Два проекта за выходные: как ИИ-агенты изменили мою разработку

Введение. Революция ИИ-разработки

Помните тот момент в ноябре 2022 года, когда все вдруг начали спрашивать у ChatGPT, как написать функцию сортировки? «Прикольная игрушка», — думали мы тогда. Копипастили ответы, удивлялись, что код работает, но относились скептически. А сегодня я смотрю, как Claude Code создаёт целый микросервис с Docker-конфигурацией, пока я допиваю кофе. Времена изменились так быстро, что многие до сих пор не поняли: мы живём не в эпоху «умных автодополнений», а в эпоху автономных агентов.

Скептики качают головой: «Да ерунда это всё, ещё рано». А я за последний месяц запустил два проекта и опубликовал две npm-библиотеки, не написав ни строчки кода руками. Агент создал архитектуру, выбрал стек, написал код, настроил CI/CD. Я только объяснял бизнес-логику и проверял результат. Звучит как фантастика? Это уже реальность.

Конечно, есть подводные камни. Автодополнение от ИИ часто мешает больше, чем помогает — лучше его вообще отключить. Зато для изучения новых технологий агенты просто находка: дают контекст, объясняют архитектурные решения, показывают best practices. А DevOps-задачи? Забудьте про часы копания в документации — агент за минуты создаст нужную конфигурацию.

Главный инсайт: последовательность решает всё. Сначала план и высокоуровневая архитектура (HLA), потом выбор технологий, и только после этого — код. Именно так работают современные агенты, и именно так нужно с ними взаимодействовать.

Эта статья — ваш гид по новой реальности. Разберём инструменты, которые уже меняют индустрию, поговорим о деньгах (спойлер: экономика очень интересная), и я поделюсь практическими советами, как не утонуть в океане возможностей. Поехали!

2. Теоретические основы ИИ-разработки

2.1 Концепция ИИ-агентов и субагентов

Представьте, что у вас в команде появился новый джун-разработчик. Он читал всю документацию в мире, знает синтаксис всех языков программирования и может написать код со скоростью света. Единственная проблема — он совершенно не понимает бизнес-логику и иногда делает странные архитектурные решения. Зато если ему чётко объяснить задачу, он выдаст результат за минуты.

Это и есть современный ИИ-агент. Агент — это автономная программа, которая может планировать действия, выполнять задачи и адаптироваться к изменениям. В отличие от простых автодополнений, агенты работают с контекстом всего проекта и могут выполнять сложные многоэтапные задачи.

Многоагентные системы — это когда у вас не один такой «джун», а целая команда специалистов. Один агент отвечает за архитектуру, второй — за фронтенд, третий — за тесты, четвёртый координирует всех остальных. Каждый знает свою область и может консультироваться с коллегами. Исследования показывают, что такой подход значительно улучшает качество результата по сравнению с одиночными агентами.

Паттерн Orchestrator-Worker работает как тимлид с командой: главный агент (Orchestrator) планирует задачи и распределяет их между специализированными агентами (Worker). Получается что-то вроде Scrum, только участники команды — ИИ.

2.2 Vibe-кодинг: новая философия разработки

«Vibe-кодинг» — термин, который ввёл Андрей Карпаты, описывая новый подход к программированию. Суть проста: вместо того чтобы сидеть и тщательно продумывать каждую строчку, вы «ловите вайб» — интуитивно объясняете ИИ, что хотите получить, и позволяете ему воплотить идею в коде.

Это как разговор с тем самым начитанным джуном: «Сделай мне REST API для блога с авторизацией через JWT и возможностью загружать картинки». И через полчаса у вас готовая система.

Четырёхэтапный процесс vibe-кодинга:

Выбор платформы — определяете, какой ИИ-инструмент использовать и какую модель
Определение требований — объясняете, что нужно (но не как делать)
Итеративная доработка — уточняете детали, исправляете косяки
Обзор и развёртывание — проверяете результат и деплоите

Когда использовать: MVP, прототипы, личные проекты, изучение новых технологий.

Когда избегать: критически важные системы, высоконагруженные приложения без последующего рефакторинга.

2.3 Контекст-инжиниринг: искусство правильных вопросов

Помните анекдот про программиста, который пошёл в магазин? Жена говорит: «Купи хлеб, а если будут яйца — возьми десяток». Он приходит с десятью батонами хлеба. «Были яйца».

С ИИ-агентами та же история. Качество результата напрямую зависит от того, как вы формулируете задачу. Контекст-инжиниринг — это искусство правильно «разговаривать» с ИИ, чтобы получить именно то, что нужно.

Пятислойная архитектура контекста:

Системный слой — роль агента («Ты опытный Python-разработчик»)
Доменный слой — область знаний («Работаем с e-commerce проектом»)
Задачный слой — конкретная задача («Нужна система корзины»)
Слой взаимодействия — формат общения («Задавай уточняющие вопросы»)
Слой ответа — желаемый формат результата («Код + комментарии + тесты»)

Практические стратегии:

Q&A подход: позволяете агенту задавать вопросы вместо угадывания
«Плюсы и минусы»: просите оценить разные варианты решения
Пошаговые инструкции: разбиваете сложные задачи на этапы

Главное правило: чем точнее контекст, тем лучше результат. Но не переусердствуйте — иногда лучше дать агенту творческую свободу.

