инструменты 28 июл 2026 1 мин

Конвейер для AI-кодинга: каждый этап — своя модель

Разработчик создал open-source инструмент AutoDev Studio, который позволяет использовать разные AI-модели на разных этапах разработки софта: одну для планирования, другую для написания кода, третью для ревью. Можно миксовать локальные LLM (через Ollama) и облачные сервисы вроде Claude Code, Gemini или Codex. На тестах с большими Python-репозиториями (35k и 82k строк кода) такой подход оказался на 7–75% дешевле, чем прогон одной моделью.

Это первый заметный open-source инструмент, который системно разделяет AI-агентов по этапам SDLC и позволяет миксовать локальные и облачные модели без vendor lock-in. Для команд, работающих с кодом, это шанс экспериментировать с оптимальными комбинациями моделей и контролировать бюджет на AI.

Специализация вместо универсальности

Разработчик под ником NeighborhoodOwn8510 выпустил AutoDev Studio — открытый фреймворк для AI-разработки, который ломает доминирующую парадигму «одна модель на всё». Вместо того чтобы поручать весь цикл разработки одному LLM, инструмент позволяет назначать разные модели на разные стадии: планирование, кодинг, ревью, тестирование.

Как это работает: - PM-агент уточняет требования и формирует тикеты для разработки - Dev-агент пишет код на изолированной ветке - QA прогоняет настоящие тесты репозитория - Ревьюер (намеренно другая модель) проверяет diff - При провале тестов запускается цикл доработки - В финале создаётся pull request для человека

Гибкость моделей: Можно использовать DeepSeek-R1 локально для планирования, Claude Code для имплементации, Qwen-Coder через Ollama для ревью — любые комбинации. Инструмент работает с OpenAI-совместимыми эндпоинтами и умеет управлять Claude Code, Codex, Cursor, Aider или Gemini CLI в headless-режиме через существующие логины — API-ключи для этих этапов не нужны.

Бенчмарки: На двух Python-репозиториях (35k и 82k строк) настроенный конвейер обошёл холодный запуск Claude Code по стоимости на 7–75% благодаря тому, что не исследует репозиторий заново на каждой задаче. Автор честно отмечает: на крошечных правках в одну строку одна модель часто дешевле.

Дашборд и контроль: Live-интерфейс показывает логи агентов в реальном времени, трекает токены, время выполнения и стоимость каждого этапа. Можно работать полностью оффлайн на бесплатных локальных моделях.

Проект под MIT-лицензией, автор ищет фидбек от экспериментаторов с локальными моделями.

Ключевые выводы

Специализация AI-моделей по стадиям разработки может быть дешевле универсальных решений на 7–75% на крупных проектах
Намеренное разделение автора кода и ревьюера на разные модели снижает риск самоодобрения ошибок
Headless-управление существующими инструментами (Claude Code, Codex) позволяет не требовать дополнительных API-ключей
На микрозадачах (одна строка кода) конвейерный подход часто проигрывает по стоимости однопроходным агентам
Полностью оффлайновый workflow на локальных моделях становится реальной опцией для чувствительных проектов

AI-codingлокальные LLMSDLCopen-sourcemulti-model

Автор: Марина Соколова · Источник: reddit.com

Мнение редакции

**Почему это круто:** Это не просто очередной AI-код-ассистент, а попытка построить разумную архитектуру вокруг специализации. Идея, что одна модель не должна планировать, кодить и проверять сама себя, — здравая. Особенно ценно, что можно запустить всё локально (DeepSeek-R1 + Qwen через Ollama) и не сливать код в облако.

**Где придержать коней:** Бенчмарк на двух репозиториях — это не статистика. 7–75% экономии звучит впечатляюще, но разброс огромен, и непонятно, где граница применимости. Автор честно признаёт провалы на микроправках, но хотелось бы видеть больше кейсов. Проект ранний, MIT-лицензия обнадёживает, но production-readiness под вопросом. Для экспериментов с локальными LLM — самое то, для боевых задач — пока присмотреться.