Agentic coding за год: от автодополнения к автономным агентам

Ещё год назад помощь ИИ в разработке в основном сводилась к автодополнению строки и генерации функции по комментарию. За прошедшие месяцы крупные игроки выпустили инструменты другого класса: агенты*, которые получают задачу текстом, сами ходят по файлам проекта, редактируют несколько модулей за один заход, запускают тесты и линтеры, читают вывод ошибок и повторяют цикл. Ключевые релизы этого направления — Claude Code от Anthropic, OpenAI Codex в новом виде (CLI и облачный агент), Gemini CLI от Google и агентный режим в GitHub Copilot. Это не косметическое обновление автодополнения, а смена самого способа работы с кодом.

Что конкретно поменялось

Главная разница между ассистентом-2023 и агентом-2024/2025 — в объёме контроля, который вы отдаёте инструменту, и в длине задачи, которую он может довести до конца без вмешательства.

• Работа с целым репозиторием, а не с открытым файлом. Агент сам ищет нужные места по проекту, а не ждёт, пока вы вставите фрагмент в чат.
• Доступ к инструментам. Агент запускает команды в терминале, ставит зависимости, гоняет тесты, читает логи. Правит код по результату — это цикл «попробовал → проверил → исправил».
• Асинхронный режим. Появились облачные агенты, которым ставят задачу и уходят: они работают в изолированной среде и в конце открывают пул-реквест. Так устроены облачный Codex и Copilot coding agent.
• Больше контекста. Расширение контекстного окна** позволило держать в поле зрения десятки файлов сразу, а не пересказывать структуру проекта вручную.
• Протоколы интеграции. Model Context Protocol (MCP), представленный Anthropic в конце 2024 года, стал общим способом подключать к агенту внешние источники — базы, трекеры задач, документацию.

Разница простая: раньше вы писали код с подсказками ИИ, теперь вы ставите задачу и проверяете чужую работу. Роль разработчика сдвигается от набора текста к ревью и постановке требований.

Как выглядят основные инструменты

Ниже — сравнение по формату работы и доступности. Цены подписок меняются часто, поэтому актуальные тарифы сверяйте на официальных страницах продуктов — здесь указан только формат оплаты.

Точные лимиты, состав планов и наличие функций у каждого продукта стоит проверять на его официальном сайте: за последний год состав тарифов и названия режимов у всех перечисленных менялись не по разу.

Про бенчмарки — осторожно

Поставщики любят цифры вроде «столько-то процентов на SWE-bench» — это набор реальных задач из GitHub-репозиториев, где модель должна починить баг так, чтобы прошли тесты. Проблема в том, что условия прогонов у разных вендоров различаются: с какими подсказками, сколько попыток, какая обвязка вокруг модели. Сравнивать голые проценты из разных пресс-релизов некорректно. Если вам важна цифра — смотрите методику конкретного прогона в первоисточнике, а не сводную табличку из рекламного поста.

Кому это пригодится и кому нет

Где агенты уже дают выигрыш

• Рутинные однотипные правки. Переименовать API по всему проекту, обновить версию библиотеки с миграцией, добавить обработку ошибок в десяток похожих мест.
• Написание тестов к существующему коду. Агент читает функцию, генерирует тесты, запускает их и дорабатывает по падениям.
• Разбор незнакомого репозитория. Задать вопрос «где здесь происходит авторизация» и получить ответ со ссылками на файлы быстрее, чем грепать вручную.
• Прототипы и черновики. Собрать рабочий каркас фичи, который человек потом доводит до продакшена.

Где пока лучше не полагаться

• Критичная безопасность и деньги. Платёжная логика, права доступа, обработка персональных данных требуют ревью человеком построчно — цена ошибки слишком высока.
• Задачи с размытыми требованиями. Агент отлично выполняет чёткое ТЗ и плохо угадывает то, что вы сами до конца не сформулировали.
• Большие архитектурные решения. Выбор между подходами, оценка долгосрочных последствий — это всё ещё зона человека.
• Работа без тестов. Если проект нечем проверить автоматически, агент лишается обратной связи и качество правок падает.

Что это меняет в цене вопроса

Смещение от автодополнения к агентам меняет структуру затрат. Автодополнение стоило почти фиксированную сумму в месяц. Агент, который сам гоняет циклы «правка — тест — правка», расходует заметно больше токенов, и при оплате по API счёт за одну сложную задачу может оказаться выше, чем вы ожидаете. У продуктов с подпиской это спрятано в лимитах плана, но при активном использовании в них упираются.

Второй скрытый расход — время на ревью. Агент выдаёт много кода быстро, и весь этот код кто-то должен прочитать. Экономия на наборе текста легко съедается временем на проверку, если относиться к выводу агента как к готовому результату, а не как к черновику.

1. Начните с изолированной задачи с тестами, а не с боевого сервиса.
2. Настройте агенту доступ к запуску тестов — без обратной связи он работает вслепую.
3. Держите правки небольшими: один пул-реквест — одна задача, так проще ревьюить.
4. Следите за расходом токенов, если платите по API, особенно на длинных автономных прогонах.
5. Не отдавайте агенту то, что не сможете проверить сами.

* Агент — программа на базе языковой модели, которой дают цель и набор инструментов (терминал, доступ к файлам, запуск тестов). Она сама решает, какие шаги предпринять, выполняет их и корректирует действия по результату, без пошаговых команд человека.

** Контекстное окно — максимальный объём текста (кода, инструкций, вывода команд), который модель удерживает «в памяти» за один запрос. Чем оно больше, тем больше файлов проекта агент видит одновременно.