#coding_agents — Public Fediverse posts

Как я настроил общий AI-harness для команды разработки на Pi

Как дать AI-агенту контекст нескольких репозиториев и доступ к рабочим инструментам? Показываю setup на Pi: отдельный Git-репозиторий с описаниями проектов и документацией, skills для CLI-интеграций, progressive disclosure через references и тот же harness в терминале и Telegram.

https://habr.com/ru/articles/1070158/

#Pi #AIагенты #coding_agents #AIharness #инструменты_разработки #crossrepo #telegram

ИИ в масштабе: как управлять внедрением, метриками и трансформацией команды из 500+ разработчиков

За год экспериментов мы выяснили, что традиционное обучение почти не повышает adoption, а количество пользователей ещё ничего не говорит о бизнес-эффекте. Агенты могут написать от 80 до 99% кода, а могут за 12 часов разрушить архитектуру проекта. Мини-команда из двух разработчиков и бизнес-эксперта с помощью ИИ может сделать интеграционный сервис так же быстро, как команда из пяти человек, но Lead Time при этом может остаться прежним. Внедрение подхода показало, что написание кода больше не главное узкое место. Теперь всё упирается в качество спецификаций, доступный агенту контекст, интеграции и способность команды перестроить привычный процесс работы. В статье расскажем, как трансформируются роли и команды, какими метриками измерять реальный прогресс, где теперь находится узкое горлышко и что нужно построить вокруг агентов, чтобы превратить отдельные удачные эксперименты в системный результат.

https://habr.com/ru/companies/raiffeisenbank/articles/1069514/

#agentic_engineering #aiагенты #llm #coding_agents #ai_adoption #ии_в_разработке #трансформация_разработки #автономная_разработка #разработка_по #инженерные_метрики

Армия в терминале

Как coding agents превратили разработчика в диспетчера машин — и запустили гонку оркестраторов, песочниц и ИИ‑фабрик. Ещё недавно программист открывал один терминал и разговаривал с одним агентом. Затем терминалов стало пять, веток — семь, а главным дефицитом оказался уже не код, а человеческое внимание.

https://habr.com/ru/articles/1063558/

#coding_agents #AIагенты #Claude_Code #git_worktree #tmux #оркестрация_агентов #мультиагентные_системы #песочницы #microVM #Model_Context_Protocol

ИИ пишет код, а кто инженерит ИИ?

Как отличить инжениринг AI-систем от применения ИИ в разработке и почему coding agents в 2026 году требуют больше контроля, тестов и архитектурных границ

https://habr.com/ru/articles/1045090/

#SE_for_AI #AI_for_SE #агентная_программная_инженерия #coding_agents #MLOps #LLMOps #AI_governance #управление_рисками_ИИ

so AI coding tools have been forced on us. Do they make me more productive? I honestly don't have the numbers so I cannot answer to this question. What I do feel frustrating is the continuous back and forth with the AI code review. Why on earth it doesn't add all the comments at once? Why every time I push something it adds comments on code that has not been changed at all? This is honestly frustrating and slows down everything imho
#ai #aicoding #code #developer #coding #coding_agents

so AI coding tools have been forced on us. Do they make me more productive? I honestly don't have the numbers so I cannot answer to this question. What I do feel frustrating is the continuous back and forth with the AI code review. Why on earth it doesn't add all the comments at once? Why every time I push something it adds comments on code that has not been changed at all? This is honestly frustrating and slows down everything imho
#ai #aicoding #code #developer #coding #coding_agents

Как меняется delivery, когда в команде появляются агенты

AI уже ускоряет создание кода, ADR и документации, но одновременно повышает нагрузку на ревью, проверку и контроль стабильности. Поэтому следующий шаг для инженерных команд - не просто встроить AI в текущий SDLC, а пересобрать сам процесс поставки вокруг контекста, harness, quality gates и learning loop.

https://habr.com/ru/articles/1012654/

#AInative_SDLC #SDLC #LLM #coding_agents #agentic_delivery #software_delivery #harness_engineering #context_engineering #platform_engineering #управление_разработкой

Ваш CLAUDE.md делает агента тупее. Исследование на 138 репозиториях это доказало

Я написал CLAUDE.md на 200 строк. Исследование ETH Zurich на 138 репозиториях говорит: мой агент стал от этого тупее на 3%, а я плачу на 20% больше за токены. Разбираюсь, что пошло не так.

https://habr.com/ru/articles/1010160/

#CLAUDEmd #AGENTSmd #контекст #AIагенты #coding_agents #ETH_Zurich #context_engineering

Extend your coding agent with .NET Skills
https://devblogs.microsoft.com/dotnet/extend-your-coding-agent-with-dotnet-skills/

#microsoft #NET #AI #C #Debugging #Performance #agent_skills #coding_agents #copilot

Проблема не в промпте: как Claude Code плывет на длинных задачах и как управлять контекстом

На коротких задачах coding-агент выглядит почти как живой разработчик: читает код, гоняет тесты, находит проблему, предлагает diff, но на длинной дистанции магия заканчивается. Стоит агенту или пользователю подмешать еще пару логов, несколько файлов "на всякий случай" или еще один MCP-сервер, и агент начинает забывать договоренности, повторять уже проверенные шаги и терять план. Обычно это объясняют так: "модель тупит" или "надо лучше промптить", но на практике проблема часто в другом: мы складируем состояние задачи в историю чата и надеемся, что модель удержит его сама. Не удержит. Контекст у LLM - это не бездонный мешок, а рабочая часть "памяти" модели, ее нужно проектировать: что хранить отдельно, что подмешивать just-in-time, что выбрасывать после шага и что обязательно возвращать после compaction. В этой статье я разберу context engineering на примере coding agents, а конкретно на Claude Code: почему long context до сих пор деградирует, почему проблема особенно больно бьет по агентам, чем полезны /compact и Plan Mode, и как собрать минимальный контекстный конвейер без магии и лишней философии.

