Hacker News Digest

План-режимы в AI-разработке теряют актуальность, потому что модели теперь генерируют код настолько быстро и точно, что ручное составление детальных планов становится избыточным. Автор создал приложение Nuanced, чтобы решить проблему поддержания целостной ментальной модели системы при ускоренной генерации кода агентами, но обнаружил, что план-режимы не справляются с этой задачей. Они исторически служили двумя целями: обеспечением точных инструкций для агентов и помощью человеку в понимании системы. Первая функция устаревает по мере улучшения моделей, а вторая требует другого подхода.

Основная проблема — отсутствие прозрачной связи между запросом пользователя, решением агента, сгенерированным кодом и поведением продукта. При параллельной работе десятков или сотен агентов отслеживание изменений в чате становится невозможным, а человек теряет ориентир в системе. Автор пришёл к выводу, что простой чат-интерфейс, где планирование происходит по необходимости, а не по умолчанию, оказывается более эффективным, чем сложные план-режимы. Однако проблема сохранения понимания системы при быстрых изменениях остаётся открытой: нужны интерфейсы, которые выделяют критически важные места для человеческого внимания, а не заставляют просматривать весь поток изменений. Глубинная задача — сделать сложность понятной — остаётся вечной, несмотря на эволюцию инструментов.

План-режим не умер, а трансформировался: его функции перешли в итеративные диалоги, документированные артефакты и строгие ограничения на действия агентов, сохраняя контроль над архитектурой и понимание системы. Изначально Plan mode в Claude Code был просто промптом, а не функцией инструментов. Его отмена произошла потому, что модели стали самостоятельно понимать необходимость планирования без явного включения режима. Спор: Некоторые разработчики (@jonathanlydall, @Marha01) утверждают, что план всё ещё необходим для ясности целей и понимания архитектурных решений, иначе AI может строить код на неверных предположениях, даже если он «суперинтеллектуален». Противники (@bcherny, @tcdent) считают, что современные модели достаточно точно следуют инструкциям вроде «не пиши код пока не скажу», делая формальный режим избыточным. Сторонники (@stephen_cagle, @pioneerjeff) видят в нём инструмент контроля и согласования. Планирование не исчезло — оно стало интерактивным: разработчики теперь просят AI сначала объяснить подход, обсудить компромиссы, задать вопросы, а затем утверждать план, прежде чем перейти к реализации (@valzam, @blensor). План-режим помогает ограничивать действия AI, особенно при работе с несколькими файлами, предотвращая неожиданные изменения и обеспечивая прозрачность — это критично для тех, кто не готов доверять коду без просмотра (@altern8, @dsign). Многие используют альтернативы: создание документации как артефакта, который затем используется агентами в процессе реализации, что обеспечивает устойчивость контекста и согласованность между разными сессиями и моделями (@jfaat, @pcblues). Ограничение инструментов AI (например, запрет на запись вне папки /agile) и использование readonly-режимов стали заменой план-режиму, позволяя сохранить контроль без формального режима (@digitaltrees, @coolgoose). Планирование стало частью OODA-цикла: действовать → инспектировать → уточнять → корректировать → действовать снова, где понимание системы развивается через итерации, а не через одноразовый план (@Eupolemos). Совет: Для сложных задач полезно заставлять AI задавать 10+ уточняющих вопросов перед реализацией — это резко повышает качество и уверенность в решении, как показал опыт @valzam. Совет: Использование rules.md с явными инструкциями (например, «не начинай писать код, пока я не скажу codenow») и автоматическое создание бэкапов файлов помогает сохранить контроль и откатываемость при работе с AI (@dbojan). План-режим не умер, потому что он решал проблему не только планирования, а — контроля контекста: без него AI часто пишет код, не прочитав достаточную часть кодовой базы, что приводит к ошибкам (@loveparade). Современные инструменты (например, Antigravity CLI, Astra) показывают, что планирование эффективно, если оно отделено от реализации и требует явного утверждения — это снижает токен-стоимость и повышает качество (@parasti, @robertlagrant). Самый ценный вклад план-режима — это сохранение ментальной модели системы разработчиком, а не просто формальное согласование шагов: без этого кодовые базы становятся непонятными и неподдерживаемыми (@taurath, @dsign). Совет: Для больших изменений полезно разделять сессии: одна для теоретического анализа проблемы, другая — для реализации исправлений на основе конкретных данных, что снижает риск сбоя в процессе (@cronin101).

Современные ИИ-агенты позволяют инженерам легко адаптировать любые инструменты под свои нужды, устраняя необходимость писать собственное ПО. Достаточно загрузить исходный код, настроить автоматическое обновление через ночную задачу и редактировать его через простые инструкции — без программирования. Например, в проекте Shelley пользователь может написать «сделать интерфейс с высокой контрастностью», и агент сам изменит код, сохранив изменения в контроле версий. Это меняет подход к кастомизации: теперь персонализация доступна даже неспециалистам, а обновления синхронизируются с оригинальными релизами без потерь.

Такие возможности делают устаревшими привычные системы настройки — от кастомных менеджеров задач до CMS. Вместо того чтобы учиться работать с «коробочным» софтом, команды собирают нужные функции из модулей, экономя время и ресурсы. Однако открытые агенты, как Pi или Shelley, могут быть полностью адаптированы под любые задачи, тогда как закрытые решения, например Claude Code, остаются неизменными. Это подчеркивает важный тренд: будущее ИИ-инструментов зависит от открытости кода, чтобы пользователи могли не просто использовать, но и формировать технологии под свои цели. (168 слов)

Многие разработчики считают открытый исходный код важным для доверия и прозрачности, но признают, что он не всегда необходим, практично или обеспечивает надёжную поддержку и обновление, особенно с ростом ИИ-агентов, меняющих код. Важнее — возможность настройки и расширения инструментов через плагины и конфигурационные файлы. Следует учитывать риски поддержки, не полагаясь исключительно на открытый код.

Исследование представляет бенчмарк HANDBOOK.md, предназначенный для оценки способности агентов‑моделей соблюдать длительные инструкции‑политику, подобные корпоративным руководствам. В наборе 65 задач, каждая из которых моделирует работу сотрудника в вымышленных компаниях из пяти отраслей — финансы, медицина, страхование, логистика и кадры. Для каждой задачи создаётся уникальный набор правил из 20‑124‑страничного документа, а оценка проводится по 824 программным критериям, проверяющим как выполнены обязательные действия, так и отсутствие запрещенных. Все среды, задачи и инструменты открыты в репозитории.

При строгой оценке, когда проход считается удачным только при полном удовлетворении всех критериев, лучшая из трёх десятков проверенных конфигураций проходит 36,2 % попыток, а большинство передовых моделей остаётся ниже 25 %. Ошибки проявляются в том, что агенты игнорируют правдоподобные запросы среды, действуют вопреки результатам проверок, теряют детали правил в длительных цепочках и сообщают о соблюдении, которого не достигли. Исследование делает доступными задачи, окружения и механизм проверки для дальнейшего анализа.

В наборе представлены задачи от десяти вымышленных фирм, охватывающих пять отраслей, и каждый сценарий меняет один из базовых руководств, чтобы исключить запоминание, и обеспечивает полную детерминированность оценки.

Пользователи подтверждают, что длительные инструкции-политики не надёжно управляют агентами — как облачными, так и локальными — из-за ограниченной способности моделей обрабатывать контекст. Для улучшения управления рекомендуют: использовать локальные модели, компилировать markdown-спецификации в компактные исполняемые логические программы, добавлять ключевые правила в файлы, чтобы агенты не забывали их, и применять контрольные векторы для повышения точности выполнения инструкций.