3. Обзор ведущих ИИ-инструментов для кода

3.1 Claude Code: терминальный агент нового поколения

Если бы ИИ-агенты участвовали в конкурсе красоты среди инструментов для разработки, Claude Code точно попал бы в финал. Он выглядит зрелым, продуманным, и работает прямо из терминала — именно там, где живут настоящие разработчики.

Как это работает

Claude Code — это CLI-инструмент, который превращает ваш терминал в портал к автономному разработчику. Он может анализировать всю кодовую базу без ручного выбора файлов, редактировать код напрямую, выполнять команды и даже создавать git-коммиты. По сути, вы получаете разработчика, который никогда не устаёт и готов работать 24/7.

Агентный поиск — фишка номер один. Он может анализировать всю кодовую базу без ручного выбора файлов, но не думайте, что можно просто сказать «найди баг с авторизацией» и получить магическое решение. Хороший подход выглядит так: «При логине пользователя система выдаёт ошибку 401, но токен генерируется. Проверь middleware аутентификации и валидацию JWT».

Чем больше контекста и конкретики — тем лучше результат. Но есть нюанс: Claude Code не очень любит большие логи через буфер обмена. Вместо копипаста лучше попросить его прочитать логи из файла или выполнить команду напрямую: «Выполни tail -f /var/log/app.log и найди ошибки аутентификации». Так у агента будут все логи в нативном формате. Либо набрав восклицательный знак (!) Claude Code перейдёт в режим bash, результат вывода этой команды будет доступен нейросети.

Прямое редактирование означает, что агент не просто генерирует код в чате — он открывает файлы, вносит изменения и сохраняет. Как настоящий коллега, только быстрее.

Система 5-часовых окон (и почему все на неё жалуются)

Вот тут Claude Code показывает свой характер. Вместо привычного «X сообщений в день» у него система 5-часовых окон. Каждые 5 часов ваш лимит сообщений обновляется. Звучит разумно, но на практике пользователи выработали хитрый тренд: использовать все доступные окна подряд каждый день. Для этого даже скрипты пишут, чтобы каждые 5 часов отправлялся запрос в Claude Code и таким образом инициировать начало 5-часового окна.

С подпиской Pro (~$20/месяц) получаете около 10–40 промптов каждые 5 часов. Если используете два окна ежедневно, этого более чем достаточно для серьёзной работы на месяц. Упереться в лимиты сложно, если не пытаться создать новый Яндекс за выходные.

Важно: избегайте оплаты по токенам как огня. Это прямая дорога к разорению. По сравнению с фиксированной подпиской, токены стоят космических денег.

Особенности характера

Claude Code — тщеславная штука. Он обожает добавлять себя в git-коммиты и список контрибуторов проекта. Как будто говорит: «Смотрите, я тоже разработчик!» Можно попросить этого не делать, но по умолчанию он любит покрасоваться.

Классная фишка: попросите сначала написать код, а потом тесты. Агент сам найдёт и исправит свои ошибки в процессе написания тестов. Правда, иногда пишет пустые тесты только для покрытия — обязательно перепроверяйте.

С Claude Code вы превращаетесь в архитектора, проджекта и лида одновременно. Вы ставите задачи, контролируете качество, принимаете архитектурные решения. Агент делает всю рутину.

3.2 Codex CLI: open-source альтернатива

Codex CLI — это открытый инструмент командной строки от OpenAI, превращающий ваш терминал в ИИ-разработчика. В апреле 2025 года OpenAI выложила Codex CLI в open-source, предложив разработчикам локальный агент с возможностями уровня ChatGPT. Он запускается на вашей машине, читает и редактирует файлы, выполняет команды — и всё это на основе естественно-языковых инструкций. В отличие от облачных ассистентов, Codex CLI работает локально, гарантируя приватность кода. Вы просто предоставляете свой OpenAI API-ключ или вход через ChatGPT Plus, и агент готов к работе.

Философия простоты

Главное преимущество Codex CLI — полная открытость исходного кода. Никаких чёрных ящиков: весь код доступен на GitHub, и при желании вы сами можете посмотреть или изменить логику работы. Не доверяете облаку — запускаете агент локально. Такая прозрачность особенно ценна для тех, кто хочет понимать, как всё устроено, и иметь контроль над инструментом.

Характер и особенности работы

Codex CLI ведёт себя заметно иначе, чем Claude Code. Если Claude ощущается как быстрый и самоуверенный коллега, то Codex — скорее вдумчивый философ. Он часто уходит в режим «размышления», порой задерживаясь с ответом. Пользователи (да и я тоже) отмечают, что дефолтная модель OpenAI (o5-medium) в Codex CLI работает ощутимо медленнее по сравнению с Claude Code.

