перед началом работы.
- Domain Modeling — процесс создания онтологии проекта на основе текстов и кода.
- Grill.me с Domain Modeling помогает выявить и структурировать понятия проекта.
- Результат — создание документации (ADR - Architecture Decision Records) и улучшение понимания системы.
Инструменты вроде Grill.me и Domain Modeling помогают ИИ глубже понимать проект и создавать более качественные решения, а также документировать принятые решения.
Grill.me, основанный на созданной онтологии, задает уточняющие вопросы о фиче, сопоставляя их с тикетом и существующими данными.
Key takeaways
- Структурирование проекта с помощью Makefiles и четких команд — основа для эффективной работы ИИ-агентов.
- Выбор ИИ-агента должен учитывать не только его возможности, но и стоимость использования API.
- Симлинки на AgentMD и ClaudeMD обеспечивают кросс-платформенную совместимость описания проекта.
- Адаптация проекта под паттерны, на которых обучалась модель, эффективнее, чем попытка описать все детали.
- Автоматическая верификация кода (тесты, линтеры) — критически важный компонент для надежной работы ИИ.
- Skills позволяют автоматизировать сложные рабочие процессы, такие как анализ производительности или ревью кода.
- Инструменты вроде Grill.me и Domain Modeling помогают ИИ глубже понимать проект и документировать решения.
Key terms
Agent DevelopmentMakefilesClaudeCodeXCursorAgentMDClaudeMDSymlinksMCP (Model-Specific Capabilities)SkillsGrill.meDomain ModelingADR (Architecture Decision Records)Context WindowAutomatic Verification
Test your understanding
- Почему использование Makefiles может упростить подготовку проекта к агентной разработке?
- Какие основные проблемы могут возникнуть при выборе ИИ-агента, и как их можно решить?
- Каким образом симлинки на AgentMD и ClaudeMD помогают в кросс-платформенной работе с ИИ?
- Почему автоматическая верификация кода является критически важной для ИИ-агентов?
- Как Skills и Domain Modeling с помощью инструментов вроде Grill.me улучшают процесс разработки?