лучшие практики по AI для программистов и непрограммистов
AI - это не только чат и генератор текста. Он помогает в поиске идей, обучении, автоматизации повседневной работы, облегчении рутины, работе с таблицами, кодом и документами.
AI не заменяет мышление, а усиливает его. Лучший результат получается там, где человек задает цель, критерии качества и проверяет результат на каждом шаге. Нужно вкладывать свое внимание, чуда не будет - мысли AI не читает.
от чата к проектам, агентам, инструментам и скилам
По состоянию на весну 2026 года AI можно использовать в режиме "агентов" для автоматизации любых офисных специальностей, которые сводятся к перекладыванию документов и общению по интернету. Режим чата не исчез, но проектный режим, когда на компьютер устанавливается IDE (специальная среда) с "инструментами" (доступ в интернет, на жесткий диск к файлам, работа с другими программами и оборудованием) и "скилами" (описание компетенций, четких инструкций или рецептов) дает более эффективный результат. Появились инструменты для объединения нескольких ролей и нескольких ИИ моделей в процесс: постановка задачи, вычитка и коррекция задачи, исполнение, проверка результатов, подготовка следующей задачи с учетом результатов. Естественной стала идея о том, что этот процесс можно зациклить, но для этого, как учит нас кибернетика, нужно добавлять в цикл "обратную связь".
подходит и программистам, и непрограммистам
Базовый путь освоения у всех почти одинаковый. Сначала человек учится ставить задачу и получать результат в чате. Затем переходит к сценариям, инструментам, автоматизации, скилам и более автономным AI-процессам, агентам и оркестрации.
- Чат - AI как собеседник, дает быстрые ответы
- Промпты - формируем контекст, ограничения, описываем желаемый формат ответа, даем критерии качества и роль модели
- Рассуждение (reasoning) - многошаговый разбор задачи, проверка промежуточных шагов, сравнение подходов
- Режим планирования задачи - разбиение сложных задач на шаги, варианты, ветвление, выбор стратегии
- Инструменты и автоматизация - среда разработки, доступ к диску, поиск в интернете, доступ к документам, почта, API, базы данных, оборудование
- Агентный режим - AI сам ведет цепочку: получает данные, анализирует, выбирает шаг, вызывает инструменты, возвращает итог
- Итеративные циклы - многократно повторяемый цикл работы: сгенерировать, проверить, исправить, сравнить, повторить
AI loop (например Ralph) - это порочный круг, на каждой итерации никаких новых знаний не добавляется. Нужно стараться, чтобы AI выдавал результат за один раз. А на каждый следующий цикл можно заходить, если есть новые вводные, иначе все это деградирует и сжигает деньги и ваше время. Вот что я хотел на самом деле написать в том посте, который неправильно поняли. Просто хочу высказаться более точно. Если нужен оригинальный текст, он сохранен тут: https://github.com/tshemsedinov/feed?tab=readme-ov-file#ai-infinite-loop-code-review--tasks--coding-2026-03-12
Проблема не в самом цикле, а в том, что вы не хотите тратить внимание и добавлять новую информацию на каждом новом шаге. Модель начинает усиливать собственные ошибки и шум.
Проблема - это пустой цикл.
Если на каждой итерации не появляются новые вводные, принятие решений, ограничения и требования, новый контекст, то система просто пережевывает собственный вывод.
Поэтому:
- первый проход должен стремиться дать максимально полный результат
- каждый следующий проход должен добавлять обратную связь
- если новых данных нет - итерация бессмысленна, ошибки закрепляются
- Начинать с управляемости результата, описать, что хотите получить на выходе, в каком формате, т.е. пишем развернутое задание
- Сначала освоить: постановку задачи, формирование контекста, задание ограничений, формулирование критериев качества, задаем формат результата, осваиваем проверку ответа (в том числе и другой моделью или другим агентом)
- Потом: шаблоны, многошаговые сценарии, подключение инструментов, агентные процессы, субагенты, циклы проверки и улучшения, рулзы, хуки
Ревью кода и постановка ТЗ занимает много времени в программировании с AI и люди, естественно, пытаются переложить эту задачу тоже на AI. Пусть агенты друг другу ТЗ пишут, друг друга дрессируют и ревью делают. Так можно дойти и до кнопки "Сделай все хорошо", которая запускает бесконечный цикл. У вас не выйдет не тратить внимания на проект.
