Практическое руководство по сжатию контекста: как удвоить производительность LLM в brownfield-кодовой базе

Простое написание хороших промптов не исправит legacy-код как по волшебству. Настоящая причина, по которой ИИ-агенты терпят сокрушительное поражение в запутанных brownfield-средах (Legacy), заключается не в недостатке интеллекта, а в загрязнении контекста. Когда в контекстном окне — хранилище памяти модели — накапливается ненужный шум, логическая последовательность рушится как карточный домик.

Производительность моделей на базе архитектуры Transformer резко падает, когда использование контекста превышает 40–60%. В 2026 году в индустрии это называют AI Slop (ИИ-слякоть). Это феномен создания «мусорного» кода, который работает, но абсолютно не пригоден для поддержки. Если вы тратите больше времени на исправление результатов работы ИИ, то вы превратились не в разработчика, а в Harness-инженера (инженера по обслуживанию), разгребающего последствия за ИИ.

Архитектура Markdown для намеренного сжатия

Краткое резюме, о котором говорят в видео, — это только начало. В крупномасштабных системах необходимо структурное сжатие. Речь не просто о сокращении длины диалога, а о максимизации плотности информации с помощью иерархии Markdown, которую LLM может парсить максимально быстро и точно.

Согласно реальным исследовательским данным, промпты с использованием формата Markdown показывают точность рассуждений на 7,3% выше, чем обычный JSON. Старшие архитекторы управляют механизмом внимания (Attention) модели с помощью следующих трех элементов:

• Тег <context>: четко определяет предысторию текущей задачи и «истину на местах» (Ground Truth).
• Тег <constraint>: устанавливает жесткие ограничения (guardrails), не позволяя модели произвольно менять архитектуру.
• Иерархические заголовки (#, ##): выстраивают иерархию информации, повышая уровень восприятия инструкций.

Этот процесс сжатия не должен быть ручным. Ведущие команды внедряют скрипты обновления контекста в Git Hook или CI/CD пайплайны. Каждый раз, когда агент завершает определенный этап и делает коммит, изменения суммируются, записываются в PROGRESS.md, и сессия сбрасывается. Это технология удержания модели в оптимальной зоне использования — менее 40%.

Фреймворк RPI и стратегия субагентов

RPI (Research, Plan, Implement) — это не просто блок-схема. Это стратегия изоляции, которая физически блокирует шум, выделяя независимые контекстные сессии для каждого этапа.

1. Research: делегируйте рутину субагентам

Не заставляйте основного агента читать десятки тысяч строк кода напрямую. Сканирование файлов — задача для субагентов. Когда субагент просматривает тысячи файлов и возвращает только очищенные локации ключевой логики, основной агент может сосредоточиться на сложных рассуждениях, не тратя токены впустую.

2. Plan & Implement: контрольные точки и проектирование Harness

На этапе планирования ключевым моментом является определение не того, что нужно сделать, а того, чего делать не следует (Non-goals). При реализации следует использовать Git Worktree, чтобы обеспечить изолированную среду, где эксперименты агента не загрязняют основную ветку.

Метрика оценки	До внедрения RPI	После внедрения RPI	Индекс улучшения
Кол-во дефектов (багов) на фичу	12.5	3.8	Снижение на 69.6%
Скорость одобрения Code Review	в среднем 48ч	в среднем 8ч	Улучшение на 83%
Успех автономной работы агента	18%	79%	Улучшение на 338%

Суверенитет данных с помощью локальных LLM

Эпоха безрассудной отправки исходного кода — ключевого актива компании — во внешние API подошла к концу. С 2025 года стандартом индустрии стало развертывание open-source моделей, таких как Llama 3 или Mistral, непосредственно в корпоративной инфраструктуре.

Этот подход обусловлен не только безопасностью. Он позволяет сэкономить тысячи долларов на огромных затратах на сканирование кода на этапе исследования. Самой эффективной является гибридная архитектура: локальная LLM выполняет первичный поиск с низкой чувствительностью, а задачи, требующие сложного проектирования, передаются высокопроизводительным закрытым моделям (например, Claude 3.5) после маскирования конфиденциальной информации.

Case Study: Модернизация legacy-системы на Java/Spring объемом 500 тыс. строк

Результаты применения RPI к 10-летней платежной системе без единого документа оказались поразительными. В среде, где зависимости Hibernate были максимально запутаны, период онбординга новых инженеров сократился с 90 до 35 дней (на 61%).

Это стало возможным потому, что информация, полученная агентом при изучении каждого модуля, сжималась в архитектурное руководство в формате Markdown и оставалась в репозитории как «живая документация» (Living Document). Это доказывает, что RPI функционирует не просто как инструмент отдельного человека, а как система передачи знаний для всей команды.

Чек-лист для практического внедрения

В 2026 году конкурентоспособность инженерной организации зависит не от того, сколько кода она пишет, а от того, насколько надежную среду для агентов она создала.

• Создан ли файл CLAUDE.md в корне проекта с прописанными ключевыми инструкциями?
• Настроен ли триггер автоматического сжатия, чтобы использование контекста не превышало 40%?
• Существует ли контрольная точка (approval gate), где архитектор-человек проверяет план агента?
• Выполняется ли автоматически статический анализ измененного кода на уровне Harness?

Контекстная инженерия — это единственный способ контролировать искусственный интеллект, чтобы в десятки тысяч раз усилить результаты вашего мышления. Перепроектируйте среду своего агента прямо сейчас.