#управление_контекстом — Public Fediverse posts

Сделал open-source дашборд Slightly Parallel для мультипроектной разработки с агентами

Сделал прогу — Slightly Parallel (опенсорс, локальный сервер + веб-интерфейс), которая должна помогать, если работаешь с кучей проектов, в которых разработку ведут агенты. Прога ориентирована на солобилдеров и тех, кто активно использует Claude Code, Codex, OpenCode (в планах добавить ZCode). Работает на Windows, Linux и macOS. Код здесь: https://github.com/NMar33/slightly-parallel Навигация по статье:

https://habr.com/ru/articles/1097130/

#open_source #управление_проектами #kanban #cursor #ииагенты #claude_code #вайбкодинг #openai_codex #opencode #управление_контекстом

Как превратить Cursor в долговременную память проекта: LLM Wiki, QMD и Cursor CLI

Большой контекст в Cursor спасает ровно до тех пор, пока проект живёт дольше одного чата: требования, SQL-гипотезы и причины отброшенных решений быстро расползаются по сессиям. В статье разбираю практику внедрения концепции LLM Wiki Андрея Карпати в Cursor: как устроен локальный гибридный поиск через QMD, почему связка внешнего agent harness с локальной моделью оказалась избыточной, и как разделить ответственность между project skills и детерминированными bash-обёртками вокруг Cursor CLI. Внутри — готовый шаблон репозитория. К архитектуре и коду

https://habr.com/ru/articles/1095974/

#база_знаний #mcp #cursor #rag #локальные_llm #управление_контекстом #coding_agents #cursor_cli #llm_wiki #qmd

Фронтенд и бэкенд работают отдельно. Как я связал их задачи через OpenSpec

«Посмотри эти коммиты, потом ещё вот этот фикс» — сколько раз вы так вводили AI-агента в курс командной задачи? Я организовал OpenSpec так, чтобы фронтенд и бэкенд работали в своих зонах, а контекст передавался вместе с изменениями. У каждой стороны — собственные спецификации, правила и проверки. Следующий разработчик может подхватить работу коллег без пересказа всей истории агенту. В статье разбираю, как это устроено, как синхронизироваться после нескольких задач в develop и когда фронтендер может сам сделать небольшую доработку бэкенда — и наоборот. Внутри — схема процесса, пример запроса агенту и шаблон передачи работы, которые можно адаптировать под свою команду.

https://habr.com/ru/articles/1088292/

#OpenSpec #specdriven_development #AIагенты #командная_разработка #frontend #backend #спецификации #управление_контекстом #монорепозиторий #документация

AI‑агент не увидел мой код: worktree, состояние задач и границы доступа в VECTA

Файлы проекта лежали на диске, но AI-агент получил пустую рабочую копию. Причина нашлась в Git: исходники ещё не были закоммичены, а worktree создавался из HEAD. На примере VECTA разбираю, что приходится строить вокруг запуска coding agent: снимки текущих файлов, восстановление событий после обрыва связи, права доступа и проверку результата. Объясню, как управлять задачей с другого устройства, почему worktree не заменяет песочницу и чего нельзя обещать от лимита расходов.

https://habr.com/ru/articles/1083542/

#AIагенты #VECTA #git_worktree #инструменты_разработки #управление_контекстом #удалённая_разработка #контроль
__доступа #sandbox #CLI #code_review

SKILL.state в coding-агентах: меньше истории, но не всегда меньше работы

Кейс по мотивам исследования SKILL.state: немного инженерии контекста, бенчмарков и графиков. Эксперименты с памятью coding-агентов в OpenCode и Codex и размышления о перспективах идеи.

https://habr.com/ru/articles/1082120/

#SKILLstate #LLM #AIагенты #coding_agents #память_агентов #управление_контекстом #OpenCode #Codex #бенчмарки #экономия_токенов

Параллельные AI-агенты: что проверил на практике и когда они действительно полезны

Когда в работе появляется несколько независимых задач, возникает очевидная идея - "почему бы не поручить их разным AI-агентам одновременно, вместо того чтобы ждать, пока один агент закончит все по очереди?" Поэтому я решил провести небольшой эксперимент - взять один рабочий сценарий, запустить его тремя разными способами и сравнить не только время, но и стоимость, качество результата и удобство контроля. В статье разберу - как был устроен эксперимент, чем отличались три тестируемых процесса, что показали цифры и какие проблемы обнаружились во время самого запуска.