AI про ваши потребности не знает и мысли не читает. Идеи, приоритеты, контекст, критерии качества и продуктовые компромиссы он сам не определит. AI хорошо пишет только то, что уже много раз кем-то писалось. Если убрать из процесса человеческое внимание, вы не ускорите проект - вы просто зациклите галлюцинирование.
На проект все равно придется тратить внимание. Вопрос не в том, как убрать человека из контура, а в том, куда именно направить внимание и в какой форме его вписать в жизненный цикл разработки, чтобы получить максимальную отдачу. Например, в виде DSL-языков, в форме md-файлов или json-файлов, блок-схем, в виде ревью или архитектурных документов.
- Не заменять ревью, а удешевлять его через стандарты, скилы, субагентов, экономию контекста
- Не строить зацикленные цепочки агентов, а ограничивать зоны их ответственности
- Не пытаться автоматизировать мышление целиком, а освобождать внимание человека от рутины
- Не держать требования в текстовой форме, а выносить логику в строгие синтаксисы и контракты
- Не надеяться на память чата, а собирать контекст в версионируемые артефакты, схемы и спецификации
- Тимур в Телеграме: https://t.me/HowProgrammingWorks
- Тимур в Ютюбе: https://www.youtube.com/@TimurShemsedinov
- Тимур в Гитхабе: https://github.com/tshemsedinov
Дополнительные материалы:
- 🧑💻 Створення AI Skills для GoF Українською: https://youtu.be/t-AdmHKLQYE
- 🧑💻 Создание AI Skills для GoF для JavaScript: https://youtu.be/wfjNneyifYw
- Prompt - запрос к модели
- Context - данные, которые передаются модели вместе с запросом
- Reasoning - многошаговое рассуждение при решении сложной задачи
- Planning - разбиение задачи на шаги и порядок действий
- Инстремент - внешняя программа или система (поиск, IDE, таблицы, документы, API, базы данных)
- Agent - сценарий, где модель использует инструменты и идет по шагам к цели
- Loop - цикл генерации, проверки и улучшения результата
- Галюцинации - убедительный, но неверный или выдуманный ответ
- Skills - способность AI описанная как инструкция в отдельном документе или группе документов: суммаризация, извлечение данных, классификация, ревью кода, тесты, анализ таблиц
- Rules - явные правила формату, источникам, структуре ответа
- System prompt - системная инструкция, заданная для всей среды разработки: роль модели, границы, приоритеты, запреты
- Template - шаблон запроса или ответа подготовленный как пример для повторяемости и стандартизации
- Constraints - ограничения задачи: не таблицы, не выдумывать источники, ответ до N пунктов
- форма результата - список, таблица, JSON, diff, письмо, SQL, чеклист
- Chain - последовательность шагов в одном сценарии обработки
- Pipeline - конвейер, где AI - одна из стадий процесса
- Оркестрация - организация шагов, моделей, инструментов или агентов в одном процессе
- Memory - сохранение контекста между шагами или сессиями
- Session context - контекст текущего диалога или рабочей сессии
- RAG - технология повышения точности, при которой модель перед ответом ищет актуальную информацию во внешних источниках. Это снижает галлюцинации, предоставляя достоверные факты из корпоративных баз данных или документов без дообучения модели
- Tools - внешние функции и интеграции: доступ к файлам, поиск, почта, календарь, IDE, API, SQL, облачное хранилище, другое программноге обеспечение
- Critic - роль или прогон модели, оценивающий слабые места и предлагающий улучшения
- Self-check - самопроверка результата перед финальным ответом
- Refinement - доработка результата после первой версии
- Token - единица текста у модели; влияет на стоимость, длину контекста и скорость
- Context window - максимальный объем входного текста за один раз
- Temperature - параметр вариативности: ниже - стабильнее, выше - разнообразнее
По состоянию на 22 марта 2026 лучшее применение:
- Sonnet 4.6 - модель по умолчанию для написания кода
- Opus 4.6 - для написания ТЗ, стратегии и ревью кода
- Cursor AI - среда для проектной работы
Opus 4.6 лучше отдавать стратегию, архитектуру, спецификации, декомпозицию задач, критерии приемки и финальный QA для рискованных задач. Sonnet 4.6 лучше отдавать реализацию, итерации, рефакторинг, тесты и выполнение хорошо определенных задач в масштабе.
Лучшая схема на сегодня: Opus 4.6 проектирует, Sonnet 4.6 реализует, потом Opus 4.6 проверяет