Автор канала поделился личным опытом использования ИИ-агентов для программирования, сравнив возможности Codex и Claude Code. После столкновения с жесткими лимитами платных подписок и деградацией ответов облачных моделей, он принял решение развивать локальную инфраструктуру на базе видеокарт Intel Arc.
🤖 Опыт использования Codex и Claude Code 0:02
До перехода на ИИ-агенты процесс разработки строился на методе «копипаста» из интерфейса ChatGPT в редактор кода . Первым инструментом автоматизации стал Codex от OpenAI. Переход на агентскую модель значительно упростил работу, избавив от необходимости ручного переноса правок .
После Codex автор протестировал Claude Code от Anthropic, который сейчас является одной из самых обсуждаемых тем в индустрии . На примере рабочего приложения инструмент показал следующие результаты:
- Нашел возможности для оптимизации кода.
- Предложил варианты рефакторинга.
- Указал на потенциальные ошибки в логике .
Однако при работе с Claude Code возникли критические проблемы. По мнению автора, через некоторое время модель начала «тупеть». Даже полная переустановка агента и очистка контекста проекта не вернули первоначальное качество ответов .
📉 Ограничения платных подписок и API 2:27
Основным препятствием для профессионального использования облачных агентов стали лимиты. Подписка стоимостью 21 евро (с учетом НДС) предоставляет крайне ограниченное окно работы .
- Пятичасовое окно: после начала сессии включается пятичасовой таймер до сброса лимитов. При интенсивной разработке лимиты исчерпываются за 30 минут .
- Недельные лимиты: существует риск израсходовать весь объем запросов за два дня, после чего работа блокируется на оставшуюся часть недели .
- Механизм блокировки: в отличие от ChatGPT, который позволяет продолжать общение даже при превышении квот, Claude Code полностью «замораживает» чат .
В качестве решения Anthropic предлагает использовать API с оплатой по факту использования. В этом случае после исчерпания основной подписки средства начинают списываться с отдельного счета пользователя .
⚙️ Переход на локальные LLM и выбор железа 5:11
Автор считает, что за ИИ-агентами («вайпкодинг») будущее, но эффективная работа требует отсутствия внешних ограничений по времени и объему контекста . Для запуска тяжелых локальных моделей он собрал компьютер на базе процессора Ryzen 9 9950X3D и 32 ГБ оперативной памяти DDR5 .
Ключевым вопросом стал выбор видеокарты для инференса моделей. По словам автора, цены на решения от Nvidia остаются завышенными: флагманская карта RTX 5090 с 32 ГБ видеопамяти стоит в Германии около 3500 евро .
Альтернативой выступает линейка Intel Arc, предлагающая лучшее соотношение цены и объема памяти для рабочих станций:
- Intel Arc B70: карта с 32 ГБ видеопамяти по цене около 1200 евро . Автор планирует установить две такие карты, чтобы получить суммарно 64 ГБ.
- Intel Arc Dual: специализированное решение, объединяющее две карты в одном PCI-слоте с общим объемом памяти 48 ГБ . Стоимость в Великобритании составляет около 1600 фунтов, но покупка в Европе затруднена из-за таможенных сборов .
💼 Перспективы корпоративного сектора 8:45
Локальные серверы с ИИ-ассистентами могут стать востребованной услугой в корпоративном секторе. Компании заинтересованы в защите приватных данных клиентов и не хотят отправлять конфиденциальную информацию в облака Anthropic или OpenAI .
По мнению автора, настройка и сборка локальных ИИ-серверов — это перспективная ниша для заработка . Дополнительным аргументом в пользу локальных систем является энергонезависимость и работоспособность в случае глобальных проблем с интернетом .
