В телеграм-канале AI4Dev — AI for Development Александр Агафонцев, эксперт по автоматизации и автор «ИИзи Бизнес», провел откровенный разговор о реальной разработке через ИИ. Почему Claude Code практически безальтернативен, как документация важнее самого кода, и что будет с джуниор-разработчиками через пять лет. Разбираемся, можно ли создать сложный продукт без знания программирования, почему ИИ тупит на DevOps-задачах, и как правильно проектировать, чтобы не получить «тяп-ляп», который развалится при добавлении первой фичи. 

Вайб-кодинг заменяет программирование или просто меняет подход к написанию кода?

Смотря какие задачи мы решаем. Вайб-кодинг стал чем-то нарицательным, вокруг него ходит множество шуток и мемов с разными трактовками того, что означает слово "вайб" в этом контексте. На мой взгляд, вайб-кодинг не заменил программистов и не уничтожил целую профессию, как предрекают авторы кликбейтных постов на разных платформах. Но он точно изменил потребность в количестве разработчиков и уже заменил их в части задач.

На текущий момент технология развилась до таких возможностей, что способна заменять разработчиков на довольно простых рутинных задачах. Не стоит нанимать дорогого программиста за тысячи долларов, если для конкретного проекта это будет стрельбой из пушки по воробьям. Многие мои знакомые уже сделали свои продукты с помощью искусственного интеллекта.

Самое решающее на данный момент — ИИ повлиял на разработку продуктов среди непрограммистов. Раньше, если ты условный маркетолог и у тебя появилась идея продукта, ты не смог бы ее реализовать без вложений денег или времени на изучение хотя бы базового программирования. Сейчас можно сделать первую версию продукта, MVP, с помощью искусственного интеллекта. С этим прекрасно справляются различные инструменты вроде Claude Code, Cursor и многие другие. Есть совсем простые решения типа Lovable и подобных сервисов, которые позволяют, например, создать сайт-визитку без дизайнеров и программистов.

Но подождите, сайты-визитки мы могли делать лет восемь назад. Тогда появлялись продукты от крупных компаний, которые гарантировали создание сайта в конструкторе без всякого искусственного интеллекта. Эти программы благополучно забылись, пришел ИИ, и мы снова радуемся той же сайт-визитке. Не произошла ли подмена понятий, когда один инструмент просто заменил другой?

Совершенно верно. Tilda в свое время забрала рынок простых сайтов-визиток, которые по сути представляют собой красивый лендинг и форму для записи контактов. Разница в том, что сейчас сайт на Tilda стоит от 20 до 100 тысяч рублей, а с ИИ это делается вообще без денег. Ты за пять минут написал промпт "сделай мне сайт-визитку", отредактировал результат простыми сообщениями в чате — и готово.

Программисты часто обижаются и говорят, что вайб-кодеры не имеют отношения к программированию, что это скорее вайб-промптеры. Мы действительно говорим о кодинге или о промптинге? 

"Вайб-промптинг" — это что-то новое, я такого термина раньше не слышал. Касательно знаний программирования: все зависит от задачи. Если нужно сделать что-то очень сложное и узкоспециализированное, ИИ местами начинает буксовать, и приходится включать ручной режим. Но для более простых вариантов — например, создания сайта-визитки через ChatGPT — это действительно промптинг. Ты пишешь промпт с конкретными характеристиками, и чем подробнее инструкции, тем лучше результат. Точнее, даже не столько лучше, сколько конкретнее.

Это, кстати, основная проблема людей про которую тоже много шуток: люди не могут объяснить, что им нужно. "Хочу то — не знаю что, вот так — не знаю как" — и потом удивляются, почему ИИ не может это сделать.

«Любое программирование — это время, труд, ошибки, дебаггинг и повторения»  

Можно ли полностью отдать контроль ИИ, не понимая, что он делает, и получить готовый продукт через вайб-промптинг? Обязательно ли быть хоть каким-то программистом?