https://habr.com/ru/articles/1080948/

#aiагенты #llmагенты #параллельные_AIагенты #мультиагентные_системы #оркестрацияагентов #llm #управление_контекстом #автоматизация #токены #aiавтоматизация

Топ-5 проблем, с которыми я столкнулся при разработке AI-агентов

Привет! Меня зовут Рома, я фуллстак разработчик в компании Efsol. Когда я начал делать агентов под разные задачи внутри компании, я довольно быстро понял что задача не сводится просто к хорошему промпту. Промпт важен, но он закрывает только верхний слой, а дальше начинается обычная инженерная работа - контекст, память, доступы, инструменты, состояние, git, фоновые задачи и т.д. и т.п. И если это не проектировать отдельно, агент может нормально справиться с короткой задачей, но начать сыпаться на длинной работе. Я собрал 5 ошибок/проблем, которые чаще всего били по качеству, стоимости и устойчивости системы. Не как универсальную методологию и не как попытку кого-то учить, а скорее как заметки, которые могут кому то пригодится, да и просто хочется их зафиксировать.

https://habr.com/ru/articles/1077496/

#AIагенты #LLMагенты #разработка_AIагентов #автоматизация #LLM #управление_контекстом #память_AIагентов #browser_automation #Git #отказоустойчивость

9 ошибок при создании и внедрении чат‑ботов

Чат‑бот можно собрать за вечер, но его реальная цена проявляется позже — в ошибочных ответах, лишней нагрузке на команду и отсутствии бизнес‑эффекта. Разбираем девять типовых просчётов, из‑за которых ИИ‑ассистент превращается в дорогой источник новых проблем.

https://habr.com/ru/companies/otus/articles/1065742/

#чатботы #искусственный_интеллект #LLM #внедрение_ИИ #бизнеспроцессы #база_знаний #управление_контекстом #интеграция_систем #стоимость_владения #безопасность_данных

Сможете ли вы найти пять ошибок в Python‑коде, который вызывает LLM

Вызов LLM легко принять за обычную функцию — пока код не сталкивается с квотами, тайм‑аутами, повторными списаниями и плавающими результатами. В статье разбираем пять типичных ошибок в Python‑коде вокруг языковых моделей и показываем, какие инженерные привычки помогают пережить реальную нагрузку без сюрпризов в продакшене.

https://habr.com/ru/companies/otus/articles/1058816/

#Python #LLM #API_языковых_моделей #асинхронные_запросы #ограничение_конкурентности #повторные_запросы #недетерминизм #тестирование_LLM #управление_контекстом #подсчёт_токенов

Гео-аналитическая платформа вдвоём за 2,5 месяца, или история одной spec-driven разработки

Мне посчастливилось начать проект с чистого листа: амбициозная задача, никакого легаси и свобода выбрать любой подход. Я решил довериться AI по-максимуму и код больше не трогал. Сначала я не верил, что это выдержит реальный масштаб. Опыт подсказывал: чем больше проект, тем быстрее AI путается в контексте и упирается в лимиты. Но через 2,5 месяца мы вдвоём запустили гео-аналитическую платформу, которую в до-AI эпоху строили бы годами. Это поменяло моё представление о разработке. Как это устроено и что нужно, чтобы повторить, — под катом.

https://habr.com/ru/articles/1056270/

#агентная_разработка #claude_code #superpowers #aifirst_development #gis #context_management #управление_контекстом #specdriven_development

Пишем кодинг‑агента на Swift с нуля: неочевидные сложности очевидной идеи

Я долго пользовался разными кодинг‑агентами, и на их фоне Claude Code для меня заметно выделялся: качеством решений, удобством работы и вниманием к деталям. В какой‑то момент мне захотелось не просто пользоваться таким инструментом, а понять, что на самом деле происходит у него под капотом. Так я сел писать собственного агента на Swift, с нуля, без использования готовых решений. Довольно быстро стало понятно, что сложность не в том, чтобы вызвать модель и попросить ее сгенерировать код. Настоящая сложность начинается там, где система должна стабильно работать: удерживать контекст, пользоваться инструментами, справляться с ошибками и непредсказуемыми ответами модели. На обвязку вокруг модели и уходит почти все время. Дальше я разберу места, где это проявляется: от устройства главного цикла до управления контекстом. Многие выводы задним числом кажутся очевидными, но на практике они становятся понятны, только тогда когда строишь агента сам и упираешься в каждую проблему руками.

