Skip to content
Agentic Engineering

Тренды и паттерны AI-кодинга

Коллекция новых паттернов, техник и методологий в AI- assisted разработке программного обеспечения. Эти подходы представляют развивающиеся лучшие практики сообщества.

Паттерны разработки

Section titled “Паттерны разработки”

Ralph Wiggum

Section titled “Ralph Wiggum”

Техника AI-цикла для запуска кодинг-агентов в непрерывных циклах, где AI итерирует собственный вывод до тех пор, пока тесты не пройдут и код не скомпилируется. Этот подход использует «стоп-крюки» (stop hooks) для предотвращения преждевременного выхода, заставляя AI улучшать работу через несколько проходов вместо попытки достичь совершенства с первой попытки.

→ Читать полное руководство по Ralph Wiggum

Ключевые характеристики:

  • Детерминированно плохие ошибки (предсказуемые и информативные)
  • Автоматическая логика повторных попыток
  • Цикл продолжается до выполнения критериев завершения
  • Успех зависит от качества промпт-инженерии

Варианты использования:

  • Циклы рефакторинга (обнаружение и очистка дублирующегося кода)
  • Циклы линтинга (инкрементальное исправление ошибок)
  • Снижение энтропии (удаление code smell)

Ресурсы:

Spec-Driven Development (Spec Kit)

Section titled “Spec-Driven Development (Spec Kit)”

Методология, которая рассматривает спецификации как исполняемые живые артефакты, напрямую управляющие реализацией AI-агента. Вместо того чтобы сразу переходить к коду, вы определяете намерение в спецификации, которая становится источником истины — предотвращая ловушку «vibe coding», где агенты создают что-то, что компилируется, но не соответствует тому, что вам действительно нужно.

→ Читать полное руководство по Spec-Driven Development

Ключевые характеристики:

  • Спецификации определены заранее как живые документы
  • Фазовый рабочий процесс: Конституция → Спецификация → План → Задачи → Реализация
  • Мультивариантное исследование из одной спецификации
  • Работает с GitHub Copilot, Claude Code, Gemini CLI, Cursor и другими

Варианты использования:

  • Greenfield разработка с четким намерением
  • Работа над функциями в сложных существующих кодовых базах
  • Модернизация legacy-систем
  • Критически важные функции (платежи, здравоохранение, safety-critical)

Ресурсы:

Research, Plan, Implement (RPI)

Section titled “Research, Plan, Implement (RPI)”

Трехфазный фреймворк для превращения хаотичных AI-взаимодействий в предсказуемую высококачественную доставку ПО. Вместо того чтобы сразу переходить к генерации кода, RPI разбивает работу на сфокусированные фазы со встроенной валидацией: исследуйте, что существует, планируйте изменения систематически, затем выполняйте механически.

→ Читать полное руководство по RPI

Три фазы:

  1. Research (Исследование): Документируйте, что существует сегодня — без мнений, без предложений, только факты.
  2. Plan (Планирование): Спроектируйте изменение с атомарными задачами, критериями успеха и точками валидации.
  3. Implement (Реализация): Выполняйте механически, верифицируйте после каждой фазы и обновляйте отслеживание прогресса.

Ключевой принцип: Планирование без исследования приводит к плохим предположениям. RPI использует шкалы валидации FAR (Factual, Actionable, Relevant — Фактуальный, Действенный, Релевантный) и FACTS (Feasible, Atomic, Clear, Testable, Scoped — Выполнимый, Атомарный, Понятный, Тестируемый, Ограниченный) для обеспечения готовности перед продвижением.

Ресурсы:

Outcome Engineering (o16g)

Section titled “Outcome Engineering (o16g)”

Манифест о переориентации разработки вокруг результатов вместо кода. O16g утверждает, что поскольку AI-агенты снимают ограничения человеческой пропускной способности, мы должны управлять стоимостью (токенами) вместо мощности (часами инженера), измерять успех верифицированным воздействием вместо написанных строк и рассматривать код как механизм доставки идей, а не конечную цель.

→ Читать полное руководство по Outcome Engineering

Суть переосмысления:

  • Создание, а не код — Фокусируйтесь на том, что вы строите, а не на том, как вы это набираете.
  • Стоимость, а не время — Если результат стоит токенов, он будет построен.
  • Определенность, а не вайбы — Единственная истина — это скорость позитивных изменений, доставленных клиенту.

16 принципов включают:

  • «Backlog мертв» — Никогда не отклоняйте идею из-за нехватки времени, только из-за нехватки бюджета.
  • «Кодируйте Конституцию» — Кодируйте законы и намерения в среду, где агенты могут их использовать.
  • «Верифицированная реальность — единственная истина» — Оценивайте агентов по верифицированным результатам, а не по написанным строкам.
  • «Ошибки — это артефакты» — Дебажьте решение, а не только код.