Зависит от идеи продукта. Понятие продукта довольно широкое — это могут быть софт, драйвера под видеокарты или что-то другое. Расскажу реальный пример. Мой друг не разработчик и никогда не трогал код. Он полностью сам сделал LMS для всей школы-курсов. Раньше они пользовались сторонним решением, которое их не устраивало, и он за несколько месяцев без знания программирования создал готовую LMS-систему и сам ее задеплоил. Конечно, с помощью Google и подсказок, то есть не полностью это сделал с ИИ, но именно код продукта — как оно работает, как пишет в базу данных — он написал с помощью ИИ. Да, это долго, очень долго. Он целыми днями сидел за промптингом. Когда что-то шло не так и все ломалось, он откатывался назад — ведь он не мог объяснить, что конкретно идет не так. Откатывался, переделывал снова — и вот у него готовая LMS, полностью созданная через ИИ.

Можно ли с помощью ИИ сделать сложное приложение для App Store, которое может принести много денег. Например, программу для управления умным домом. Что-то более функциональное, чем просто сайт или онлайн-школа?

Да,  сейчас вполне реально. Но это потребует времени. Люди часто забывают: любое программирование — это время, труд, ошибки, дебаггинг и повторения. Точно так же со сложными продуктами. Неважно, делается это с помощью ИИ или без. Если ты программист средней руки и замахнулся на что-то серьезное, тебе потребуется время. С искусственным интеллектом то же самое. При правильной настройке ИИ умеет сам ходить в интернет, находить нужную информацию, обобщать ее, делать архитектуру проекта, обновлять ее. Так что ответ — да.

Дайте несколько советов: как разделять сложные этапы? 

Самое базовое — папка с документацией. По сути, папка с множеством MD-файлов по всему, что есть в проекте. У ИИ нет памяти как таковой, есть только контекст — грубо говоря, краткосрочная память. Она помнит последние несколько сообщений, определенное количество токенов. Поэтому память нужно создать искусственно.

Модель ИИ справляется с этим сама, но ей надо каждый раз при создании задачи говорить все записывать. Перед тем как она начнет что-то делать, ей нужно продумать план, записать его, вернуться к нему, прочесть, проанализировать — и только потом делать. Потом нужно проверять, что она делает и как заканчивает задачи. Например, сделала какую-то фичу — проверь. Попросил покрасить кнопку, заходишь на сайт — а она не покрашена. Возвращаешься, благо все модели поддерживают откат изменений, и пробуешь еще раз.

Самое важное — документация, документация и MCP. Сейчас их миллиард под разные задачи, любой найдет то, что нужно. Возвращаясь к примеру с покраской кнопки: есть Chrome DevTools MCP, о котором недавно говорили. Это по сути Chromium, который умеет сам пользоваться сайтом на локальном хосте. Просишь проверить мобильную верстку — он заходит на сайт, делает ресайз до мобильной версии, скриншотит, анализирует, не поплыли ли элементы, пробует проскроллить. Буквально два дня назад был реальный пример: не скроллилось. ИИ сказал, что не скроллится, вернулся, посмотрел, сказал, что проблема вот здесь, изменил это место, повторил те же действия — заскроллилось. Это то, что позволяет экономить время.

Всем рекомендую MCP Sequential Thinking — это последовательное мышление, когда ИИ начинает общаться сам с собой, имитируя процесс мышления человека. По сути, бесплатное увеличение качества результатов модели.

Многие программисты говорят, что главная проблема текущих моделей — нестабильность результата. Попросишь исправить одно, она пойдет и сломает что-то другое. Как добиться того, чтобы ИИ исправлял только указанное? И почему, если есть четкое описание "должно скроллиться", модель игнорирует это и допускает ошибки?