Подход к решению задач у него тоже иной. Там, где Claude Code выстраивает элегантную архитектуру с продуманными абстракциями, Codex CLI выдаёт простое и прямолинейное решение — «без изысков, лишь бы работало». Никаких лишних слоёв и паттернов, только минимально необходимый код. Автоматизация настраивается гибко: есть режимы Suggest, Auto-Edit и Full Auto. В первом агент лишь предлагает изменения, во втором сам правит файлы (но спрашивает перед выполнением команд), а в третьем — действует полностью автономно в указанной папке.

Плюсы простого подхода:

Прозрачный код. Решения получаются без избыточных абстракций — агент сам настроен избегать ненужной сложности. Благодаря этому сгенерированный код обычно легко понять, в нём нет таинственной «магии» и скрытых зависимостей.
Полезно для обучения. Codex CLI способен объяснять существующий код простым языком — и вы получите построчный разбор сложной функции на человеческом языке. Такой инструмент отлично подходит, чтобы учиться и изучать новые паттерны, сразу видя понятные решения от ИИ.

Минусы:

Скорость работы. По сравнению с аналогами Codex CLI не бьёт рекордов скорости. Модель от OpenAI иногда задумчива: разработчики замечают, что генерация ответа идёт медленнее, чем у того же Claude Code. Для долгих сессий это может тормозить работу.
Простота вместо архитектуры. Алгоритм Codex решает задачи прямолинейно и порой жертвует архитектурной изощрённостью. В сложных проектах ему труднее поддерживать единый стиль и целостность дизайна: иногда исправления получаются изолированными и выбиваются из общей структуры приложения. Проектируя систему целиком, Codex проигрывает более «умным» коллегам.
Неоптимизированные решения. Стремясь «сделать, чтобы работало», Codex CLI может упустить нюансы. Его ответы хоть и правильны синтаксически, но иногда оказываются почти правильными — содержат тонкие логические ошибки или не учитывают некоторые крайние случаи. Без последующего ревью есть риск пропустить неэффективный кусок кода или баг. Таким образом, для критичных задач пока лучше заложить время на дополнительную проверку и доработку выводов Codex CLI.

3.3 Roo Code: open-source автономный агент

Если Claude Code — это CLI-инструмент, то Roo Code — расширение для VS Code. По сути, та же идея автономного агента, но встроенная прямо в редактор.

Философия open-source

Главное отличие Roo Code — полная открытость. Код доступен на GitHub, можно изучать, модифицировать, контрибутить. Это важно для тех, кто не доверяет закрытым системам или хочет понимать, как всё устроено изнутри.

Model-agnostic подход: можете подключить любую OpenAI-совместимую модель. Хотите экспериментировать с локальными моделями? Пожалуйста. Предпочитаете GPT-4? Без проблем.

Режимы работы

Roo Code предлагает несколько специализированных режимов:

Code — обычная генерация кода
Architect — архитектурные решения
Ask — вопросы и объяснения
Debug — поиск и исправление багов
Orchestrator — координация сложных задач

Экономика

Базовая платформа полностью бесплатна (BYOK — Bring Your Own Key). Платите только за API-вызовы к выбранной модели. Для некоторых задач это получается дешевле фиксированных подписок, особенно если это не постоянная разработка.

На практике Roo Code не уступает закрытым аналогам. Его сильные стороны — мгновенная смена моделей под задачу и прозрачная телеметрия расхода прямо в редакторе: сразу видно контекст, число токенов и ориентировочную стоимость. Это позволяет быстро подбирать оптимальную модель по качеству, скорости и цене, не теряя накопленный контекст и не меняя инструменты.

Кейс из практики. При отладке MCP-сервера, который запускался через node src/index.js, но не работал при запуске через npx, переключение модели в Roo Code с Claude Sonnet на Gemini решило задачу: Gemini 2.5 Pro по логам сразу указал на проблему, тогда как Claude Sonnet, несмотря на предоставленные логи, настаивал, что всё корректно. Вывод: model-agnostic подход — реальное конкурентное преимущество Roo Code, позволяющее закрывать сложные кейсы за счёт подбора «правильной» модели.

3.4 Google Gemini-CLI: прагматичный агент от Google

Если Claude Code — эстет, а Codex CLI — философ, то Gemini-CLI — это прагматик в мире ИИ-агентов. Это официальный инструмент от Google, созданный для разработчиков, которые ценят скорость, точность и минимализм. Он не пытается быть вашим «вторым пилотом» или творческим партнёром — он просто делает свою работу, и делает её хорошо.

Философия и подход

Gemini-CLI работает по принципу «вопрос-ответ». Никаких долгих размышлений, никакой лишней болтовни. Вы даёте ему задачу — он даёт вам решение. Этот агент ощущается как очень опытный, но немногословный старший разработчик: он не будет объяснять вам основы, но если вы зададите конкретный вопрос, вы получите точный и эффективный ответ.

Его главный фокус — на утилитарности. Нужно написать коммит-сообщение в стиле Conventional Commits? Gemini-CLI сделает это идеально. Нужно сгенерировать Dockerfile для Node.js-приложения? Вы получите оптимизированный и рабочий файл. Агент не стремится к архитектурным изыскам, его цель — решить конкретную задачу здесь и сейчас.

