dotey — 28-05-2026

13 твитов за сутки. Автор анализирует архитектурные паттерны AI-агентов, делится конкретными методиками работы с Coding Agent и комментирует изменения на рынке моделей и инструментов.

Архитектура агентов — многопользовательские роли и чат между агентами неэффективны и тратят токены, так как человеческое разделение труда обусловлено ограничениями, а не оптимальностью для ИИ; лучше использовать одного сильного Single Agent с набором Skills и инструментов, который сам решает, как получить контекст, как это реализовано в Codex и Claude Code 1. Дизайн интерфейса должен зависеть от сценария: если человек главный — рабочая область по центру, агент справа; если агент главный (как в Codex App, Claude Desktop, Cursor Agent) — диалог с агентом по центру, инструменты справа 2.

Практика работы с Coding Agent — успех зависит от этапа планирования: не стоит сразу просить писать код, лучше отправить запрос в Codex, Claude Code и Cursor в Plan Mode с использованием лучших моделей (GPT 5.5, Claude Opus 4.7) для генерации вариантов дизайна, выбрать лучший и объединить идеи, затем разбить сложный план на Phases в Markdown и выполнять их с ручным контролем или через /goal 3. Для простых задач можно сразу писать код, а для Code Review достаточно одной сильной модели, чтобы проверить соответствие требованиям и качество 3.

Инструменты и обновления — RepoPrompt, который собирает код репозитория в XML для длинного контекста, стал бесплатным и скоро откроет исходный код после того, как его автор перешел в OpenAI, а платным пользователям начислили Codex Credits 4. В Claude Design изменилась система лимитов: теперь он делит квоту с Claude AI и Claude Code, поэтому важно следить за расходом; рекомендуется сначала создать Design System, а затем генерировать UI на его основе для обеспечения консистентности 5. Режим fast в Codex не оправдывает себя по соотношению скорости и потребления токенов, его лучше отключить 6.

Управление Skills и эволюция — сложные инструменты управления Skills часто избыточны: достаточно нескольких глобальных и локальных для проекта; самообучение Skills возможно только при наличии четких метрических критериев (например, оптимизация производительности), для творческих задач (написание текстов) нужна человеческая обратная связь, а не только оценка ИИ; процесс должен включать версионирование и итерации под контролем человека 7.

Рынок моделей и экономика — Google теряет лидерство в разработке моделей после Gemini 2.5 Pro, уступая OpenAI из-за организационных проблем и задержек с релизами, хотя технически (например, MoE) опережала конкурентов 8. Текущее состояние Coding Agent (как моделей, так и приложений) оценивается как отстающее от ожиданий 9. Расходы на токены для ИИ-сотрудников будут расти и могут сравняться или превысить зарплату человеческих сотрудников, поэтому бизнес должен оценивать их эффективность так же, как и штатных работников 10.

Краткосрочные тренды — проекты вроде Moltbook быстро теряют актуальность после спада интереса к "мусору", генерируемому ИИ, в то время как продукты, открывающие новые форматы (как Clawdbot/OpenClaw), имеют шанс стать долгосрочными стандартами 11.

dotey — 28-05-2026

Источники