Это проблема стара, как сама разработка с использованием искусственного интеллекта. Когда он не делает то, что ты явно попросил — это особенность работы нейросетей. Точнее, того, как они работают в связке со всеми остальными инструментами.

Когда ты пишешь промпт в ChatGPT, модель не получает твое сообщение в том виде, в котором ты его отправил. Между тобой и настоящей моделью происходит куча всего. Самое банальное — NSFW-фильтры нежелательного контента, чтобы ИИ не сделал ничего незаконного. Часто происходит enhance prompt — улучшение промпта, чтобы он делал то, что должен. Иначе все превращается в кашу. Промпт на самом деле превращается в большой вектор. Чтобы пользователи получали результат лучше, когда пишут "сделай красиво", происходит улучшение промпта. За этими улучшениями местами теряется специфика.

Во-вторых, когда происходят изменения, может быть так, что их очень много, то переполняется контекст. Когда он переполняется, то, что было последним, выдавливает то, что было десять минут назад. Это выдавливание местами выдавливает всю специфику. Как у человека с памятью в пять минут: надо дойти до банкомата через две улицы, надел шапку, вышел из дома — и забыл зачем. Пошел в магазин. С ИИ происходит то же самое.

Сейчас модели увеличивают контекст, особенно в платных версиях — там миллион токенов, думаю, есть даже больше. Как с этим бороться? Документация, всегда документация и декомпозиция задач. Чем меньше будет задача, чем меньше само изменение — тем лучше. Нейросеть вряд ли будет тупить с покраской кнопки. А на расплывчатой большой задаче легко начнет тупить, забудет и перепишет половину репозитория.

«Если быстрее исправить самому — я так и делаю»  

Каким образом собирать проект, декомпозированный на множество мелких подзадач? Нужно же общее видение, особенно для человека, который не разбирается в программировании.

Самое простое — делать последовательно. Сделал одну фичу, например покраску кнопки, перешел к следующей. Либо через Git — в зависимости от того, сколько вас и как вы планируете разрабатывать продукт. Но с людьми та же проблема: один делает одну фичу, другой — другую, потом как-то сшиваем. Это известная проблема, с которой все справляются как могут.

Проявляются ли галлюцинации у ИИ при написании кода? Насколько сложно их распознавать?

Честно говоря, я никогда особо не сталкивался с большими проблемами от галлюцинаций. Только разве что очень давно. Последние релизы ИИ не замечены в этом. Не могу сказать, что получал от ИИ совершенно другой результат, нежели планировал.

Тогда откуда берутся ошибки, которые допускают модели? Это не галлюцинация?

Ошибки возникают, но это не галлюцинации. Если попросил сделать что-то и оно сделано с ошибкой — ничего страшного, надо просто указать на ошибку. Это как работа с джуниор-разработчиком: указал на ошибку, сказал, что не работает так, как планировалось, попросил поправить. Плюс это может быть просто непродуманный кейс. Например, сделал счетчик и забыл, что если в него прокинуть не число, а строку, весь код ломается. Просишь модель ИИ поправить — и она поправляет.

Не было желания вручную вмешиваться и помочь дописывать код? Стоит ли это делать? 

Конечно можно, даже нужно, если есть знания. Если быстрее исправить самому — я так и делаю. Например, ИИ ошибся в написании параметра. Ему надо сходить в интернет, узнать правильное название, столкнуться с ошибкой в логах и поправить. Дело пяти минут. А ты просто знаешь, какой параметр нужен. Я считаю, не грех поправить самому. 

Нужно ли сообщать ИИ об этих исправлениях, чтобы она училась, или можно просто поправить и двигаться дальше?

Зависит от объема изменений и от инструмента — с памятью или без. Можно просто при следующей задаче попросить еще раз проанализировать код, обновить документацию. Если изменение было большое — стоит это сделать. Если маленькое, ИИ все равно работает с тем, что видит, проблем не возникнет.

Когда контекст становится слишком большим, например, то как подводить ИИ к правильным решениям?

