Hacker News Digest

LLM-ассистент для кода стал практичным после перехода от хаотичных запросов к системному управлению через файл agent.md в корне проекта. Раньше генерация кода давала компилируемые, но нечитаемые монолиты — например, сложный бинарный кучу в Rust с скрытыми багами в polling-библиотеке. Качество росло только после внедрения «агента»: теперь LLM получает чёткие инструкции по стилю, структуре и архитектуре прямо в prompt, что позволяет фокусироваться на дизайне, а не на правке мусора.

Ключевые правила agent.md: минимум слов в комментариях, константы вместо магических чисел, короткие имена функций (<30 символов), ранние возвраты вместо вложенных блоков и строгое соблюдение слоёв абстракции. Особенно важно — не трогать чужой код, добавлять комментарии только к изменённым участкам и использовать пустые строки для «дыхания» читателя. Без этого даже мощные модели теряют контекст («context dilution»), особенно в длинных сессиях. Решение — короткие сессии и явный вызов «reload agent.md» при падении качества. Теперь я вижу, как LLM пишет код, похожий на человеческий, но только если я сам задаю тон: без похвалы, с жёсткими ограничениями и фокусом на читаемость.

AGENTS.md устаревает: современные модели (Opus, Fable, SOTA) требуют меньше процедурного коучинга, а детальные инструкции игнорируются или загрязняют контекст. Базовые правила форматирования (например, скобки в if) должны enforced линтерами, а архитектурные контексты — в CONTRIBUTING.md или CODING_STANDARDS.md. AGENTS.md должен содержать только специфичные для ИИ инструкции. Эффективнее использовать краткие позитивные директивы («делай Y»), а не запреты («не делай X»), и многопроходный подход: сначала добиться работы, потом ревью по гайдлайнам. Правило «Convergence» (завершение успехом, прогрессом или честной остановкой с доказательством) предотвращает бесконечную генерацию патчей. ASD-STE100 снижает вербозность ответов. Явно запрещать трогать несвязанный код — критично. Вместо статичных файлов — динамическое обновление AGENTS.md ИИ по мере проблем. Эффективнее заставлять агента самому определять применимые правила — это даёт 100% консистентность и экономит контекст. «Перечитай AGENTS.md» — баг harness-а; контекст должен композиться автоматически. Ключевые слова SHALL/MUST помогают локальным LLM. Споры: длина имён функций — ограничения vs. целостность контекста; необходимость AGENTS.md вообще — код как спецификация vs. явные архитектурные указания. AGENTS.md считают «костылём» — новые модели лучше работают без него.

Несмотря на кажущуюся стагнацию, область генерации изображений ИИ активно развивается с появлением моделей вроде FLUX.1-dev, Seedream, Ideogram и Google Imagen 4. Однако ChatGPT с бесплатной генерацией изображений стал новым эталоном после вирусного успеха с промптом "Make me into Studio Ghibli". Его модель gpt-image-1 работает авторегрессивно, генерируя токены как текст, что делает её медленной (30 секунд на изображение), но доступной бесплатно.

В августе 2025 года загадочная модель "nano-banana" появилась на LMArena и позже была выпущена Google как Gemini 2.5 Flash Image. Её популярность вывела приложение Gemini на вершину App Store. Автор подчёркивает выдающуюся точность следования промптам Nano Banana, что делает её особенно ценной для сложных запросов. Пользователи могут генерировать изображения бесплатно через веб-версию Gemini или приложение, а разработчики - использовать API за $0.04 за изображение. Для упрощения работы с API автор создал Python-пакет gemimg.

• Пользователи успешно используют Nano Banana для создания последовательных визуальных историй (сториборды, комиксы) с контролем персонажей, окружения и времени суток через многослойные промпты.
• Модель демонстрирует ограничения: проблемы с точным рендерингом текста, стилизацией (особенно сложных персонажей), непредсказуемыми изменениями деталей при редактировании и путаницей в интерпретации направлений (лево/право).
• Технические решения включают использование Python-библиотек (gemimg), API (Google AI Studio), маскирование для удаления водяных знаков и интеграцию с LLM (Mistral) для генерации вариаций промптов.
• Обсуждаются сложности достижения точных результатов (например, стиль-трансфер, удаление отражений) и необходимость тщательного промпт-инжиниринга для контроля вывода.

