Любой серьёзный инструмент я осваиваю одинаково: сначала он бесит и мешает, потом становится терпимым, и только потом внезапно меняет рабочий процесс. С AI-тулингом вышло так же. Этот текст — честный разбор моего пути, без драмы и хайпа. И да, он написан руками: в теме, где всё чаще пишут нейросети, хочется быть явным.
Шаг 1. Откажитесь от чат-бота как основного инструмента
Первое, что стоит сделать, — перестать пытаться делать серьёзную работу через веб-чат. ChatGPT, Gemini и аналоги полезны и остаются частью моего ежедневного набора, но для кода их отдача ограничена: вы в основном надеетесь, что модель угадает результат на основе прошлого обучения, а исправлять её приходится человеку — снова и снова объясняя, где она ошиблась. Это неэффективно.
Мой первый «вау» случился, когда я вставил скриншот командной палитры Zed в Gemini и попросил воспроизвести её на SwiftUI. Результат оказался на удивление хорош — палитра, которая сейчас поставляется в Ghostty для macOS, лишь слегка доработана по сравнению с тем, что модель выдала за секунды.
Но когда я попробовал повторить этот трюк на других задачах, меня ждало разочарование. В существующих проектах чат часто давал слабые результаты, а копирование кода и вывода команд туда-сюда выматывало. Было очевидно: это медленнее, чем сделать самому.
Чтобы получить пользу, нужен агент — LLM, которая в цикле общается и вызывает внешние действия. Минимальный набор: читать файлы, запускать программы и делать HTTP-запросы.
Шаг 2. Воспроизведите свою работу агентом
Следующим этапом я взялся за Claude Code. Скажу сразу: поначалу он не впечатлил. Результаты сессий приходилось переделывать, и это отнимало больше времени, чем ручная работа. Я читал блоги, смотрел видео — и всё равно не понимал, в чём магия.
Вместо того чтобы сдаться, я заставил себя дублировать все свои ручные коммиты агентными. Буквально делал работу дважды: сначала руками, потом воевал с агентом, чтобы получить идентичный результат по качеству и функциональности — разумеется, без доступа к моему решению.
Это было мучительно, потому что мешало просто делать дела. Но с обычными инструментами я уже знал: трение естественно, и без выжимания всех усилий нельзя прийти к обоснованному выводу.
Так сформировалась экспертиза. Я быстро вывел из первых принципов то, о чём уже говорили другие, но собственное открытие дало более крепкое понимание:
- Разбивайте сессии на отдельные чёткие задачи. Не пытайтесь «нарисовать сову» одним мега-сеансом.
- Для размытых запросов разделяйте планирование и выполнение.
- Если дать агенту способ проверять свою работу, он чаще сам исправляет ошибки и предотвращает регрессии.
Я также нащупал границы: что агенты тогда умели хорошо, что плохо и как для удачных задач добиваться нужного результата. Это дало заметный прирост эффективности — я начал естественно использовать агентов так, что это казалось не медленнее ручной работы. Хотя быстрее всё ещё не было: я в основном присматривал за агентом.
Важный негативный вывод: часть выгоды — в понимании, когда не стоит браться за агента. Поручать ему заведомо провальное дело — пустая трата времени, и знание, чего избегать, само по себе экономит часы.
На этом этапе я был доволен агентом как инструментом, но чистого выигрыша по времени не чувствовал.
Шаг 3. Агенты в конце дня
Чтобы найти хоть какую-то эффективность, я ввёл новый паттерн: выделять последние 30 минут каждого дня на запуск одного или нескольких агентов. Гипотеза: пусть они делают полезную работу в то время, когда я всё равно не могу работать. Вместо того чтобы делать больше в отведённое время, попробуем делать больше в неотведённое.
Сначала это тоже было неудачно и раздражающе. Но быстро нашлись категории задач, где подход реально помогал:
Глубокие исследования: попросить агентов обозреть область — например, найти все библиотеки на конкретном языке с определённой лицензией и сделать многостраничные сводки по плюсам, минусам, активности разработки, отзывам.Параллельные агенты для разных сырых идей, до которых не доходили руки. Я не ждал, что они выдадут что-то готовое к релизу, но они могли подсветить неизвестные неизвестные к моменту, когда я вернусь к задаче на следующий день.Триаж и ревью issue и PR. Агенты хорошо работают с gh (GitHub CLI), поэтому я вручную набросал быстрый способ запускать их пачками для разбора задач. Отвечать агентам я не разрешал — хотел лишь отчёты к утру, чтобы понять, где высокая ценность или низкие усилия.
Оговорюсь: я не заходил так далеко, как те, кто гоняет агентов в циклах всю ночь. В большинстве случаев задачи закрывались меньше чем за полчаса. Но во второй половине дня я обычно уставший, выхожу из потока и становлюсь лично неэффективным — так что переключение усилий на запуск агентов давало «тёплый старт» утром и позволяло быстрее включиться в работу.
Я был доволен и начинал чувствовать, что делаю немного больше, чем до AI.