Только документация и декомпозиция. Может, я не рассказываю каких-то секретных техник, но их здесь просто нет и быть не может. Точно так же, как с человеком. Ты же не можешь запомнить код всего репозитория наизусть. При разработке фичи разбираешь конкретные кусочки кода, делаешь по частям. С ИИ то же самое. Модели, как человек, не могут впихнуть в себя весь объем информации. Потенциально могут, если развернуть свою нейросеть, взять open source, как-то ее дообучить, купить 300 GPU, запустить так, чтобы в контекстное окно помещался целый репозиторий. Но вопрос целесообразности.

Какие инструменты лучше всего подходят для вайб-кодинга сегодня? На чем лучше работать и что будет развиваться?

Claude Code практически безальтернативен, на мой взгляд. Кто-то хвалит Cursor, я лично не пробовал, слышал пару раз. Большинство людей склоняется к тому, что Claude Code сейчас лучше всех решает поставленные задачи. Модель от Anthropic, Claude, изначально создавалась для разработчиков. Это видно по тому, как она пишет текст — очень структурировано, в отличие, например, от OpenAI и Gemini.

Насчет того, что будет развиваться — это сложный вопрос. Абсолютно непонятно, куда движется разработка. Тяжело сказать, что будет через год или через пять лет. Да и тема это большая, поэтому о развитии инструментов и практик я планирую глубоко порассуждать 29 ноября на вебинаре для разработчиков FutureDev.

«Сейчас каждые полгода происходит какой-то прорыв»

Все компании демонстрируют, как их новые модели идеально пишут код. ChatGPT-5, новые LLM — везде показывают кодинг. Получается, что компания Anthropic без лишней рекламы решила эту задачу, а остальные при активном продвижении нет. Почему это настолько сложно? Чем отличается модель Anthropic в программировании от других моделей?

Честно говоря, мне кажется, у них решает сама консольная утилита Claude Code. Их фишка в том, что она сканирует проект, создает множество временных хранилищ памяти, может хранить в себе состояние на текущий момент. Там есть управление сессиями, можно добавить кучу конкретных инструкций.

Есть субагентский режим, который дает новые возможности для разработки, потому что можно создать каждого агента под конкретную задачу. Например, агента-дизайнера, агента-тестировщика, агента-разработчика и дать каждому разные инструменты. Разработчику нужны MCP, которые умеют ходить в документацию, быстро получать информацию, работать с браузером. А тестировщику нужен Chrome DevTools MCP, про который я уже рассказывал, и, например, Playwright, чтобы быстро тестировать то, что накодил. Они общаются между собой, у каждого свой контекст, своя память, и они могут говорить друг другу, что делать.

Плюс там есть разные техники. На Reddit много информации про то, как управлять через MD-техники. Я, например, видел имплементацию через один общий MD-файл в виде ленты сообщений: разработчик пишет тестировщику, тестировщик отвечает разработчику.

Про то, какие модели лучше, сейчас очень сложно судить по бенчмаркам. Как это реально коррелирует с использованием в реальности — непонятно. Это больше собирательное мнение всех людей, с которыми я общался про разработку: Claude Code пока безальтернативный.

Насколько важно правильно подходить к проектированию и составлению промптов при вайб-кодинге? Можно ли поручить создание промптов самой LLM? И есть ли набор гарантированно работающих промптов, которые стабильно выдают результат?

Про универсальные работающие промпты и библиотеки промптов отвечу сначала — это быстрый ответ. Оно, конечно, работает. Но вопрос: зачем? Можно просто попросить нейросеть написать тебе промпт. Это самое простое. Я уверен, что все промпты из библиотек написаны ровно тем же способом. Ты просто открываешь окно, например Gemini в браузере, и просишь: "Напиши мне промпт для того, чтобы решить мою задачу с таким-то контекстом, я хочу на выходе получать вот такой результат". Нажимаешь Enter, через минуту получаешь готовый промпт, который вставляешь туда, куда нужно. Это заменяет любую библиотеку промптов, любую подборку. ИИ делает это в сто раз лучше, чем люди.

