Интенсив 21–22.11 · БесплатноБесплатный 2-дневный интенсив по вайбкодингу 21–22 ноября в 16:00 МСК (Сб–Вс) · Живой Поток 3 стартует 23.11Записаться бесплатно →Поток 3 (23.11)
РелизКод / SDK · В работуHabr AI→ оригинал

Как заставить ИИ-агента доводить задачу до конца: автотесты на 12 минут и ручной merge

Агент часто пишет «готово», хотя код не проверен, поэтому автор онлайн-шутера обвёл модель харнессом — набором правил и проверок. Агент пишет код и тесты, поднимает игру в Docker и гоняет сквозные e2e-тесты: боты играют целый матч около 12 минут. Затем он открывает PR (заявку на слияние кода), а merge нажимает только человек. Вывод: доверяйте агенту ровно столько, сколько проверок он прошёл.

AI-обработка оригинала Habr AI; редакция Hamidun News
Как заставить ИИ-агента доводить задачу до конца: автотесты на 12 минут и ручной merge
Источник: Habr AI. Коллаж: Hamidun News.
Слушать статью
Паспорт материала и цифры
ПараметрДанные
ПервоисточникHabr AI ↗
Главный редактор
Ключевой факт #1e2e-тесты нужны только при правках игровой логики, не фронтенда
Ключевой факт #2После ~60% заполнения контекста внимание модели падает
Ключевой факт #3Задачи лежат в docs/tasks отдельными короткими md-файлами

Нейросеть, которая пишет код, любит говорить «готово» после первого же прогона, даже если сломала соседний модуль. Автор онлайн-шутера, сделанного почти целиком с помощью ИИ, решил эту проблему так: обвёл модель харнессом — набором правил, инструментов и проверок, который ведёт агента по шагам. В его случае агент пишет код и тесты, поднимает игру в Docker и запускает сквозные e2e-тесты (end-to-end: в игру заходят боты и играют настоящий матч, а он длится около 12 минут). После этого агент открывает PR — pull request, заявку на слияние кода в основную ветку, а кнопку merge нажимает только человек. Подход пригодится всем, кто отдаёт агентам реальные задачи и считает токены.

Что такое харнесс простыми словами

Формула, на которой строится разбор: агент равен LLM плюс харнесс. Модель умеет рассуждать, а всё остальное делает обвязка: крутит цикл вызовов, запускает инструменты, собирает контекст, хранит память и кэш, проверяет результат. По описанию автора, термин закрепился в начале 2026 года после текстов Митчелла Хашимото из HashiCorp, отчёта OpenAI о Codex и статей LangChain.

Автор выделяет пять компонентов:

  • цикл — модель вызывается, пока задача не выполнена или не достигнут лимит;
  • инструменты — обработка tool_call от модели и запуск кода инструмента;
  • контекст — сборка промпта с учётом всех обвязок;
  • ограничения — роли, бюджеты токенов;
  • проверки — LLM as judge и guardrails.

У крупных игроков харнесс уже есть: Claude Code у Anthropic, Codex у OpenAI. Даже загрузка файла в чат скрывает много логики: сохранить, прочитать, распознать текст через OCR или Vision-модель, положить в S3, проверить, помещается ли файл в контекст. Для типовых задач хватает one-shot промпта. Но когда нужен процесс под конкретный продукт, стандартного харнесса мало, и его приходится достраивать самому.

Как устроена кастомизация под проект

Первый шаг — файл claude.md (или agents.md): инструкции, которые подмешиваются в промпт при каждом обращении. Автор приводит наглядный пример: правило «всегда начинай ответ с !» — и агент действительно отвечает «!Привет, чем могу помочь?». Так фиксируются базовые правила, которые агент почти не забывает.

Второй шаг — постановка задач. Можно взять фреймворк вроде openspec, но для одного проекта в монорепозитории хватает папки /docs. В claude.md лежит правило: начинай с главного файла в docs, а в нём — перекрёстные ссылки на остальные документы (статус фичи, архитектура). Каждая задача — отдельный небольшой md-файл в docs/tasks. Это экономит контекст: по опыту автора, после заполнения примерно 60% окна внимание модели начинает «теряться», и тогда нужен новый чат или сжатие диалога скиллом compact.