Шаг 4. Отдайте агенту лёгкие мячи
К этому моменту я уже уверенно понимал, что агент умеет хорошо, а что нет. Для некоторых задач была высокая уверенность, что решение получится почти правильным. Следующий шаг: пусть агенты делают всю такую работу, пока я занят другим.
Конкретно: каждое утро я брал результаты ночного триажа, вручную отбирал задачи, которые агент почти наверняка решит хорошо, и запускал их в фоне — по одной, не параллельно.
Тем временем я работал над чем-то другим. Не листал соцсети (во всяком случае, не больше обычного), не смотрел видео. Я входил в свой обычный, до-AI режим глубокого размышления над тем, что хотел или должен был сделать.
Критично на этом этапе: отключите уведомления агента на рабочем столе. Переключение контекста стоит очень дорого. Чтобы оставаться эффективным, именно я, человек, должен решать, когда прерывать агента, а не наоборот. Не позволяйте агенту уведомлять вас. В естественных паузах переключитесь, проверьте статус и продолжайте.
И ещё: работа над чем-то другим помогает компенсировать эффект из нашумевшей статьи Anthropic о формировании навыков. Вы обмениваете неразвитие навыков в делегированных задачах на продолжение естественного роста в тех, что делаете руками.
Здесь я уже твёрдо ощущал: «назад дороги нет». Я чувствовал себя эффективнее, но даже если нет — больше всего мне нравилось, что теперь я могу сосредоточить код и мышление на том, что действительно люблю, и при этом адекватно закрывать то, что не люблю.
Шаг 5. Инженерия обвязки
Рискну сказать очевидное: агенты гораздо эффективнее, когда выдают правильный результат с первого раза или, в худшем случае, требуют минимальных правок. Самый надёжный способ этого добиться — дать агенту быстрые и качественные инструменты, которые автоматически скажут ему, что он неправ.
Не знаю, есть ли уже общепринятый термин, но я называю это «инженерией обвязки». Идея проста: каждый раз, когда агент ошибается, вы тратите время на то, чтобы спроектировать решение, после которого он больше никогда не совершит эту ошибку. Если найдётся другой устоявшийся термин — с радостью перейду на него.
Это бывает в двух формах:
Улучшение неявного промптинга (AGENTS.md). Для простых вещей — например, агент раз за разом запускает не те команды или ищет не те API — обновите AGENTS.md или его аналог. Каждая строка в таком файле основана на плохом поведении агента и почти полностью его устраняет.Настоящие запрограммированные инструменты. Например, скрипты для скриншотов, запуска отфильтрованных тестов и т.п. Обычно это идёт в паре с правкой AGENTS.md, чтобы агент знал об их существовании.
Вот где я сегодня. Я искренне стараюсь, увидев, что агент сделал Плохую Вещь, предотвратить её повторение. Или наоборот — сделать так, чтобы агент мог убедиться, что делает Хорошую Вещь.
Шаг 6. Пусть агент работает всегда
Параллельно с пятым шагом я ставлю цель: агент запущен постоянно. Если агент не работает, я спрашиваю себя: «есть ли что-то, что агент мог бы сделать для меня прямо сейчас?»
Особенно мне нравится сочетать это с более медленными и вдумчивыми моделями вроде deep mode у Amp (по сути, GPT-5.2-Codex), которые могут тратить больше 30 минут даже на небольшие изменения. Зато результат обычно очень хорош.
Я пока не запускаю несколько агентов одновременно и не особо хочу. Один работающий агент — хороший баланс между возможностью заниматься глубокой ручной работой, которая мне нравится, и присмотром за моим глуповатым, но загадочно продуктивным рободругом.
Цель «агент работает всегда» пока остаётся целью. Сейчас я, пожалуй, эффективно держу фонового агента запущенным 10–20% обычного рабочего дня. Но активно работаю над улучшением.
Я не хочу запускать агентов ради запуска. Только когда есть задача, которая действительно поможет. Часть вызова — улучшать собственные процессы и инструменты, чтобы был постоянный поток качественной работы, которую можно делегировать. Это важно и без AI.
Где я сейчас
Вот и всё. Через этот путь я лично пришёл к точке, где современный AI-тулинг даёт результат, и, надеюсь, подхожу к нему с трезвым, заземлённым взглядом. Мне всё равно, останется ли AI с нами — я ремесленник-разработчик, который просто хочет строить вещи из любви к делу.
Ландшафт меняется так быстро, что я наверняка скоро буду смеяться над своей наивностью. Но, как говорят, если вам не стыдно за себя прошлого, вы, вероятно, не растёте. Надеюсь, я расту в правильном направлении.
У меня здесь нет личной заинтересованности, и, конечно, есть другие причины избегать AI. Я уважаю любое личное решение на этот счёт и не собираюсь никого убеждать. Для тех, кому интересно, я просто хотел поделиться своим подходом к навигации по новым инструментам — и тем, как я вообще осваиваю новое, независимо от AI.