«Я всегда переписываюсь на английском по возможности»

Раньше рекомендовали общаться с LLM на английском, потому что русский они понимают плохо. Сейчас что-то изменилось? 

Я всегда переписываюсь на английском. То, что раньше на русском работало хуже, чем на английском — это правда. У этого довольно простое объяснение: русского языкового контента в интернете ничтожно мало. Так же, как и любого другого языка, кроме, наверное, китайского. Китайский интернет немного другой, тут мне сложно ответить.

Все переписываются на английском — это мировой язык. Та же разработка: что есть на русском про разработку в интернете — это либо переводы статей, либо перевод документации, и то всегда с каким-то лагом. Невозможно в ту же секунду обновлять документацию, поэтому все последние версии не переведены, куча технологий не переведена. И ничтожно маленький корпус авторских текстов от русских разработчиков, менеджеров, владельцев компаний. Относительно всего интернета это капля в море. Когда нейросети получают данные для обучения, они с вероятностью 99,9% будут на английском. Русского языка там будет мало.

Насколько я понимаю, все нейросети переводят задачу пользователя. Если смотреть по цепочке мышления, она переводит на английский, задает себе вопрос, потом переводит обратно. Этот лишний шаг с переводом может исказить промпт? 

Сейчас, наверное, нет. Эта проблема относительно решена. Да, я вижу комментарии вроде "не в состоянии перевести на английский, потому что не владею, но делать работу с промптом в состоянии" — это то, что по большей части и происходит. Но при переводе всегда возможно несоответствие того, что писал ты, и того, что перевела нейросеть из-за языковых аспектов. Если с английским это не так явно, то с китайским нюансы будут точно. С русским языком местами могут быть несоответствия. Поэтому если есть уверенное владение английским, то лучше писать на английском. Если этого нет — пишите на русском, все равно альтернатив немного. Даже если результат будет хуже, он будет хуже незначительно. 

«Не надо никого нанимать, надо делать через искусственный интеллект»

Разработчики часто говорят, что вайб-кодинг не лишит их работы. Ни одна LLM не скажет, что сломалось и что с этим делать. Это считается одной из главных проблем вайб-кодинга: можно сделать простой продукт, но нельзя сложный, потому что если ты не знаешь программирование, как ты будешь это чинить? 

Это хороший дискуссионный вопрос. На мой взгляд, если есть идея продукта, не надо никого нанимать, надо делать через искусственный интеллект. Да, это займет время, это потребует усилий, но ты добьешься того, чего хотел. Если продукт начнет зарабатывать, у тебя будут первые клиенты, появятся деньги на разработчиков, которые смогут превратить его во что-то production ready под высокие нагрузки.

Многие люди, когда делают проекты с нуля, почему-то думают про архитектуру на годы вперед. А годов вперед может просто не быть. У всех была какая-то идея, которой они горели пару дней, потом пробовали на реальных пользователях — и получалось отстой. Ты не угадал, рынок не поддержал твою идею и не купил у тебя продукт.

Что лучше? Потратить условный день или неделю на разработку MVP и тестирование на реальных пользователях со стоимостью двадцать долларов в месяц. Или же нанять разработчиков, несколько месяцев с ними сидеть, пыхтеть над созданием продукции с Kubernetes и всеми балансировщиками, и по итогу не заинтересовать пользователей.

Сложные вещи  — например, код какой-нибудь большой компании, условно банкинг Сбера, в котором вообще не разобраться никогда в жизни ни одному человеку — ИИ разумеется не справится с проблемой, про которую узнал пять секунд назад. Для этого нужен разработчик, который там несколько лет поработал. Но у Сбера есть деньги на этого разработчика, а у 99,9% компаний, которые делают продукты, денег нет. У них есть идея, которую надо реализовать и найти первых пользователей.

