Google: Перестаньте зацикливаться на моделях AI

Недавний 50-страничный MasterClass от Google по AI-кодированию освещает критический сдвиг в разработке программного обеспечения. Он утверждает, что сама модель AI составляет лишь около 10% результатов; остальные 90% заключаются в "обвязке" (harness) — контексте, инструментах и верификации, построенных вокруг нее. Это понимание подчеркивает, что AI-кодирование — это спектр, а не бинарный переключатель.

На одном конце находится Vibe Coding: быстрое, низкозатратное создание промптов с минимальным планированием, подтверждаемое быстрой проверкой "кажется, работает?". Этот подход отлично подходит для доказательств концепции или первоначального исследования, позволяя быстро итерировать. Однако его присущая ненадежность и отсутствие верификации делают его непригодным для масштабируемого программного обеспечения производственного уровня из-за значительного риска.

Продвигаясь по спектру, Structured AI-Assisted кодирование включает более детальные промпты и выборочные проверки. Вершиной является Agentic Engineering, которая использует спроектированную систему ресурсов, рабочих процессов, спецификаций, автоматизированных оценок и шлюзов непрерывной интеграции (CI). Эта методология отдает приоритет повторяемости и надежности, обеспечивая надежные, верифицируемые результаты для сложных систем.

Это ускорение внедрения, от недель до нескольких минут или часов, меняет жизненный цикл разработки программного обеспечения (SDLC), управляемый AI. Основные узкие места теперь находятся на начальном и конечном этапах: сбор первоначальных требований и окончательная валидация. В то время как AI значительно ускоряет генерацию кода, качество спецификаций, определяемое человеком, и строгая верификация становятся новыми критическими ограничениями для бизнес-результатов.

Сосредоточение внимания на самой Large Language Model (LLM) упускает из виду общую картину. Недавний 50-страничный сборник рекомендаций Google, освещенный в MasterClass Коула Медина, раскрывает критически важную формулу для создания надежных AI-агентов: Агент = Модель + Обвязка (Harness). Выбранная LLM составляет примерно 10% производительности агента.

Девяносто процентов эффективности агента проистекает из его обвязки (harness). Это не абстракция; это тщательно спроектированный слой, который вы строите вокруг модели. Он определяет: - Контекст: Соответствующая информация и ограничения. - Инструменты: Внешние функции, которые агент может вызывать. - Защитные механизмы (Guardrails): Механизмы безопасности и поведенческие границы. - Рабочие процессы верификации: Автоматизированные тесты и оценки, которые обеспечивают самокоррекцию.

Эта концепция представляет собой общеотраслевую конвергенцию в лучших практиках Agentic Engineering. Компании, такие как Anthropic, формулируют аналогичные архитектуры, подчеркивая важность окружающей системы над базовой моделью. Обвязка (harness) — это слой, который организация действительно контролирует и над которым итерирует.

Производительность агента фундаментально зависит от обвязки (harness). Зацикливание на незначительных улучшениях LLM при пренебрежении надежным проектированием контекста, интеграцией инструментов и строгой верификацией является заблуждением. Обвязка (harness) — это то, где формируются настоящая надежность и повторяемые результаты.

Роль разработчика фундаментально меняется, переходя от ручного дирижера кода к оркестратору интеллектуальных, автономных систем. Речь идет не о написании каждой строки прикладной логики; речь идет о проектировании всей AI-управляемой "фабрики", которая генерирует, тестирует и совершенствует код независимо. Вы больше не просто кодируете; вы создаете среду и операционную логику для AI-агентов.

Основная задача оркестратора — спроектировать саму обвязку (harness), создав надежный каркас вокруг LLM, который обеспечивает 90% производительности агента. Это включает тщательное определение формальных спецификаций, внедрение комплексных автоматизированных тестов и установление строгих ворот непрерывной интеграции (CI). Эти программные ограждения позволяют агенту тщательно самокорректироваться, проверять свои собственные результаты и учиться на своих ошибках без постоянного вмешательства человека.

Этот глубокий сдвиг кардинально влияет на жизненный цикл разработки программного обеспечения (SDLC). Хорошо оркестрированная система позволяет AI-агенту итерировать независимо, ускоряя генерацию и доработку кода с недель до считанных минут или часов. Такой проактивный подход значительно снижает традиционное узкое место, связанное с человеческой проверкой, освобождая инженеров для сосредоточения на определении проблем более высокого уровня и архитектуре системы, а не на ручной отладке. Для получения дополнительной информации обратитесь к основополагающему техническому документу Google, The New SDLC With Vibe Coding - Kaggle.

Создание эффективной системы ИИ требует фундаментального переосмысления экономики. Рассматривайте первоначальные инвестиции в надежную обвязку (harness) как капитальные затраты (CapEx). Это включает время инженеров на разработку всеобъемлющего контекста, интеграцию специализированных инструментов, определение ограждений и внедрение строгой автоматизированной верификации. Сравните это с текущими, переменными затратами на потребление токенов, постоянную ручную отладку и итеративную переработку, все из которых относятся к операционным расходам (OpEx).

Более высокие CapEx в обвязку значительно сокращают долгосрочные OpEx. Проектируя надежную, повторяемую агентную систему, организации значительно сокращают будущие расходы на токены, часто на значительную величину, поскольку агенты итерируют самостоятельно. Что еще важнее, они минимизируют значительные трудозатраты, связанные с постоянным вмешательством человека, устранением неполадок в нерегламентированных запросах и проверкой ненадежных результатов. Эти стратегические инвестиции в комплексную обвязку предотвращают бесконечный цикл «vibe coding», который плохо масштабируется и истощает инженерные ресурсы.

Для любого серьезного программного проекта экономическая логика неоспорима. Выводы Google подчеркивают, что создание систематического процесса агентной инженерии обеспечивает превосходную экономическую эффективность и масштабируемость по сравнению с опорой на ручное формирование запросов. Это не просто техническое предпочтение; это стратегический императив для устойчивой, высококачественной разработки на основе ИИ, гарантирующий, что первоначальные инвестиции принесут кумулятивную прибыль на протяжении всего жизненного цикла системы.

В чем разница между vibe coding и агентной инженерией?

Vibe coding — это использование случайных запросов с минимальным планированием, подходящее для одноразового кода или MVPs. Агентная инженерия — это систематический подход, использующий спроектированные спецификации, инструменты и автоматизированную верификацию для создания надежного, готового к производству кода.

Что такое «обвязка» (harness) ИИ?

Обвязка (harness) — это вся система, которую вы строите вокруг модели ИИ. Она включает в себя специфический контекст, инструменты, ограждения, рабочие процессы верификации и оркестрацию, которые направляют модель на достижение желаемого результата.

Почему Google утверждает, что модель ИИ составляет лишь 10% системы?

Хотя модель обеспечивает основное рассуждение, ее производительность в подавляющем большинстве определяется качеством «обвязки» (harness) (остальные 90%). Хорошо спроектированная обвязка может заставить хорошую модель работать исключительно, в то время как плохая обвязка ограничит даже лучшую модель.

Как агентная инженерия меняет роль разработчика программного обеспечения?

Это смещает роль разработчика от «дирижера», который пишет каждую строку кода, к «оркестратору», который проектирует, создает и поддерживает автоматизированную систему (harness), позволяющую AI agent писать код.