Экономическая модель и лимиты

Вот где Gemini-CLI показывает своё главное козырное преимущество. Инструмент полностью бесплатный с действительно щедрыми лимитами: 60 запросов в минуту и 1000 запросов в день. Это кардинально отличает его от большинства конкурентов.

Для сравнения: 1000 запросов в день — это примерно один запрос каждые 1,5 минуты в течение рабочего дня. Даже при очень интенсивном использовании вы вряд ли упрётесь в этот лимит. А если всё же упрётесь — лимит обновляется каждые 24 часа.

Единственная скрытая «стоимость» — время на настройку API-ключа Google. Но это одноразовая процедура на 5-10 минут.

Сильные стороны

Скорость и лаконичность. Gemini-CLI — один из самых быстрых агентов на рынке. Ответы приходят почти мгновенно, они всегда по делу и без «воды». Если Claude Code иногда может «размышлять» над архитектурными решениями, то Gemini сразу переходит к делу.

Точность в конкретных задачах. Он отлично справляется с задачами, у которых есть чёткий и единственно правильный ответ: генерация конфигураций, написание стандартного кода (boilerplate), форматирование текста, создание регулярных выражений.

Предсказуемость. В отличие от других агентов, которые могут «творчески» интерпретировать ваши запросы, Gemini-CLI делает именно то, что вы просите. Это особенно ценно для автоматизации и скриптинга.

Глубокая интеграция с экосистемой Google. Хотя это пока только потенциал, возможности огромны. Представьте агента, который может не только писать код, но и работать с Google Cloud, анализировать данные в BigQuery или создавать документы в Google Docs.

Слабые стороны и ограничения

Отсутствие «творчества». Не ждите от Gemini-CLI прорывных архитектурных идей. Он решит задачу так, как её решают 90% разработчиков — стандартно и надёжно. Для креативных штурмов и нестандартных решений лучше выбрать Claude Code или даже ChatGPT.

Требовательность к качеству промпта. Из-за своей прямолинейности агент плохо справляется с размытыми формулировками. «Сделай красиво» или «оптимизируй это» — не для него. Gemini-CLI нужны чёткие, конкретные инструкции: «Создай Docker-compose файл для PostgreSQL 15 с persistent volumes и environment variables для production».

Меньшая гибкость. Это продукт Google «как есть». У него меньше настроек и возможностей для кастомизации по сравнению с open-source аналогами вроде Roo Code. Вы не можете подключить альтернативные модели или настроить специфическое поведение.

Ограниченная работа с контекстом проекта. В отличие от Claude Code, который может анализировать всю кодовую базу, Gemini-CLI работает более локально. Он отлично решает точечные задачи, но хуже справляется с рефакторингом больших проектов или архитектурными изменениями.

Лимиты на сложность запросов. Несмотря на щедрые количественные ограничения, есть неявные лимиты на сложность. Очень объёмные кодовые базы или сложные многоэтапные задачи могут вызвать проблемы.

Когда использовать Gemini-CLI

Идеальные сценарии:

Быстрая генерация конфигураций (Docker, CI/CD, nginx)
Создание boilerplate кода
Форматирование и валидация данных
Автоматизация рутинных задач
Обучение и эксперименты с ИИ-агентами (бесплатно!)

Не подходит для:

Сложного архитектурного планирования
Креативных или нестандартных решений
Работы с большими legacy кодовыми базами
Задач, требующих глубокого понимания бизнес-логики

Практический совет

Gemini-CLI — отличный «второй агент» в арсенале разработчика. Используйте его для быстрых, конкретных задач, а для сложной архитектурной работы переключайтесь на Claude Code или другие инструменты. Благодаря бесплатности, вы можете держать его как запасной вариант без дополнительных затрат.

Если вы только начинаете знакомство с ИИ-агентами, Gemini-CLI — идеальная отправная точка. Нет риска потратить деньги впустую, лимиты более чем щедрые, а качество результатов позволит понять, подходит ли вам такой подход к разработке.

4. Продвинутые технологии

4.1 MCP: когда все API стали едиными (и почему это важнее, чем кажется)

Я много раз натыкался на статьи о MCP (Model Context Protocol) от Anthropic. Обычно отношусь к новым протоколам скептически — слишком много было «революционных» стандартов, которые оказывались очередным велосипедом. Но решил разобраться, что это такое и зачем нужно.

Проблема, которую решает MCP, знакома каждому: ИИ-агенты работают в изоляции. Claude Code может читать файлы и выполнять команды, но не может обратиться к GitHub API за списком issues. Cursor видит ваш код, но не знает структуру базы данных. Каждый инструмент — остров в архипелаге разрозненных сервисов.

Как это работает в реальности

MCP решает проблему «N интеграций для M агентов». Раньше каждый ИИ-инструмент требовал отдельной настройки для работы с внешними системами. Теперь настраиваете MCP-сервер один раз — и любой совместимый агент получает доступ.