Именно здесь ИИ поменял правила игры. Сейчас не нужны разработчики, чтобы протестировать идею, чтобы найти первых платящих пользователей, что самое важное, и накопить какой-то первый капитал в компании. Legacy ИИ тоже плохо переписывает, потому что там слишком много информации, зачастую нелогичной. Люди тоже не всегда идеально код пишут.

«Можно написать другой искусственный интеллект — это тот же код»

Получается, мы снова возвращаемся к ограничениям: сложные приложения вроде банковских создать нельзя. Вы говорите, что можно сделать MVP продукта, который начнет зарабатывать деньги. Но если он уже зарабатывает, то это уже рабочий продукт, разработчики вряд ли понадобятся. Это будет вопрос масштабирования. Мы не сможем написать с помощью ИИ другой искусственный интеллект, на котором заработаем. Чем мы ограничены по сложности продуктов?

Временем, приложенными силами и знанием, как это все делается. То есть опытом — попробовать, посмотреть, что работает. Насчет того, можно ли написать другой искусственный интеллект? Да, конечно можно. Потому что это тот же код. Относительно развесистые алгоритмы ИИ напишет. Просто это потребует сил и времени. Тут никакой магии. А что касается простых задач — часто ли люди каждый день решают прям сложные задачи?

Но приложения, которыми мы пользуемся, далеко не простые. Увидим ли мы когда-нибудь компании, где два опытных программиста с помощью ИИ берут на подряд любые заказы, выполняют и отдают?

Сейчас все ждут миллиардную компанию, которую делает один человек. Триллионы долларов не просто так вливают в рынок ИИ. За этим явно будущее, которое растет с космической скоростью. Я две недели не заходил в интернет, а там уже модели поменялись, подходы поменялись, то, что вчера работало, уже не работает.

Это абсолютно любой прогресс — так же, как мобильные телефоны, заводы, пароходы. Посмотрите, как вырос рынок мобильных девайсов за двадцать лет. Двадцать лет назад никто не знал, что на айфон можно будет фотографировать, как на профессиональную камеру, и что у тебя будет встроенный искусственный интеллект. Даже в каком-нибудь простом Pixel уже есть искусственный интеллект.

Это развитие рынка, развитие технологии. Все видели видео с Уиллом Смитом, где он ест пасту — показывает развитие генерации видео за последние три года. Какой скачок от смешного видео, где ИИ активно пытается изобразить что-то похожее на поедание пасты, до практически неотличимой от реальности картинки. Если с видеогенерацией вопрос скоро будет закрыт, потому что реалистичные сцены она генерирует реалистично, то разработка не то что на таймере, но это займет какое-то время. Но это будет становиться все массовее. Генерация кода как задача появилась относительно недавно.

Если говорить про деньги: Claude Code далеко не бесплатный. Компания недавно выпустила новую модель и урезала лимиты на дешевых тарифах — там фактически ничего не напишешь, сразу отправляют покупать подписку за двести долларов. Можно ли успешно программировать на развертываемых локально моделях для тех, кто боится утечки данных в облако? Вы пробовали такое?

Сто процентов все дырявое решето. Скандал с OpenAI про публичные чаты, которые индексирует Google — явное доказательство, что все может даже по глупой человеческой ошибке улететь куда-то в интернет. Но ответ такой: если есть что красть — тут уже вопрос, надо ли использовать искусственный интеллект, если вы боитесь, что у вас какая-то сверхтехнология?

Что я понимаю под сверхтехнологией Должно быть что-то, что Anthropic или OpenAI захотят украсть. У вас должен быть невероятный R&D-центр с прорывными разработками, и вы явный конкурент. Если вы делаете продукт для русскоговорящих людей в России, условно российский аналог Duolingo — кто будет красть ваш код из компании с капитализацией пятьсот миллиардов долларов? Я думаю, вряд ли. Страхи оправданные, но надо понимать масштаб.

