В новом интервью на канале Дэвида Ондрея эксперт по TypeScript Мэтт Покок представляет концепцию «агентной инженерии» и объясняет, почему большинство разработчиков фокусируются не на тех вещах. По мнению гостя, эра написания кода вручную подошла к концу, и теперь ключевым навыком становится умение проектировать «обвязку» (harness) для ИИ-агентов, а не простое использование самых мощных моделей.
🧠 Стратегическое программирование против тактического 0:53
Мэтт Покок, ссылаясь на книгу Джона Остераута «Философия проектирования программного обеспечения», разделяет программирование на два типа: тактическое и стратегическое .
- Тактическое программирование — это повседневная работа с синтаксисом, написание коммитов и исправление мелких багов «здесь и сейчас». По словам гостя, ИИ уже «съел» эту область, так как делает эту работу дешевле и быстрее человека .
- Стратегическое программирование — это долгосрочное планирование, проектирование архитектуры и поиск способов увеличения скорости разработки (velocity) всей команды .
Мэтт утверждает, что навыки опытных разработчиков (senior) теперь являются «потолком» для возможностей ИИ. Если уровень знаний человека низок, ИИ не сможет прыгнуть выше этой планки. Для опытных инженеров ИИ становится множителем силы (multiplier), увеличивая их продуктивность в 10 раз, тогда как новички (juniors) получают лишь незначительный прирост . Собеседники сошлись во мнении, что компаниям становится всё менее выгодно нанимать джуниоров, которые не владеют инструментами ИИ на высоком уровне .
🎓 Навык «Teach»: как ИИ превращается в персонального ментора 5:52
Мэтт Покок продемонстрировал работу своего нового инструмента — навыка Teach, который он добавил в свой популярный репозиторий skills на GitHub . Имея 10-летний опыт преподавания, Мэтт заложил в этот инструмент педагогические принципы, такие как «зона ближайшего развития» .
В ходе демонстрации Мэтт показал, как ИИ помогает «вайб-кодеру» (человеку, который пишет код интуитивно, без глубоких знаний) освоить основы инженерии . Процесс обучения выглядит следующим образом:
- Определение миссии. ИИ не просто выдает теорию, а спрашивает, какой проект хочет создать ученик. В примере это было приложение для расписания занятий вокалом .
- Создание локальной среды. Навык работает в локальной директории, сохраняя состояние (stateful skill) и помня прогресс ученика .
- Интерактивные уроки. ИИ генерирует HTML-файлы с теорией и практическими упражнениями, которые можно открыть в браузере .
- Проверка знаний. Урок включает квизы (например, по командам Git), которые, по мнению Мэтта, крайне эффективны для закрепления материала в памяти .
С помощью этого инструмента сам Мэтт научился собирать кубик Рубика по памяти .
🛠️ Процедуры против способностей: архитектура навыков 17:04
Обсуждая, что отличает хороший навык для агента от плохого, Мэтт выделил две категории :
- Способности (Abilities). Это инструкции, которые модель вызывает сама по мере необходимости (например, стандарты написания React-кода). Минус в том, что описание каждой способности «протекает» в контекстное окно ИИ, забивая его .
- Процедуры (Procedures). Это инструменты, которые пользователь вызывает вручную для определенного поведения модели.
Мэтт предпочитает процедуры, так как хочет сохранять контроль над процессом разработки и не делегировать мышление полностью . Одним из самых эффективных он считает навык Grill Me («Допроси меня») . Он превращает ИИ в «агрессивного интервьюера», который задает уточняющие вопросы по архитектуре до тех пор, пока у человека и агента не возникнет общего глубокого понимания задачи .
🏎️ Модель — это только двигатель, а не вся машина 27:31
Одной из самых спорных и интересных мыслей Мэтта Покока стала аналогия с Формулой-1 . По его мнению, все одержимы «двигателем» (самой моделью ИИ, будь то GPT-4 или Claude 3.5 Sonnet/Fable), забывая о «шасси» и «обвязке» (harness) .
Ключевые тезисы Мэтта о рабочем процессе:
- Качество кодовой базы. Если архитектура проекта чистая, можно использовать более «глупую» и дешевую модель для выполнения задач . Плохой код требует только самых мощных и дорогих моделей.
- Игнорирование хайпа. Мэтт предпочитает ждать около месяца после выхода новых моделей (как это было с Fable), прежде чем внедрять их, чтобы увидеть реальные результаты, а не маркетинговый шум .
- Принципы важнее инструментов. Принципы хорошего ПО не менялись десятилетиями, и именно они позволяют экономить на токенах .
Дэвид Ондрей возразил, что новая модель Fable (Claude 3.5) позволила ему решить задачу с багом в Twitter API простым нажатием кнопок в браузере Cursor, что раньше требовало гораздо большего участия человека . Мэтт, однако, настаивает, что ценность разработчика не в кликах, а в конечном аудите безопасности и понимании того, «почему это было сделано именно так» .
⛓️ Очереди вместо циклов: критика «агентных петель» 43:02
Мэтт скептически относится к популярной теме «агентных циклов» (agentic loops), когда ИИ работает бесконечно до достижения результата. По его мнению, это часто выгодно только лабораториям ИИ для продажи большего количества токенов .
Вместо циклов Мэтт предлагает использовать очереди (Queues) :
- Задачи попадают в бэклог (например, в GitHub Issues).
- Разработчик помечает задачу тегом (например,
agent-exploreилиagent-implement) . - Агент запускается в изолированной песочнице (sandbox), выполняет задачу и предлагает Pull Request.
- Человек проверяет результат в удобное время.
Для реализации этого процесса Мэтт создал инструмент Sand Castle . Он позволяет запускать агентов (например, Claude Code) внутри Docker-контейнеров, чтобы они не могли случайно удалить домашнюю директорию пользователя или украсть переменные окружения .
🚀 Будущее ревью и разработки 50:55
Мэтт считает, что цель — максимально отодвинуть контрольные точки (human-in-the-loop) вправо, ближе к продакшену . Чтобы сделать процесс проверки кода менее скучным, он предлагает использовать ИИ для автоматической записи видео-обзоров PR: агент может сам пройтись по изменениям и озвучить их голосом .
Главный совет Мэтта для тех, кто хочет прогрессировать: «Blank Slate» (Чистый лист) . Он рекомендует удалить все текущие инструкции, плагины и системные промпты, начать с чистого листа и наблюдать, как ведет себя базовая модель. Только после этого стоит постепенно добавлять конкретные процедуры, которые действительно экономят время, а не просто забивают контекст .