Практический пример: вместо того чтобы экспортировать схему базы, копировать в чат, объяснять связи между таблицами, просто говорю Claude: «Найди всех пользователей, которые не логинились больше месяца и у которых есть активные подписки». Агент сам формирует SQL, выполняет запрос, анализирует результат.

Три столпа MCP:

Resources — читаем данные (GET /resources/users, GET /resources/pull_requests)
Tools — выполняем действия (POST /tools/create_issue, POST /tools/send_message)
Prompts — получаем контекст (готовые шаблоны для типичных задач)

Где я уже обжёгся

Первый блин комом: сделал MCP-сервер для умного дома, который при каждом запросе загружал полный список устройств и аксессуаров. Логично же — агенту нужен контекст. В результате каждый запрос «съедал» 700 000 токенов. Четыре запроса — и $16 испарились за полчаса. Урок: MCP-серверы нужно проектировать экономично.

Второй косяк: безопасность. MCP-сервер получил права на чтение/запись в базу данных. Агент теоретически мог выполнить DROP TABLE users. Пришлось настраивать read-only пользователя и whitelist разрешённых операций. MCP даёт мощь, но требует осторожности.

Что реально работает сегодня: MCP-серверы от проверенных разработчиков.

Что пока сырое: код Community MCP-серверов оставляет желать лучшего, могут ломаться после обновлений API.

Практические советы по внедрению

Начните с простого. Не пытайтесь сразу подключить всю инфраструктуру. Выберите один сервис, с которым работаете чаще всего — GitHub, базу данных, файловую систему.

Думайте об экономике токенов. MCP-серверы должны возвращать минимально необходимые данные. Лучше сделать несколько целевых endpoints, чем один, который возвращает всё подряд.

Настройте безопасность с самого начала. Read-only доступ, whitelist операций, отдельные учётные записи. Лучше потратить час на настройку, чем потом восстанавливать данные.

4.2 Self-healing системы: когда ИИ чинит продакшн в 3 утра

Представьте ситуацию: в 2:47 ночи вас будят — упал микросервис обработки платежей. Обычная история для любого разработчика: встать, залогиниться в Kubernetes, разбираться с логами, искать причину, чинить, потом час не можешь заснуть от адреналина.

Но ведь можно создать self-healing агента с доступом к кластеру и системам мониторинга. Идея простая: ИИ делает то же, что делаю я, только не просыпаясь в 3 утра.

Как это устроено в реальности

Self-healing агент подключается к Prometheus для метрик, ELK stack для логов, и имеет ограниченные права в Kubernetes. Когда Alertmanager присылает уведомление о проблеме, агент:

Анализирует алерт: смотрит метрики CPU/Memory/Network для проблемного сервиса
Читает логи: выполняет kubectl logs deployment/payment-service --tail=1000 и ищет паттерны ошибок
Диагностирует проблему: сопоставляет симптомы с базой знаний типичных проблем
Применяет фикс: выполняет безопасные recovery-операции (рестарт, скейлинг, очистка кэша)
Валидирует результат: проверяет, что метрики вернулись в норму
Отчитывается: шлёт детальный отчёт в Telegram с описанием проблемы и решения

Что агент решает отлично:

OutOfMemoryError — рестарт контейнера, рекомендация увеличить limits
Высокая нагрузка — автоматический скейлинг replicas
Переполненные логи — очистка старых файлов
Зависшие процессы — graceful restart сервиса

Где агент пасует:

Проблемы с базой данных — слишком рискованно автоматизировать
Network connectivity issues — требует анализа инфраструктуры
Каскадные отказы — агент видит только симптомы, не root cause
Проблемы с третьими сервисами — нет доступа к внешним системам

Подводные камни и риски

Что может пойти не так:

Агент неправильно диагностировал проблему с памятью в Redis и сделал рестарт, потеряв весь кэш. Сайт «упал» ещё сильнее из-за нагрузки на базу данных. Пришлось срочно откатывать и разбираться уже вручную.

Урок: self-healing агенты должны работать с жёсткими ограничениями. Нужно создать для агента whitelist из разрешённых операций и обязательная эскалация, если проблема не решается.

Рекомендуемые ограничения:

Только read-only доступ для диагностики
Белый список безопасных recovery-операций
Автоматическая эскалация людям через N минут
Детальное логирование всех действий агента
Rollback план для каждой операции

Что подходит для продакшена

Можно использовать «осторожный» вариант self-healing системы. Агент анализирует проблемы и готовит подробный отчёт с рекомендуемыми действиями, но не выполняет их автоматически. Это сокращает время диагностики с 15–20 минут до 2–3 минут.

Типичный отчёт выглядит так:

🚨 INCIDENT: payment-service высокое потребление памяти
📊 METRICS: Memory usage 94% (норма <80%)
🔍 ROOT CAUSE: Memory leak в session management
💡 RECOMMENDED ACTION: kubectl rollout restart deployment/payment-service
⚠️ RISK LEVEL: Low (stateless service)

Получаете всю нужную информацию за 2 минуты вместо 20, но финальное решение принимаете сами. Баланс между автоматизацией и контролем.