По поводу open source моделей: я пробовал только генерацию видео и картинок под клиента. Законодательно у нас персональные данные не должны улетать за рубеж. Если такая задача есть — да, используйте open source модели. Это нормально, это точно нужно делать, чтобы ничего никуда не улетало. В целом определенная гигиена при использовании искусственного интеллекта необходима. Нельзя в него класть то, что ты не хочешь, чтобы каким-то чудом оказалось в интернете. Это те же правила, что и при работе с обычным интернетом.

«Джуниор-разработчики не делают работу, они только приносят убытки»

Можно сказать, что из-за ИИ в компании больше не требуются сотрудники с позицией джуниор и мидл?

С мидлами совсем дискуссионно, с джуниор-разработчиками — да, проблема. Сейчас фаза экономики довольно грустная для всех людей, которые собираются вкатываться в какие-либо профессии. Потому что джуниор-разработчики не делают работу, они только приносят убытки. Это довольно известный факт. Ты мало того что результат нормальный не получаешь, так ты еще и время тратишь на обучение, за которое еще и платишь человеку. Поэтому им сейчас приходится очень плохо. И еще хуже с искусственным интеллектом.

Про мидлов: мидлы — это основная рабочая сила любой компании, они делают результат. Поэтому с ними не уверен. ИИ может улучшить им жизнь, сократить надобность — там условно с искусственным интеллектом теперь не нужно сто единиц, а нужно восемьдесят, восемьдесят пять, семьдесят, пятьдесят. Но это не то что все, теперь увольняем весь отдел разработки и будем делать через Claude Code и тетю Аллу, которая будет этим управлять. Это, разумеется, не так.

А если джуны не будут нужны, то мидлов и сеньоров будут как орков выкапывать из земли?

Это довольно хороший вопрос, что будет через пять-десять лет. Меня он тоже довольно сильно интересует. Буду слушать мнения. Пишите в чат, что будет через десять лет с такими темпами. Но это не только с искусственным интеллектом связано. Если посмотреть на то, какие требования сейчас выдвигаются условно middle-разработчикам и какие требования были пять-десять лет назад — они кардинально отличаются.

«Нерешаемых проблем сейчас практически нет»

Бывают ли в вайб-кодинге ситуации, когда без знания кода никак не решить проблему? Например, ИИ делает код с бесконечными запросами во фронтенде. Как вы такое решаете?

Если никак не решается ситуация, хотя я не представляю, как это может быть — то есть без знания кода никак не решить ситуацию — надо попросить ИИ проанализировать ситуацию, например с помощью MCP сходить в интернет, погуглить, написать план действий и попробовать еще раз. Если не получилось — попробовать еще раз. Переписать задачу, попробовать. Надо попросить ИИ написать промпт, например, потому что вы что-то не так делаете. Мне кажется, нерешаемых проблем сейчас практически нет.

А есть ли смысл побегать между ИИ? Спросить у ChatGPT, потом переспросить у Gemini, потом у Claude?

Да, конечно. Даже не конкретно про разработку. ИИ работают по-разному, они отдают разный результат на вполне одинаковые задачи. Из того, что популярно среди клиентов — маркетинговые тексты. На мой взгляд, Claude справляется с ними хуже, чем другие модели. Фаворит среди них — на удивление ChatGPT, который я обычно не очень люблю. Он, на мой взгляд, делает именно маркетинговый текст лучше всех. Он выглядит каким-то живым, прикольненьким, уникальным.

При этом Claude лучше работает со структурированными задачами — где требуется, например, вывод с какой-то структурой текста. Отчет, к примеру, он вам сделает, скорее всего, лучше. Точно так же про разработку: попробовать, посмотреть — если столкнулись с проблемами, которые не может решить, то почему бы и нет?