https://habr.com/ru/articles/1004994/

#ai #claude_code #coding_agents #context_engineering

CodeWiki Skill: как заставить AI-агента написать документацию к вашему коду

В этой статье я расскажу о том, как был создан CodeWiki Skill для Claude Code (и не только) - инструмент, который автоматически генерирует полноценную структурированную документацию для любого репозитория, используя мультиагентный подход.

https://habr.com/ru/articles/1002424/

#llm #aiagents #coding_agents #codewiki #rag #skills #ai

🛠️ Tool
===================

Opening: Superpowers is presented as a complete development workflow for coding agents built from composable "skills" and starter instructions. The system focuses on turning a user conversation into a validated design, then into an executable implementation plan that agents carry out.

Key Features:
• Spec elicitation and chunked design review: The agent pauses to extract a spec and presents it in digestible sections for human approval.
• Task-level planning: The system breaks work into short tasks (target 2–5 minute increments) with exact file paths and verification steps.
• Subagent-driven development: Each task is handled by a fresh subagent that performs a two-stage review (spec compliance and code quality) before moving forward.
• Test-driven development enforcement: The workflow emphasizes RED-GREEN-REFACTOR, deletes code written before tests, and applies YAGNI and DRY principles.
• Branch isolation via git worktrees: Workspaces are created per branch to keep test baselines clean and isolated.

Technical Implementation (conceptual):
• The architecture composes discrete skills that trigger automatically as the agent progresses through phases: brainstorming, writing-plans, executing-plans (subagent-driven), requesting-code-review, and finishing-a-development-branch.
• Plans include precise task definitions, file-level changes, and verification steps, enabling automated subagents to run with minimal context.

Use Cases:
• Autonomous implementation of well-scoped feature requests.
• Rapid prototyping where an agent can run several hours on a validated plan.
• Enforcing TDD and short-task paradigms across distributed agent workers.

Limitations and Considerations:
• The approach assumes reliable subagent infrastructure and test harness availability; without them the workflow may stall.
• Behavioral guarantees depend on the quality of initial instructions and skill implementations.
• Human checkpoints remain integral for design acceptance and for handling ambiguous specs.

References:
• Core workflow terms: subagent-driven-development, TDD (RED-GREEN-REFACTOR), YAGNI, DRY, git worktrees.

🔹 tool #subagents #TDD #YAGNI #coding_agents

🔗 Source: https://github.com/obra/superpowers

🛠️ Tool
===================

Opening: Superpowers is presented as a complete development workflow for coding agents built from composable "skills" and starter instructions. The system focuses on turning a user conversation into a validated design, then into an executable implementation plan that agents carry out.

Key Features:
• Spec elicitation and chunked design review: The agent pauses to extract a spec and presents it in digestible sections for human approval.
• Task-level planning: The system breaks work into short tasks (target 2–5 minute increments) with exact file paths and verification steps.
• Subagent-driven development: Each task is handled by a fresh subagent that performs a two-stage review (spec compliance and code quality) before moving forward.
• Test-driven development enforcement: The workflow emphasizes RED-GREEN-REFACTOR, deletes code written before tests, and applies YAGNI and DRY principles.
• Branch isolation via git worktrees: Workspaces are created per branch to keep test baselines clean and isolated.

Technical Implementation (conceptual):
• The architecture composes discrete skills that trigger automatically as the agent progresses through phases: brainstorming, writing-plans, executing-plans (subagent-driven), requesting-code-review, and finishing-a-development-branch.
• Plans include precise task definitions, file-level changes, and verification steps, enabling automated subagents to run with minimal context.

Use Cases:
• Autonomous implementation of well-scoped feature requests.
• Rapid prototyping where an agent can run several hours on a validated plan.
• Enforcing TDD and short-task paradigms across distributed agent workers.

Limitations and Considerations:
• The approach assumes reliable subagent infrastructure and test harness availability; without them the workflow may stall.
• Behavioral guarantees depend on the quality of initial instructions and skill implementations.
• Human checkpoints remain integral for design acceptance and for handling ambiguous specs.

References:
• Core workflow terms: subagent-driven-development, TDD (RED-GREEN-REFACTOR), YAGNI, DRY, git worktrees.

🔹 tool #subagents #TDD #YAGNI #coding_agents

🔗 Source: https://github.com/obra/superpowers

Coding Agents становятся нормой: AWS Kiro против Cursor, Copilot и Claude Code

AWS объявила о выходе Kiro в боевую эксплуатацию — и на рынке автоматизированной разработки начинается новый этап. Coding Agents быстро становятся новой нормой: разработчик теперь может общаться с AI, как с командой, совместно создавать код — и это уже не фантастика, а рабочий инструмент.

https://habr.com/ru/articles/968346/

#coding_agents #aiагенты #claude_sonnet_45 #Kiro_CLI #ai_для_разработчиков #llm #ai_agent #ииагенты #ииассистент #ии_помощник