5. Сравнительный анализ и экономика

5.1 Честный разговор о деньгах

Помните тот момент, когда вы впервые увидели цены на ИИ-инструменты? «$20 в месяц за Claude Pro или ChatGPT? Да это копейки по сравнению с зарплатой разработчика!» А вот с оплатой по токенам другая история: когда пришёл первый счёт на $16 за один день использования API из-за неоптимизированного MCP-сервера.

История началась банально. Писал свой MCP-сервер для работы с умным домом через Spruthub, написал сервер, который при каждом запросе агента загружал полный список устройств и аксессуаров. Казалось разумным — агенту нужен контекст. В результате каждый запрос «съедал» около 700 000 токенов. Четыре таких запроса — и $16 испарились за полчаса работы. Урок усвоен жёстко: работа по токенам подходит только для нерегулярной разработки или очень точечных задач, а MCP-серверы нужно оптимизировать и защищать от потребления токенов.

Анатомия реальных расходов

Claude Code (Claude Pro) и Codex CLI — $20/месяц, и это честные $20. Никаких скрытых доплат, никаких превышений лимитов. Работает по принципу 5-часовых окон, и если вы не пытаетесь за день написать новый Яндекс, лимитов хватает с запасом. Единственная «скрытая» стоимость — время на ожидание обновления окна, если уперлись в лимит.

Cursor — заявляют $20 в месяц, но вот дьявол в деталях. Превышения стоят дорого, а токены расходуются быстрее, чем кажется. Один рефакторинг большого файла может «съесть» 100–200к токенов. Реально рассчитывайте на $25–35/месяц при активном использовании.

Roo Code — кажется почти бесплатным, но требует API-ключ. При аккуратном использовании выходит $5–15/месяц. При неаккуратном — см. мою историю с MCP-сервером выше.

Windsurf — аналогично Cursor, но с менее предсказуемым расходом токенов. Их модель цен менее прозрачна, что создаёт неприятные сюрпризы в счетах.

Токеновая ловушка в деталях

Оплата по токенам выглядит честной и прозрачной. «Платишь только за то, что используешь!» Но есть нюанс: вы платите не только за ваш код, но и за весь контекст, который агент анализирует при каждом запросе. А также за контекст всех подключённых MCP-серверов. Мой совет: всегда подключайте только то, что хотите использовать сейчас, не нужно добавлять кучу MCP про запас.

Простой пример: спрашиваете у агента, как исправить функцию в 10 строк. Но агенту для контекста нужна вся архитектура проекта — ещё 50 000 токенов. Итого за ответ на простой вопрос платите как за анализ целого проекта.

Подводные камни token-based моделей:

Контекст проекта передаётся при каждом запросе
Ошибки в интеграциях могут создать «токеновые бомбы»
Сложно предсказать месячный расход
Нет защиты от случайного превышения бюджета

Правда о «бесплатных» тарифах

Бесплатные тарифы и модели существуют не для работы, а для знакомства с продуктом. Claude Desktop даёт доступ к базовой модели — отлично для изучения, но для серьёзной разработки нужен Pro. У Cursor бесплатный лимит заканчивается за 2–3 дня активного использования. Тот же Openrouter предоставляет бесплатные модели, но работают они через раз, имеют жёсткие лимиты. Да и всё бесплатное, как сыр в мышеловке. Если вы не платите за продукт, то товаром являетесь вы. Куда могут утечь ваши запросы и как они будут использованы представить сложно.

Скрытые расходы экосистемы

Кроме основных инструментов, появляются сопутствующие траты:

Дополнительные API-ключи для экспериментов с разными моделями
Upgrade IDE подписок для интеграции с ИИ-плагинами

В моём случае к базовым $20 за Claude Pro добавилось ещё $30 на эксперименты с API и MCP-интеграциями.

Главное правило экономики ИИ-инструментов: фиксированные подписки почти всегда выгоднее оплаты по факту. Если планируете использовать ИИ больше пары часов в неделю — берите месячную подписку и спите спокойно.

5.2 ROI в реальных цифрах

«ROI от ИИ-инструментов невозможно посчитать», — говорят скептики. «Слишком много переменных, слишком субъективно». А я смотрю на два своих пет-проекта, которые полтора года пылились в статусе «60% готово», и думаю — вот вам самый честный ROI. За три дня с Claude Code довёл их до полноценных рабочих версий. Без единой строчки кода, написанной руками.

Кейсы максимальной отдачи

Реанимация заброшенных проектов — это где ИИ-агенты показывают себя во всей красе. У каждого разработчика есть папка с недоделками. Обычно на завершение такого проекта нужно заново вникать в код, вспоминать архитектуру, искать, на чём остановился. С агентом просто объясняешь: «Вот проект системы заказов, нужно добавить авторизацию и деплой». Агент анализирует кодовую базу и за день делает то, на что раньше ушло бы две недели.

