Anthropic показала, как заставить Claude кодить сутками: список из 200+ задач в JSON

Anthropic опубликовала инженерный разбор того, как удерживать агентов на Claude Agent SDK в рабочем состоянии на протяжении многих контекстных окон. Отправная точка: даже Opus 4.5, запущенный в цикле с одним высокоуровневым промптом вроде «собери клон claude.ai», не доводит веб-приложение до production-качества. Компактификация контекста помогает, но не решает задачу. Автор текста Justin Young предлагает схему из двух ролей, git-истории и файла прогресса. Она собрана по образцу того, как работают инженеры, передающие друг другу смены без личной памяти о предыдущей.

Где ломаются долгие агенты

Антропики наблюдали три повторяющихся сбоя. Первый: агент пытается сделать всё одним махом, упирается в лимит контекста посреди реализации и оставляет следующей сессии наполовину готовую, незадокументированную функцию. Преемнику приходится гадать, что произошло, и тратить время на восстановление базовой работоспособности. Компактификация это не лечит, потому что не всегда передаёт чёткие инструкции дальше.

Второй сбой проявляется ближе к середине проекта. Новый экземпляр агента осматривается, видит, что много уже построено, и объявляет работу завершённой. Третий связан с проверкой: Claude отмечает функцию выполненной после юнит-тестов или curl-запросов к dev-серверу, хотя сквозной сценарий в браузере не работает.

Как устроена упряжь

Первая сессия получает отдельный промпт и работает как инициализатор. Системный промпт, набор инструментов и сама обвязка у обоих «агентов» одинаковы, различается только стартовое пользовательское сообщение. Инициализатор создаёт скрипт init.sh для запуска dev-сервера, файл claude-progress.txt с журналом действий и первый git-коммит. Главное, что он пишет, это список требований. Для клона claude.ai получилось больше 200 пунктов, например «пользователь открывает новый чат, вводит запрос, жмёт Enter и видит ответ ИИ». Все пункты изначально помечены как проваленные.

Ключевые параметры схемы:

• Формат списка фич: JSON с полями category, description, steps и passes. Markdown модель перезаписывала заметно чаще.
• Права кодинг-агента: менять можно только поле passes. Формулировка в промпте жёсткая: удалять или править тесты недопустимо.
• Объём работы: одна фича за итерацию.
• Завершение сессии: git-коммит с описательным сообщением и запись в файл прогресса, что позволяет откатывать неудачные правки.
• Старт сессии: pwd, чтение git log и файла прогресса, выбор незавершённой фичи с наивысшим приоритетом, запуск init.sh и базовый сквозной тест.

Тестирование и пределы подхода

Стартовая проверка устроена просто: агент поднимает сервер, через Puppeteer MCP открывает новый чат, отправляет сообщение и ждёт ответ. Если приложение сломано, баг чинится до начала новой работы, иначе следующая фича только усугубит ситуацию. Когда модель явно просят тестировать через автоматизацию браузера, как это делал бы человек, она находит ошибки, которых в коде не видно, и качество результата, по словам Anthropic, заметно растёт. Это также экономит токены: агенту не нужно каждый раз выяснять, как запускать и проверять приложение.

Ограничения остаются. Через Puppeteer MCP Claude не видит нативные модальные окна браузера вроде alert, поэтому функции, которые на них опираются, получались более глючными. Кроме того, зрение модели и возможности инструментов не позволяют поймать любой класс ошибок.

Что забрать в свой проект

Практический минимум можно перенести в любой агентный пайплайн уже сейчас. Заведите отдельный стартовый промпт для подготовки окружения. Храните требования в машиночитаемом файле с булевым статусом и запретите агенту править формулировки. Требуйте коммит и запись в журнал в конце каждой сессии. Начинайте каждую сессию с git log и короткого прогона приложения. Добавьте инструменты браузерной автоматизации, если тестируете веб.

Открытыми остаются два вопроса. Пока неясно, лучше ли один универсальный кодинг-агент, чем набор специализированных: тестировщик, QA, агент для чистки кода. Кроме того, результаты получены на полнстековой веб-разработке, и Anthropic лишь предполагает, что часть уроков перенесётся на научные исследования или финансовое моделирование. Это гипотеза, а не измеренный результат.