ИИ может написать код. А сможете ли вы создать то, что нужно?

Вирусные демо, такие как morluto/rea, обещают, что ИИ-агенты могут изучать существующие приложения и воспроизводить их поведение, подпитывая заявления о том, что разработка ПО почти решена. Эта возможность, продемонстрированная в таких инструментах, как "Reverse Engineer Anything", кажется, подтверждает будущее, где программисты-люди устарели или, по крайней мере, стали «биологическими прокси» для ИИ.

Но эти впечатляющие демонстрации содержат встроенный «чит-код»: само исходное приложение. Этот рабочий эталон делает намеченные функции и результаты наблюдаемыми, позволяя агенту сравнивать свой вывод с конкретной целью, а не угадывать, что означает расплывчатый запрос. Приложение и есть намерение.

Это решающее преимущество позволяет агентам постоянно проверять свою работу со 100% надежностью. Они видят, что создают, и могут привести это в соответствие с функциями и поведением существующего продукта. Именно поэтому такие задачи «работают так невероятно хорошо», как отмечает Cole Medin.

Однако этот успех проводит четкую границу: обратная разработка известного продукта фундаментально отличается от создания чего-то нового. Демонстрация того, что агенты могут идеально воспроизвести существующую систему, не доказывает, что они могут самостоятельно определить, каким должен быть новый продукт. Навык intent engineering (проектирования намерений) остается сугубо человеческим.

Непосредственная опасность для разработчиков заключается не в устаревании, а в превращении в то, что Cole Medin резко называет «биологическим прокси» (meat proxy). Это означает бездумную пересылку запроса из Jira агенту, а затем вставку его ответа в Slack. Такое действие не привносит никакого значимого суждения, но оставляет человека ответственным за полученный код.

Языковые модели, при всем их мастерстве, не умеют читать мысли. Прекрасно реализованная функция все равно может решать совершенно не ту проблему, если требования, граничные случаи, ограничения или ожидания пользователей никогда не были четко определены. Отполированный результат от LLM не гарантирует правильного намерения.

Medin подчеркивает важное различие: делегирование реализации — это не делегирование ответственности. Он не написал вручную ни одной строки кода уже больше года, но остается глубоко вовлеченным в предварительное планирование и финальную проверку. Это отделяет автоматизацию от отказа от ответственности, подчеркивая, что критическое мышление и контроль важнее, чем когда-либо.

Истинная ценность этой новой парадигмы заключается в intent engineering — тщательном процессе структурирования требований и проектирования систем проверки. Без этого человеческого уровня даже самые продвинутые агенты будут создавать технически грамотные, но фундаментально несоответствующие целям решения. Разработчики должны повысить свою роль от кодеров до архитекторов намерений, гарантируя, что ИИ создает правильную вещь, а не просто какую-то вещь.

Настоящий навык — это не написание кода, а intent engineering: превращение зарождающейся идеи в точный, пригодный для реализации эталон для агента. Это означает создание подробного PRD, комплексного плана, конкретных примеров, четких ограничений и явных решений — всего того, что достаточно специфично для работы агента. Без этого даже самые продвинутые модели будут создавать технически корректный, но в конечном итоге несоответствующий задачам код.

Надежный harness работает двунаправленно. На начальном этапе он проводит опрос, задавая уточняющие вопросы для согласования объема работ и требований до того, как будет сгенерирован какой-либо код. После реализации он обеспечивает критически важную проверку: тесты, сравнения или этапы рецензирования, чтобы строго проверить, действительно ли результат соответствует первоначальному замыслу. Именно в этом цикле обратной связи человеческое суждение вносит свой незаменимый вклад.

Рассмотрим опыт Cole Medin: поручение агенту создать прототип игры изначально привело к 2D-результату, что не соответствовало его цели. Прорывом стала не более мощная модель, а его более четкие инструкции. Предоставив визуальный образец желаемого 3D-стиля и установив механизм сравнения результатов, он добился того, что агент выдал гораздо более точное приближение. Это улучшение произошло благодаря лучшему руководству и более эффективной оценке, а не просто за счет «сырой» генеративной мощности. Medin подчеркивает: если агент ошибается, это, как правило, следствие неспособности человека точно сформулировать намерение. Для дальнейшего изучения возможностей агентов ознакомьтесь с такими проектами, как morluto/rea: Reverse engineer anything with agents.

Итак, как нам определить, какие навыки остаются ценными? Примените практический тест: помогает ли навык определить проблему, ориентироваться в trade-offs, предоставить надежный эталон или обнаружить, когда ответ неверен? Если да, то ИИ делает этот навык более значимым, а не менее. Преимущество получают люди, которые могут направлять машину и проверять ее работу, а не просто транслировать ее вывод.

К числу долгосрочных навыков, которые стоит развивать, относятся анализ требований, проектирование систем, предметные знания, декомпозиция, тестирование и критически важная способность проверять работу агента. Хотя знание синтаксиса все еще полезно, оно больше не является единственным путем к реализации; разработчики теперь должны отдавать приоритет намерению и верификации.

Cole Medin, который не написал ни строчки «сырого» кода уже больше года, по-прежнему тратит значительное время на планирование и валидацию. Он отмечает, что если агент совершает ошибку, это часто происходит из-за неспособности донести намерение или спроектировать harness.

Агенты могут взять на себя большую часть кодинга, но разработчики по-прежнему определяют, что именно будет создано, и решают, работает ли это. Будущее принадлежит тем, кто овладеет суждением, которое не может заменить генерация кода, используя ИИ как мощный инструмент, а не как автономную замену. Это означает сосредоточение внимания на человекоцентричных аспектах поставки программного обеспечения.

Стоит ли учиться создавать программное обеспечение в эпоху ИИ?

Да. ИИ может генерировать код, но людям все равно нужно определять проблему, принимать проектные решения и проверять, соответствует ли результат реальным потребностям.

Что такое intent engineering?

Intent engineering — это работа по уточнению требований и предоставлению ИИ-агенту достаточного контекста, примеров и ограничений для создания правильного продукта.

Почему ИИ-агенты могут так эффективно проводить обратную разработку (reverse-engineer) приложений?

Работающее приложение служит конкретным эталоном своего поведения и внешнего вида, позволяя агенту сравнивать свой результат с видимой целью.

Что такое harness в разработке программного обеспечения с помощью ИИ?

Harness — это окружающий процесс и инструментарий, который направляет агента, собирает требования, обеспечивает обратную связь и проверяет его работу.