DevOps и настройка инфраструктуры — ещё одна золотая жила. Настройка GitHub Actions раньше означала час копания в документации, поиск примеров, отладка YAML синтаксиса. Теперь: «Нужен CI/CD для Node.js проекта с тестами и деплоем в Docker». 15 минут — и готово. Работает с первого раза.

Boilerplate код — классика жанра. Агент создаёт структуру проекта, настраивает зависимости, пишет базовые CRUD-операции быстрее, чем вы успеваете сходить за кофе. Раньше на это уходил целый день, теперь — полчаса.

Антипаттерны: когда ИИ только мешает

Нишевые технологии — ИИ обучен на популярных решениях. Работаете с экзотической базой данных или специфическим протоколом? Агент будет упорно предлагать решения для PostgreSQL и HTTP, игнорируя вашу реальную задачу. В таких случаях документация и Stack Overflow эффективнее любого ИИ.

Микросервисная архитектура — когда у вас 20+ сервисов с запутанными зависимостями, никакой агент не поместит это в контекст. Он видит только фрагменты системы и может предложить решение, которое сломает половину интеграций. Лучше использовать ИИ для отдельных сервисов, а не для системы целиком.

Простые функции, которые «не заходят» — иногда ИИ упорно не может написать элементарную функцию. Генерирует код с багами, исправляет одну ошибку и добавляет две новые. В таких случаях быстрее написать самому и попросить агента проверить логику.

Невидимые метрики ROI

Кайф от процесса — это серьёзно. Когда не нужно писать тысячную форму или настраивать очередной webpack конфиг, остаётся время на интересные архитектурные задачи. Удовлетворение от работы растёт, выгорание снижается. Эту метрику не измерить в деньгах, но она критична для долгосрочной продуктивности.

Скорость изучения нового — раньше освоение фреймворка занимало недели чтения документации и экспериментов. Теперь агент создаёт рабочие примеры, объясняет best practices, показывает типичные паттерны. Время обучения сократилось в разы.

Снижение когнитивной нагрузки — не нужно держать в голове синтаксис всех языков, API всех библиотек, детали всех конфигураций. Мозг освобождается для решения реально важных задач.

Когда ROI отрицательный

ИИ-инструменты не окупаются в трёх случаях:

Вы редко кодите — меньше 10 часов в неделю
Работаете только с нишевыми технологиями — агенты не помогают
Принципиально против — тратите больше времени на сопротивление технологии, чем она могла бы сэкономить

Для всех остальных случаев вопрос не в том, окупятся ли ИИ-инструменты, а в том, как быстро это произойдёт. Обычно ответ — в первые две недели использования.

6. Выводы и практические рекомендации

6.1 Дорожная карта внедрения ИИ-инструментов

Полгода назад я был тем самым скептиком, который говорил: «Да что они понимают в архитектуре? Лучше сам напишу». Сегодня 80% рутинного кода в моих проектах создают агенты. Но путь от скепсиса к продуктивности оказался не прямым — полон проб, ошибок и неожиданных открытий.

Этап 1: Знакомство без обязательств (1–2 недели)

Что делать

Начните с бесплатных возможностей Claude, ChatGPT или того же Deepseek. Не ставьте амбициозных целей — просто экспериментируйте. Попросите объяснить сложную функцию из вашего проекта, сгенерировать типичный boilerplate, написать unit-тест.

На что обращать внимание

Как агент понимает ваш контекст?
Где делает архитектурные ошибки?
Какие задачи решает лучше вас, а какие хуже?

Красные флаги

Если после двух недель экспериментов вы не нашли ни одной задачи, где ИИ помогает — возможно, ваша область слишком нишевая, или вы работаете с устаревшими технологиями. В таком случае ИИ-инструменты пока не для вас.

Этап 2: Первая платная подписка (1 месяц)

Выбор инструмента:

Для терминальщиков: Claude Code — зрелый, стабильный, работает из командной строки
Для любителей IDE: Roo Code в VS Code — open-source, model-agnostic
Для экспериментаторов: Cursor — много функций, но дороже в долгосрочной перспективе

Тестовые задачи:

Создание небольшого проекта с нуля (TODO-app, простой API)
Рефакторинг существующего кода
Настройка CI/CD для одного из проектов
Написание документации для старого проекта

Метрики успеха:

Если за месяц сэкономили хотя бы 4–5 часов на рутинных задачах — инструмент окупился. Если меньше — возможно, стоит попробовать другой подход или инструмент.

Этап 3: Интеграция в рабочий процесс (2–3 месяца)

Что настраивать

Отключите автодополнение от ИИ в IDE — оно больше мешает, чем помогает
Настройте MCP-серверы для часто используемых сервисов (GitHub, база данных). В Claude Desktop есть отличная фишка: там можно включать/отключать MCP-серверы переключателем без редактирования конфига
Создайте свои шаблоны промптов для типичных задач

Новые процессы

Сначала архитектура и планирование с ИИ, потом кодирование
Используйте агентов для создания первого варианта, а не финальной версии
Всегда просите агента объяснить архитектурные решения

Этап 4: Продвинутые техники (3+ месяцев)

Многоагентные системы

Поэкспериментируйте с CrewAI или AutoGen для сложных проектов. Но только после того, как освоите одиночных агентов — многоагентность добавляет сложности.