Vibe-кодинг глазами ветерана

Эксперимент
2 недели, 40 часов, 5 k строк Python: AI-агент и я пишем микро-игру с алгоритмами A*, Minimax и пр. Цель — проверить, вытесняет ли LLM «искусство программирования».

Процесс

• Промптинг: описываю задачи естественным языком, AI генерирует код.
• Рефакторинг: «сделай класс короче», «добавь тесты» — срабатывает 80 %.
• Отладка: трассировка стека + «почему падает?» — LLM быстро находит баги.
• Архитектура: за меня выбирает структуру пакетов, но я корректирую.

Что понравилось

• Скорость: MVP за 3 вечера.
• Меньше рутины: никаких «import os.path.join».
• Новые идеи: AI предложил кэш-стратегию, которой я не планировал.

Что не так

• «Галлюцинации» API: методы, которых нет в библиотеке.
• Сложные баги: race condition LLM не видит без контекста.
• Читаемость: имена вроде helper_utility_v2 приходится переименовывать.

Выводы

• Junior-девелопер теперь = «человек, который умеет спрашивать».
• Сеньор нужен, чтобы фильтровать, тестировать и нести ответственность.
• Синтаксис умирает, зато растёт ценность системного мышления и prompt-инженерии.

Советы ветеранам

1. Делайте микро-промпты: «добавь docstring» → «добавь пример вызова».
2. Держи CI/CD: автотесты ловят ошибки, которые AI пропустил.
3. Используй AI как пару, а не замену: «покажи diff» вместо «перепиши всё».

Итог
Vibe-кодинг не убивает профессию, а сдвигает фокус: от написания символов к управлению смыслом. Сборочная линия есть, но над ней всё ещё нужен человек с вкусом.

• Участники сравнивают LLM с консалтинговой фирмой: 50 % шанс получить эксперта, 50 % — стажёра; приходится перечитывать каждую строку.
• «Vibe-coding» (генерация без чтения) вызывает опасения: сложно дебажить, нельзя защитить авторские права, а тонкие баги пролезают.
• Опыт показывает: AI полезен в известных языках и задачах (Python, CRUD), но почти бесполезен в нишевых (C/C++ gamedev, Prolog, Haskell).
• Старшие разработчики всё равно нужны: только они могут проверять, направлять и «владеть» кодом, созданным ИИ.
• Возникает вопрос: если не брать джунов, откуда возьмутся будущие сеньоры?
• Предлагают термины вместо «vibe-coding»: «pro-coding», «prompt-coding», «reviewing code».

Как собрать код-агента: бесплатный воркшоп

Материалы и исходники: GitHub

Суть

• Агент — это 300 строк кода, работающие в цикле, которому просто подаются токены LLM.
• Поняв принцип, вы перестанете быть потребителем ИИ и станете его продюсером, автоматизируя свою работу.

Зачем

• В 2025 г. знание, как создать агента, стало фундаментальным навыком, как понимание primary key.
• Работодатели ищут тех, кто может оркестрировать ИИ внутри компании.
• Во время Zoom-звонка ваш агент может уже писать код, который вы только обсуждаете.

Что будет на воркшопе

• Live-сборка агента прямо во время доклада.
• Объяснение внутреннего устройства: цикл, токены, промпты.
• Практика: агент строит агента под диктовку.

Дальше

• Если хотите, чтобы я провёл такой воркшоп у вас в компании — пишите.

• Команда Princeton SWE-bench выложила компактный (~100 строк) агент для SWE-bench.
• Пользователи жалуются на перегруженный AI-слайд-стиль и избыточные картинки, которые мешают чтению.
• Спор о необходимости отдельных инструментов: многие действия можно делать через bash, но специализированные утилиты экономят токены и повышают надёжность.
• Обсуждают, что «токены = деньги» и что локальные модели могут изменить ситуацию.
• Критика: пост показывает лишь базовый подход, не раскрывая продвинутые темы (sandbox, snapshot, prompt-инженерия).