Карта навичок AI-інженера: використання агентів для написання коду

Ключовою навичкою AI-інженера є вміння користуватися кодами-агентами. Ваша майстерність у скеруванні їх як для написання коду, так і для виконання некодових завдань, таких як аналіз даних або управління системними операціями, дозволяє вам досягати значно більше.

Швидкий темп еволюції кодових агентів означає, що ця навичка також швидко розвивається — швидше, ніж інші найважливіші навички AI-інженерів. Пропрієтарні агенти (як-от Claude Code, Codex і Cursor) та відкриті агенти (як-от OpenCode і Pi) прогресують великими кроками завдяки вдосконаленню як інструментів, так і моделей. Тому бути в курсі того, як використовувати кодові агенти, вимагає постійного процесу експериментування, створення та навчання.

Опитуючи десятки найкращих AI-інженерів та аналізуючи використання кодових агентів у власній команді, ми виявили послідовний високорівневий робочий процес для створення програмного забезпечення з їхньою допомогою. Ключові кроки:

• Планування. Це включає (i) мозковий штурм, який може включати дослідження, експериментування та розуміння існуючої кодової бази (якщо вона є), та (ii) написання специфікації, яка фіксує вимоги, технічний дизайн та архітектуру, з подальшою генерацією плану виконання. Ви також можете переглянути план, щоб перевірити ключові припущення та виявити прогалини в безпеці, надмірному проєктуванні тощо.
• Виконання, де ви створюєте, тестуєте та перевіряєте, дотримуючись правильного балансу між автономією агента та людським наглядом. Це включає (i) доручення агенту створення програмного забезпечення з відкаліброваним рівнем автономії та (ii) перевірку його результатів за допомогою автоматизованих та/або людських перевірок.
• Розгортання та моніторинг, під час яких ви (i) розгортаєте, можливо, з використанням CI/CD конвеєра або додаткових людських шлюзів, та (ii) використовуєте агентів для моніторингу журналів, виявлення проблем та пропонування й виконання покращень.

Цей високорівневий робочий процес схожий на той, що зазвичай використовувався для створення програмного забезпечення до появи кодових агентів. Тепер ми набагато менше зосереджуємося на коді, а натомість зосереджуємося на вирішенні того, що будувати, проєктуванні архітектури, написанні специфікації та перевірці результатів.

Тривалість кожного кроку може значно відрізнятися між проєктами, а деякі кроки можна пропускати. Наприклад, специфікація для прототипу, створеного з нуля (greenfield), може бути вільно описана в швидко написаному запиті, тоді як специфікація для існуючого проєкту (brownfield) з багатьма користувачами може вимагати набагато більше зусиль для написання та перевірки. Крім того, робочий процес є високоітеративним, і досвідчені розробники знають, коли зворотний зв'язок від пізнішого кроку має повернути їх до попереднього. Наприклад, якщо перевірка не вдається, вони знають, як скерувати агента на перебудову та виправлення помилок; або якщо моніторинг виявляє проблеми, як доручити агентам оновити систему та повторно розгорнути її.

Щоб ефективно використовувати кодові агенти в цьому робочому процесі, ключовими навичками є:

• Скерування робочого процесу
• Забезпечення автономії агента
• Перевірка роботи
• Налаштування агента та його середовища
• Основи кодових агентів

Скерування робочого процесу. Ви знаєте, як орієнтуватися на кожному кроці описаного вище робочого процесу. Це передбачає визначення того, скільки людських зусиль та зусиль агента витратити на кожен крок і коли повернутися до попереднього кроку для ітерації. Це вимагає глибокого розуміння компромісів між швидкістю, вартістю, технічним ризиком та людськими зусиллями, щоб ви могли вирішити, скільки досліджувати та планувати заздалегідь, коли залишити за людиною контроль над критичною роботою, як вибрати архітектуру, скільки деталей включити в набір артефактів планування (наприклад, специфікацію) та як розбити роботу на кроки, що піддаються перевірці.

Забезпечення автономії агента. Застосовуючи кодового агента до кроків робочого процесу, ви обираєте рівень автономії: чи спостерігати за ним і взаємодіяти інтерактивно, чи делегувати йому більший обсяг роботи? І коли ви ставите чітку мету та дозволяєте йому циклічно повторювати, доки він не досягне успіху? Крім того, ви повинні ретельно керувати контекстом для агента. У міру того, як процес створення проходить через різні фази, ви будете калібрувати, коли переконатися, що ключові висновки, відгуки користувачів та припущення — включно з припущеннями, які змінилися в процесі роботи — фіксуються для подальшого використання агентом. Крім того, ви вирішуватимете, коли налаштувати багато агентів для паралельної роботи над декомпозицією завдання — або доручивши людині, або агенту вищого рівня координувати цих інших агентів — і як керувати людською увагою в паралельних сесіях агентів. Ви також знаєте, як безпечно запускати агентів, встановлюючи відповідні дозволи та шлюзи для дій, щоб дозволити швидку розробку, одночасно обмежуючи ризик витоків, втрати даних або іншої шкоди.