Self-healing и автоматизация

Создавайте ИИ-агентов для мониторинга и диагностики проблем. Начните с read-only доступа и постепенно расширяйте возможности.

6.2 Чего ждать в ближайшие 6–12 месяцев

Что точно произойдёт

Консолидация рынка. Сейчас десятки ИИ-инструментов для кодирования, но выживут 3–5 лидеров. Мелкие проекты либо закроются, либо будут куплены гигантами. Не привязывайтесь к экзотическим инструментам — есть риск остаться без поддержки.

Падение цен. Token-based модели подешевеют в 2–3 раза из-за конкуренции и оптимизации. Фиксированные подписки останутся на том же уровне, но будут включать больше возможностей.

MCP как стандарт. Model Context Protocol станет де-факто стандартом для интеграций. Все крупные поставщики ИИ будут его поддерживать. Инвестиции в MCP-серверы окупятся.

Что вероятно случится

Локальные агенты. Модели уровня Claude Sonnet будут работать на обычных ноутбуках. Это решит проблемы приватности и зависимости от интернета. Но произойдёт не скоро. Требования к железу постепенно снижаются, но и ноутбуки становятся мощнее, получая специализированные NPU.

Интеграция с IDE. VS Code, IntelliJ и другие IDE получат встроенных агентов уровня Claude Code. Отдельные CLI-инструменты станут менее популярными. Хотя на мой взгляд, для CLI-инструментов есть огромное поле для развития: автономные агенты, работающие по расписанию или событиям скоро придут в нашу жизнь.

Специализированные агенты. Появятся агенты для конкретных областей — DevOps, QA, архитектуры, безопасности. Универсальные агенты останутся, но специализированные будут качественнее в своих нишах.

Риски и неопределённости

Регулирование. Возможны ограничения на использование ИИ в критически важных системах. Особенно в финтехе, зравоохранении, государственных отраслях. Следите за изменениями в законодательстве.

Техническое плато. Качество ИИ-агентов может временно перестать расти из-за фундаментальных ограничений текущих подходов. Прорывов в ближайшие годы ждать не приходится.

Экономические потрясения. Если цены на вычислительные ресурсы резко вырастут (из-за геополитики или ограничений на чипы), стоимость ИИ-инструментов может увеличиться в разы.

6.3 Как не потеряться в океане возможностей

Принцип минимальной достаточности

Не гонитесь за самыми продвинутыми функциями. 80% пользы ИИ-агентов дают 20% базовых возможностей: генерация кода, рефакторинг, объяснение архитектуры, написание тестов. Освойте эти базовые вещи, прежде чем переходить к многоагентным системам и self-healing. Они обязательно вам пригодятся.

Фокус на реальных проблемах

Хорошая причина использовать ИИ:

«Мне надоело писать одинаковые CRUD-операции»
«Хочу быстрее изучать новые технологии»
«Устал настраивать CI/CD для каждого проекта»

Плохая причина:

«Все используют, и я хочу»
«Хочу полностью заменить программирование ИИ»
«Надеюсь, что ИИ решит все мои проблемы» (спойлер: не решит)

Баланс между автоматизацией и контролем

Правило 70/30. Позвольте ИИ делать 70% рутинной работы, но 30% критических решений оставьте за собой. Архитектура, выбор технологий, security-вопросы — ваша зона ответственности.

Checkpoint-подход. Разбивайте большие задачи на этапы и проверяйте результат после каждого. Не позволяйте агенту работать автономно больше 20–30 минут без вашего участия.

Безопасность. Не разрешайте выполнение всех команд подряд, ИИ-агентам нельзя доверять.

Инвестируйте в навыки, которые ИИ не заменит

Что останется за людьми:

Понимание бизнес-требований и их перевод в техническое решение
Архитектурные решения
Общение с заказчиками и командой
Планирование и управление проектами
Безопасность и соответствие требованиям

Что передавать ИИ:

Boilerplate код и типовые решения
Настройка инфраструктуры по шаблонам
Рефакторинг и оптимизация существующего кода
Написание тестов и документации
Исследование новых библиотек и фреймворков

Заключение

ИИ-революция в разработке уже началась. Не завтра, не через год — прямо сейчас. Пока одни разработчики спорят о том, заменит ли ИИ программистов, другие уже используют агентов для создания продуктов быстрее, качественнее и с большим удовольствием.

Главное — найти свой баланс. ИИ-агенты не должны заменить ваше мышление, они должны его усилить. Используйте их для рутины, но оставайтесь архитектором своих решений. Автоматизируйте то, что вас утомляет, но не теряйте контроль над тем, что действительно важно.

Успех будет за теми, кто сможет адаптироваться, сохраняя баланс между автоматизацией и человеческим мастерством, между скоростью и качеством, между инновациями и надёжностью.

Добро пожаловать в новую эпоху разработки. Время действовать — сейчас.