Как устроены AI-агенты для кодирования: разбор по частям
Себастьян Рашка объясняет архитектуру coding-агентов (вроде Claude Code или Codex CLI) — почему они работают лучше голой модели в чате. Секрет не в самой LLM, а в «обвязке»: управление контекстом репозитория, работа с инструментами, память, применение правок и итеративная обратная связь. Статья раскладывает шесть ключевых компонентов такого агента и объясняет разницу между обычной LLM, reasoning-моделью и агентской системой.
Если вы разрабатываете AI-инструменты или выбираете между ChatGPT и Claude Code для работы с кодом, важно понимать: побеждает не модель, а архитектура вокруг неё. Эта статья — практический гайд по устройству современных coding-агентов.
Агенты для кодирования — это не просто LLM в терминале
Себастьян Рашка (автор книг по LLM) написал подробный разбор того, как устроены coding-агенты вроде Claude Code и Codex CLI. Главный тезис: успех таких инструментов — не столько в самой модели, сколько в agent harness — программной «обвязке», которая управляет контекстом, инструментами, памятью и итерациями.
Три уровня: LLM → reasoning → agent
Рашка проводит чёткую границу: - LLM — базовая модель предсказания токенов - Reasoning model — та же LLM, но обученная/промпченная тратить больше вычислений на промежуточные рассуждения и проверку - Agent — управляющий цикл поверх модели: наблюдает окружение, выбирает инструменты, обновляет состояние, решает, когда остановиться
Agent harness — это софт-каркас вокруг агента, который собирает промпты, вызывает инструменты, отслеживает файлы, применяет правки, кеширует стабильные префиксы.
Почему coding harness важнее голой модели
Кодирование — не только генерация токенов. Реальная работа программиста: - Навигация по репозиторию - Поиск функций и зависимостей - Применение diff-ов - Запуск тестов и обработка ошибок - Удержание релевантной информации в контексте
Именно harness берёт на себя эту рутину, делая reasoning-модель на порядок эффективнее в реальных задачах. Без неё даже сильная LLM в чат-интерфейсе теряется в файлах и забывает контекст.
Шесть компонентов coding-агента
Рашка обещает разобрать шесть ключевых блоков (полный список — в оригинале статьи): 1. Модель (движок) 2. Управляющий цикл (observe → inspect → choose → act) 3. Инструменты (редактирование файлов, запуск команд) 4. Контекст репозитория (индексация, поиск) 5. Память и состояние (кеш промптов, история) 6. Runtime-поддержка (выполнение кода, обработка разрешений)
Практический вывод
Разница между «ChatGPT для кодирования» и «Claude Code» — не в модели, а в системе вокруг неё. Хорошая обвязка превращает reasoning-модель (и даже обычную LLM) в мощного ассистента, который сам управляет проектом, а не ждёт, пока человек скопипастит файлы в чат.
Ключевые выводы
- Coding-агенты побеждают не за счёт модели, а благодаря agent harness — системе управления контекстом, инструментами и итерациями
- LLM, reasoning model и agent — три разных уровня: модель, модель с усиленным рассуждением и модель внутри управляющего цикла
- Реальное кодирование — это навигация по репозиторию, применение diff-ов, запуск тестов и обработка ошибок, а не только генерация токенов
- Agent harness состоит из шести компонентов: модель, управляющий цикл, инструменты, контекст, память и runtime-поддержка
- Без harness даже сильная LLM в чат-UI теряется в файлах — обвязка делает модель на порядок эффективнее
Автор: Анна Мельникова · Источник: magazine.sebastianraschka.com
Рашка написал то, чего не хватало в дискуссиях про AI-кодировщиков: внятное объяснение, **почему** Claude Code или Codex CLI чувствуются мощнее, чем голый GPT-4 в браузере. Все списывают на модель, но реальная магия — в том, как система управляет проектом: сама ищет файлы, запускает тесты, помнит контекст, применяет правки в цикле. Это как сравнивать Ferrari без коробки передач и обычную машину с нормальной трансмиссией — важна не только мощность движка.
Статья полезна двум аудиториям: тем, кто **выбирает** инструменты (теперь понятно, на что смотреть кроме названия модели), и тем, кто **строит** свои агенты (чёткий чеклист из шести компонентов). Единственный минус — текст обрывается на середине, но и этого хватает, чтобы разложить по полочкам разницу между LLM, reasoning model и agent harness. Если вы когда-нибудь думали «почему AI-ассистент в IDE умнее того же GPT в чате» — вот ответ.
Комментарии