Перевірка роботи. Результат роботи кодового агента є невизначеним. Ми не знаємо заздалегідь, які гарні ідеї він може запропонувати і які помилки він реалізує. Перевірка та верифікація результатів є ключовим кроком, щоб переконатися, що ви отримуєте бажаний результат, і перенаправити агента, якщо це не так. Ви розробите тестування та валідацію, що відповідають завданню, застосовуючи як поведінкову, так і функціональну верифікацію за потреби. Ви також можете тестувати потоки користувачів, можливо, доручаючи агенту надавати скріншоти як доказ успіху чи невдачі. Для якісної/поведінкової оцінки можна використовувати набори для оцінювання (eval sets), можливо, з LLM-як-суддя.

Вам також потрібно вирішити, яка частина цих тестів має бути автоматизована. У деяких робочих процесах все тестування та валідація будуть повністю автоматизовані, щоб агент міг перевірити свою роботу та знати, коли він успішно виконав завдання. Ви повинні оцінювати тести, щоб переконатися, що вони відповідають вашим цілям, і змінювати їх, якщо це не так. Крім того, ви використовуєте агентний код-рев'ю та запускаєте аудити безпеки та архітектури на основі AI. Коли AI-рев'ю недостатньо, ви розумно вставляєте людські перевірки поведінки коду (і, рідко, самого коду), одночасно досліджуючи, як автоматизувати цю перевірку далі. Нарешті, ви перевіряєте розгортання та можете операціоналізувати моніторинг та управління інцидентами за допомогою агентів.

Налаштування агента та його середовища. Ваша здатність оновлювати як агента, так і середовище, в якому він працює, дозволяє вашим агентам ефективно отримувати необхідний контекст, отримувати доступ до інструментів та правильно й ефективно створювати. Ви знаєте, як інтегрувати навички агентів, плагіни та MCP-сервери. Час від часу ви будете видаляти їх, коли вони більше не потрібні (наприклад, коли нова модель робить стару навичку непотрібною). Ви можете використовувати хуки для автоматизації повторюваних частин процесу розробки, наприклад, для запуску автоматизованих код-рев'ю або CI/CD конвеєрів. Ви також можете підтримувати середовище, в якому працює агент: оновлювати постійний контекст (наприклад, AGENTS.md або CLAUDE.md) інформацією про кодову базу, ключові архітектурні припущення, стиль коду та шаблони доступу до даних. Ви знаєте, як зберігати стан між кількома сесіями та між паралельними агентами, і накопичувати знання агентів з часом, можливо, проводячи ретроспективи після запуску, щоб зафіксувати, що спрацювало, а що ні. Ви також знаєте, як налаштувати узгоджені конвенції та структуру, щоб зробити вашу кодову базу зручною для навігації агентом, і як час від часу очищати борг, створений агентом. Коли ви працюєте в команді, ви враховуєте, як координувати контекст між агентами різних розробників.

Основи кодових агентів. Нарешті, щоб приймати правильні рішення протягом усього процесу, ви добре розумієте, як працюють кодові агенти: як вони здійснюють пошук/отримання інформації з кодової бази, як керують своїми контекстними вікнами, як різні операції (наприклад, додавання викликів інструментів, MCP-серверів тощо) впливають на контекст, як агенти та підагенти взаємодіють, і як агент побудований шляхом обгортання інструменту (harness) навколо LLM. Це робить агента менш «чорною скринькою» і допомагає вам розпізнавати режими збоїв, такі як надмірне ускладнення простого рішення, втрата ретельності через відсутність у агента явного процесу верифікації, зупинка, не досягнувши мети, або дії агента, які ризикують знищити файли чи виробничі дані. Це також допомагає вам міркувати про стан агента та скеровувати його, надаючи правильні вказівки або контекст. І під час моніторингу запуску це розуміння дозволяє вам краще помічати, коли агент відхиляється від курсу і потребує вашого втручання.

Я вважаю, що соціальні медіа часто дають надто спрощені описи того, як використовувати кодові агенти. Наприклад, іноді буває корисно дозволити агентам працювати автономно годинами, спалюючи мільйони або десятки мільйонів токенів. Але наразі практична корисність завдань з дуже довгим горизонтом — особливо відносно їхньої вартості — була перебільшена. Натомість, найефективніше використання кодових агентів — це складний, високоітеративний процес, і здатність втручатися з висококваліфікованим судженням дає набагато кращі результати.

Ваша майстерність у використанні кодових агентів зробить вас ефективним розробником. Це дозволяє вам також скеровувати загальний процес створення. Я розповім більше про це в майбутній статті.