Agentes AI em vez de vibe coding: como um pipeline autônomo leva uma tarefa ao PR

Разбор о вайб-кодинге сводит проблему к простой мысли: модели срываются не потому, что плохо пишут код, а потому, что им дают обрывки контекста. Вместо очередного набора «волшебных» промптов автор предлагает рабочую схему, где агенты получают структуру, проверяют друг друга и доводят задачу до PR почти без участия человека.

Где все ломается В типичном сценарии разработчик бросает задачу в чат,

получает красивый ответ и ждет, что модель сама достроит все недостающие детали. На короткой дистанции это иногда работает, но на реальном проекте быстро всплывают пробелы: агент не знает ограничений репозитория, не видит архитектурных договоренностей, не понимает бизнес-цели и не помнит прошлые решения команды. Отсюда и ощущение, что вайб-кодинг нестабилен: один раз он выдает удачный результат, а в следующий ломает сборку, спорит с кодстайлом и теряется в деталях.

Главный тезис разбора в том, что проблема не в слабом ИИ, а в плохой упаковке задачи. Красивый системный промпт не заменяет документы, примеры, состояние репозитория, историю обсуждений и четкие критерии приемки. Если модель получает только фразу «сделай фичу», она начинает импровизировать там, где нужна точная опора.

Поэтому контекст здесь выступает не как приятное дополнение, а как полноценная часть инженерного процесса.

Три стадии зрелости

Автор описывает путь, через который обычно проходят команды, пытающиеся встроить ИИ в разработку. На каждой стадии растет не только качество ответов, но и уровень формализации самой работы. Чем меньше ручной магии и случайных подсказок, тем выше шанс получить воспроизводимый результат, который не стыдно отправить в продакшен или хотя бы на нормальное ревью. Именно формализация превращает эксперимент с ИИ в повторяемый инструмент.

• Первая стадия — одиночный чат с длинным промптом, где результат целиком зависит от того, насколько человек угадал формулировку.
• Вторая стадия — подключение репозитория, файлов, правил проекта и шаблонов задач, чтобы агент видел рабочий контекст, а не только текстовое описание.
• Третья стадия — автономный пайплайн из нескольких ролей, где одни агенты планируют, другие пишут код, третьи ревьюят и возвращают замечания.
• Финальный шаг — доставка готового результата в удобный канал, например в Telegram, чтобы человек включался только в точках контроля. Разница между стадиями не косметическая. На первом уровне ИИ выглядит как игрушка для быстрых набросков. На втором становится полезным помощником внутри реального проекта. На третьем превращается в часть конвейера, где важен уже не отдельный ответ модели, а то, как устроены передача контекста, проверка гипотез и обмен замечаниями между агентами. Именно поэтому автор скептически относится к идее, что один идеальный промпт способен решить все проблемы сразу.

Как работает контур В предлагаемой схеме пользователь формулирует

задачу и может буквально закрыть ноутбук после постановки. Дальше контур берет работу на себя: один агент декомпозирует запрос, собирает релевантные файлы и формирует план; второй реализует изменения; третий выступает в роли ревьюера и ищет слабые места; при необходимости агенты спорят между собой и уточняют решение до тех пор, пока не появится версия, достойная pull request. Такой процесс ближе к маленькой команде, чем к привычному «вопрос — ответ» в одном окне.

Практический смысл здесь в том, что автономность строится не на свободе модели, а на дисциплине процесса. Агентам заранее задают роли, источники контекста, формат артефактов и правила эскалации. Если ревьюер находит проблему, задача не умирает в чате, а возвращается в цикл доработки.

Если все проверки пройдены, система отправляет PR и уведомление в Telegram. Для разработчика это означает смещение роли: меньше ручного микроменеджмента, больше управления требованиями, контекстом и контрольными точками.

Что это значит Разбор хорошо показывает, куда сдвигается практический AI в разработке.

Ценность постепенно уходит от эффектных демо к инфраструктуре контекста и многошаговым процессам. Для команд это сигнал пересмотреть не только промпты, но и то, как они хранят знания о проекте, описывают задачи и встраивают AI-агентов в обычный цикл разработки. Победят те, кто научится собирать вокруг модели рабочую среду, а не надеяться на удачную формулировку.