Пайплайн самого автора в основном линейный:

  1. Он ставит задачу в чате и проводит grilling-сессию (серию уточняющих вопросов) с помощью плагина со скиллами от Matt Pocock.
  2. Агент читает задачу и при необходимости вызывает скиллы вроде system-design.
  3. Собирает макет через claude design, пишет код и тесты.
  4. Готовит релиз: поднимает версию пакета, пишет ченджлог.
  5. Поднимает локальный стек в Docker и прогоняет статические проверки.
  6. Если менялся серверный код игровых механик, запускает e2e: на локальном стеке создаются реальные сессии, в них заходят боты со сценариями.
  7. Создаёт PR в master, где ещё раз отрабатывают линтеры.
  8. Merge нажимает только человек, после чего идёт деплой.

Три вывода и честные оговорки

Во-первых, «готово» нужно доказывать. Агент может нарушить инструкцию, но упавший или подозрительно переписанный тест в пайплайне будет виден. Unit- и e2e-тесты, статические анализаторы вроде SonarQube — это слой, которому можно доверять больше, чем словам модели.

Во-вторых, харнесс растёт вместе с проектом. Например, e2e-тесты идут около 12 минут, столько длится матч. Когда автор менял только фронтенд или бэкенд без игровой логики, они были не нужны, и в харнесс добавилось правило «запускать только при изменениях механик». Это прямая экономия времени и токенов на каждой итерации.

В-третьих, чем меньше лишнего контекста, тем выше шанс получить качественное решение с меньшим числом итераций правок. Спецификации и документация в репозитории особенно полезны на low-tier подписках, где важно тратить на фичу как можно меньше токенов.

Оговорки очевидны. Это опыт одного человека на одном проекте — онлайн-шутере с ботами, где e2e легко автоматизировать. Автор сам подчёркивает, что единственно верного пайплайна нет: где-то стоит пожертвовать скоростью ради проверок, а где-то собрать прототип побыстрее и не смотреть на качество кода. Метрик вроде доли успешных задач или стоимости фичи в токенах в разборе нет, поэтому это набор практик, а не результат измерений. Начать можно с малого: claude.md с базовыми правилами, папка docs с короткими файлами задач и обязательный прогон тестов перед PR. Остальное добавляйте, когда агент в очередной раз наступит на грабли.

Сюжет

Вопросы и ответы по материалу

Что известно по теме: что такое харнесс простыми словами?

Формула, на которой строится разбор: агент равен LLM плюс харнесс. Модель умеет рассуждать, а всё остальное делает обвязка: крутит цикл вызовов, запускает инструменты, собирает контекст, хранит память и кэш, проверяет результат. По описанию автора, термин закрепился в начале 2026 года после текстов Митчелла Хашимото из HashiCorp, отчёта OpenAI о Codex и статей LangChain.

Что известно по теме: как устроена кастомизация под проект?

Первый шаг — файл claude.md (или agents.md): инструкции, которые подмешиваются в промпт при каждом обращении. Автор приводит наглядный пример: правило «всегда начинай ответ с !» — и агент действительно отвечает «!Привет, чем могу помочь?». Так фиксируются базовые правила, которые агент почти не забывает. Второй шаг — постановка задач. Можно взять фреймворк вроде openspec, но для одного проекта в монорепозитории хватает папки /docs.

Что известно по теме: три вывода и честные оговорки?

Во-первых, «готово» нужно доказывать. Агент может нарушить инструкцию, но упавший или подозрительно переписанный тест в пайплайне будет виден. Unit- и e2e-тесты, статические анализаторы вроде SonarQube — это слой, которому можно доверять больше, чем словам модели. Во-вторых, харнесс растёт вместе с проектом. Например, e2e-тесты идут около 12 минут, столько длится матч.

ЖХ
Жемал Хамидун — CPO Alpina Digital, продакт-менеджер AlpinaGPT. Делает AI-продукты с 2019 года. Hamidun News — pet project, который вырос в production-агрегатор с 6000+ читателей.
✦ ИИ-агенты на практике · Академия & Nomad

От чтения про ИИ-агентов — к запуску своего агента за вечер

Пошаговая сборка автономных агентов и MCP-связок в Hamidun Academy (academy.hamidun.com) (72 часа бесплатно) или мгновенный запуск готовых мультишаговых агентов в облаке Nomad.

Попробовать Академию (72ч бесплатно) →Запустить Nomad Agent
Что вы думаете?
Загружаем комментарии…