Ресурсы:

  • ЧИТАТЬ: The o16g Manifesto — Полный манифест со всеми 16 принципами

OpenClaw

Section titled “OpenClaw”

Open-source AI-agent среда выполнения, которая соединяет языковые модели с вашими существующими инструментами и сервисами. Вместо того чтобы AI жил в браузерной вкладке, OpenClaw работает локально (или на вашем VPS) и интегрируется с мессенджерами, календарями, почтой, shell, браузером и другим — предоставляя агентам постоянный контекст о вашем рабочем процессе.

→ Читать полное руководство по OpenClaw

Ключевые характеристики:

  • Работает локально или self-hosted (ваши данные остаются вашими)
  • Подключается к мессенджерам (Telegram, Discord, Signal, Slack), календарям, почте и другим
  • Постоянная память между сессиями через workspace-файлы
  • Создание суб-агентов для параллельных фоновых задач
  • Система навыков для расширения возможностей

Варианты использования:

  • Персональный AI-ассистент с доступом к вашим реальным инструментам
  • Автоматизированные рабочие процессы (сортировка входящих, управление календарем, проверка кода)
  • Проактивный мониторинг и запланированные задачи
  • Фоновые исследования и выполнение задач

Ресурсы:

Примечание: OpenClaw изначально назывался «ClawdBot», затем «MoltBot», прежде чем остановиться на «OpenClaw».

Паттерны промптинга

Section titled “Паттерны промптинга”

Stepwise / Итеративный промптинг

Section titled “Stepwise / Итеративный промптинг”

В этом паттерне вы разбиваете сложные задачи на небольшие управляемые части с циклами обратной связи между каждой итерацией, вместо запроса монолитных блоков кода.

Преимущества:

  • Легче дебажить и валидировать
  • Лучшее управление контекстом
  • Больше контроля над направлением
  • Сниженная когнитивная нагрузка

Пример подхода:

  1. «Сначала обновите определения типов»
  2. Просмотрите и одобрите
  3. «Теперь обновите реализацию в соответствии с ними»
  4. Просмотрите и одобрите
  5. «Наконец, добавьте тесты»

Ресурсы:

Context Packing / Brain Dumps

Section titled “Context Packing / Brain Dumps”

Это практика предварительной загрузки всего релевантного контекста (архитектура кодовой базы, API-документация, ограничения, инварианты) в промпты перед кодингом.

Что включить:

  • Обзор архитектуры
  • API-документацию
  • Ограничения и требования
  • Существующие паттерны и соглашения
  • Известные подводные камни или edge cases

Преимущество: Снижает галлюцинации и улучшает точность первой попытки.

Ресурсы:

Chain-of-Thought Prompting

Section titled “Chain-of-Thought Prompting”

Просьба к AI объяснить свои рассуждения шаг за шагом перед предоставлением кода, аналогично требованию design doc.

Пример структуры промпта:

Перед написанием кода объясните:
1. Какую проблему вы решаете
2. Ваш подход и почему
3. Ключевые проектные решения
4. Потенциальные компромиссы


Затем предоставьте реализацию.

Преимущества:

  • Ловит логические ошибки рано
  • Делает рассуждения аудируемыми
  • Помогает людям понять подход
  • Часто улучшает качество кода

Ресурсы:

Стили разработки

Section titled “Стили разработки”

Vibe Coding / Prompt-First Development

Section titled “Vibe Coding / Prompt-First Development”

В этом стиле AI-assisted разработки разработчики описывают желаемое на естественном языке и итерируют с AI.

Характеристики:

  • Спецификации на естественном языке
  • Быстрая итерация
  • Обучение через действие
  • Меньше предварительного планирования

Когда это работает:

  • Прототипирование и исследование
  • Хорошо понятные домены
  • Проекты индивидуальных разработчиков

Риски:

  • Накапливающийся технический долг
  • Нечеткие требования
  • Сложнее поддерживать долгосрочно

Ресурсы:

Objective-Validation Protocol

Section titled “Objective-Validation Protocol”

Это систематический подход к определению четких критериев успеха и целей валидации для AI-генерируемого кода, установлению порогов производительности и отслеживанию валидационных целей между итерациями.

Компоненты:

  • Четкие критерии успеха
  • Пороги производительности
  • Валидационные чекпоинты
  • Отслеживание между итерациями

Преимущества:

  • Измеримый прогресс
  • Объективные quality gates
  • Легче дебажить
  • Лучшая документация

Соображения при внедрении

Section titled “Соображения при внедрении”

При оценке этих паттернов учитывайте:

  • Зрелость команды: Некоторые паттерны требуют большего опыта работы с AI.
  • Фаза проекта: Разные паттерны подходят для исследования vs. продакшена.
  • Критичность кода: Safety-critical код требует более строгих подходов.
  • Размер команды: Коллаборативная работа может требовать более структурированных паттернов.

Это живой документ. Паттерны будут развиваться по мере того, как сообщество узнает, что работает.