Всё, что я знал об ИИ-кодировании, было неправильным

Автор объясняет, что популярные AI-фреймворки для программирования (Beemad, Speckit и другие) часто не оправдывают ожиданий пользователей. Проблема не в качестве их методов, а в том, что готовые решения не подходят под конкретные случаи использования. При создании приложений разработчики обычно создают собственные рабочие процессы вместо использования готовых. Для построения эффективного рабочего процесса необходимо понимать определенные принципы, которые используются во всех фреймворках.

Контекстное окно — это объем информации, который модель может помнить одновременно, и управление им является ключевой задачей AI-фреймворков. Модели имеют ограниченное контекстное окно: Anthropic предлагает 200 тысяч токенов, а Gemini — 1 миллион. Несмотря на впечатляющие цифры, эти лимиты не так велики, как кажется. Контекстное окно включает не только системный промпт и сообщения пользователя, но также прошлые сообщения, файлы памяти, инструменты, вызовы MCP и другие элементы, что делает эффективное управление этим пространством критически важным.

Прогрессивное раскрытие — самый важный принцип дизайна рабочих процессов, означающий показ модели только того, что важно в данный момент. Вместо заполнения контекстного окна всем возможным будущим контекстом, нужно держать внимание модели сосредоточенным на текущей задаче. Хотя продвинутые модели, такие как Sonnet 4.5, имеют встроенную функцию редактирования контекста и могут отфильтровывать шум, этого недостаточно при расплывчатых инструкциях. Вместо просьбы исправить ошибку в бэкенде целиком, лучше просить проверять эндпоинты один за другим. Функция навыков (Skills) в Claude с открытым исходным кодом — это воплощение прогрессивного раскрытия, где описание предоставляет достаточно информации для выбора нужного навыка без загрузки всего в контекст.

Распространенная ошибка — использовать MCP (Model Context Protocol) для всего, тогда как его следует применять только для внешних данных, а навыки — для всего остального. Второй важный принцип гласит: информация, не нужная прямо сейчас, не должна находиться в контекстном окне. Для этого инструменты используют структурированное ведение заметок — предоставление AI-инструменту внешних файлов для документирования решений, проблем или технического долга. Этот подход позволяет агенту сохранять критически важный контекст, который иначе был бы потерян при работе над сложными задачами. При сжатии контекста эти заметки помогают понять, что уже сделано и что предстоит, что особенно полезно для долгосрочных задач.

Агенты часто приостанавливаются посреди долго выполняющихся задач, когда контекст превышает 70% лимита. Контекстное окно определяет, на что модель обращает внимание при генерации выходных данных. При превышении порога 70% модели приходится больше концентрироваться, что увеличивает вероятность галлюцинаций. Для AI-агентов это мешает эффективному использованию инструментов, и они могут просто игнорировать их. Для решения проблемы существует сжатие, позволяющее начать заново с резюме и уменьшенным контекстным окном. Вместо ожидания автоматического сжатия при 90% заполнения, следует мониторить контекст и сжимать самостоятельно, использовать функцию отмотки для удаления ненужных частей и очищать контекст для новых задач.

Подагенты — это развитие принципа прогрессивного раскрытия, позволяющее выполнять задачи в фоновом режиме без засорения основного контекстного окна. Они работают в собственных изолированных контекстных окнах и сообщают только результат основному агенту. Это особенно полезно для задач, изолированных друг от друга, поскольку основное окно защищено от раздувания вызовами инструментов и поисками подагента. Поскольку подагенты работают в фоне, можно продолжать взаимодействовать с основным агентом над задачами, требующими внимания. Автор использует подагентов для исследовательских задач, например изучения правил нового фреймворка, чтобы их вызовы инструментов были изолированы, а основному агенту возвращался только ответ.

Понимание принципа ведения заметок требует знания правильного формата файла для каждой задачи, поскольку форматы влияют на количество токенов и эффективность рабочего процесса. YAML наиболее эффективен по токенам, используется для схем баз данных, конфигураций безопасности и деталей API благодаря структурированным отступам. Markdown лучше подходит для документации (например, claud.md), где уровни заголовков облегчают навигацию. XML специально оптимизирован для моделей Claude, которые дообучены распознавать теги как контейнеры и разделители для отдельных разделов (ограничения, резюме, визуальные детали), хотя другие модели предпочитают Markdown и YAML. JSON наименее эффективен из-за скобок и кавычек, поэтому рекомендуется только для простых вещей вроде состояний задач.

Git — базовый инструмент программирования, который приобретает новое значение в контекстных рабочих процессах. Растущая тенденция — использование истории коммитов git как напоминания модели о достигнутом прогрессе по проекту или задаче. Даже без этого следует применять контекстное проектирование в git-инициализированных репозиториях. Рабочий процесс с контекстной инженерией означает выполнение запланированных шагов один за другим, а не всего сразу. При возникновении проблем git позволяет контролировать откат к нужной версии и выяснить, какое изменение вызвало неполадки. Также реализован параллелизм через git worktrees, где подагенты работают в выделенных worktrees для параллельного выполнения задач.

В любом рабочем процессе возникают повторяющиеся инструкции для стандартных процедур, таких как git-коммиты или обновление документации. Почти все AI-инструменты предлагают способы переиспользования промптов через custom/commands, дающие Claude переиспользуемое руководство. Автор использует команду catchup с инструкциями о структуре памяти вне контекста, чтобы Claude мог вникнуть в проект без чтения каждого файла, и команду commit для поддержания единообразного формата коммитов и документации. MCP следует использовать для внешних данных: Jira MCP для доступа к тикетам, Figma MCP для получения руководства по стилю приложения. Для задач, где встроенных возможностей недостаточно, MCP необходимы для эффективного взаимодействия с внешними источниками, и их можно включить в /commands как часть рабочего процесса.

Автор благодарит зрителей за просмотр и предлагает поддержать канал через кнопку «Супер спасибо», чтобы помочь создавать подобные обучающие видео в будущем. Завершает видео традиционным прощанием и обещанием увидеться в следующем выпуске.