https://habr.com/ru/articles/1048946/

#swift #aiагенты #llm #кодингагенты #claudecode #agent_loop #context_management #tool_calling #управление_контекстом #ии

Как перестать жечь токены впустую: переходим от вайбкодинга к агентной разработке с Claude Code

AI-инструменты уже давно перестали быть просто «умными чатами». Сегодня Claude Code, Codex и другие агенты постепенно превращаются в полноценную инженерную инфраструĸтуру: с памятью, workflow, sub-agentʼами, orchestration и reusable праĸтиĸами. В этой статье команда разработки СВОЙ Тех собрала праĸтиĸи, ĸоторые реально помогают использовать Claude Code эффеĸтивно. Дисклеймер: будет много списков — не обессудьте и, надеемся, вам так же, как и автору, легче усваивать информацию. Открыть туториал

https://habr.com/ru/companies/svoi_ru/articles/1043188/

#claude_code #ииагенты #aiагенты #llm #вайбкодинг #управление_контекстом #агентная_инженерия #tdd #экономия_токенов #mcp

Как Claude убедил заказчиков, что я некомпетентен

Меня удалили из рабочего чата после того, как заказчики поверили нейросети больше, чем живому специалисту, с которым работали полгода и у которого всё это время всё работало. Быть может, звучит это как обида фрилансера, которого кинули. Ну и да, меня кинули — не доплатили, опять (про «опять» далее). Статья про штуку, которую я для себя назвал делегированием мышления — когда человек отдаёт нейросети не выполнение задачи, а само рассуждение. Еще про то, почему люди, которые не способны проверить выводы модели, неизбежно доверяют этому механизму. Но этот механизм на неполном контексте — очень опасная штука!

https://habr.com/ru/articles/1042156/

#LLM #вайбкодинг #Claude_Code #искусственный_интеллект #делегирование_мышления #управление_контекстом #архитектура_ПО #фриланс #работа_с_заказчиками #AIразработка

ИИ — не панацея

Недавно мы с командой проанализировали инфополе Хабра и обнаружили, что эйфория от внедрения ИИ в разработку сменяется разочарованием, senior-разработчики тонут в ревью некачественного кода, а техдолг растет как снежный ком. Мы сами проходим через этот путь, внедряя GenAI в SimpleOne, и прекрасно понимаем вашу боль. Всем привет, я Артем Герасимов, владелец продукта SimpleOne SDLC. В этой статье я расскажу о реальных проблемах ИИ-генерации кода и о том, какие механизмы помогают нам с ними справляться.

https://habr.com/ru/companies/simpleone/articles/1012880/

#ИИагенты #техдолг #MCPпротокол #управление_контекстом #lowcode #GenAI #внедрение_ИИ #ревью_кода #качество_кода

[Перевод] Инженерия среды для агентов: использование Codex в мире с приоритетом агентов

Что происходит с инженерной практикой, когда код в проекте пишет не человек, а агент, а команда занимается средой, ограничениями и контурами проверки? В этом тексте — разбор реального эксперимента OpenAI, где внутренний продукт собирали через Codex почти без ручного кода: с собственными правилами для агентов, архитектурными инвариантами, наблюдаемостью, документацией внутри репозитория и постепенным ростом автономности. Это любопытный взгляд на разработку в режиме, где главным дефицитом становится уже не скорость написания кода, а человеческое внимание.

https://habr.com/ru/companies/otus/articles/1009342/

#AIагенты #Codex #агентная_разработка #разработка_с_помощью_ИИ #инженерия_среды #управление_контекстом #наблюдаемость #архитектурные_ограничения

Как Senior управляют контекстным окном LLM

Большие языковые модели (LLM) уже умеют писать код, анализировать данные и даже проектировать архитектуру. Но большинство пользователей по-прежнему работают с ними неправильно — перегружают контекст, теряют важную информацию и удивляются «галлюцинациям» модели. В статье — практический разбор того, как устроено контекстное окно и почему именно контекстная инженерия становится новым навыком разработчиков. Разберём типичные ошибки, правила оптимизации, принципы управления памятью LLM и реальные стратегии, которые используют команды, работающие с Claude, ChatGPT и GitHub Copilot. После прочтения вы поймёте, как добиться стабильных и точных ответов от модели, тратить меньше токенов и управлять контекстом так, как это делают инженеры ведущих AI-компаний.

https://habr.com/ru/articles/955688/

#LLM #контекстная_инженерия #prompt_engineering #управление_контекстом