Метод кодирования ИИ без подсказок

Элитные инженеры в Anthropic (создатели Claude Code) и OpenClaw переосмысливают взаимодействие с AI, переходя от одиночных подсказок к полностью автономным системам. Они создают интеллектуальные машины, которые работают без постоянного участия человека, что является значительным изменением парадигмы по сравнению с традиционным промптингом.

Эта новая методология, названная Loop Engineering, организует работу целой команды AI. Высокоуровневый агент-оркестратор дает подсказки специализированным рабочим агентам в непрерывном цикле, обеспечивая постепенный прогресс в выполнении сложных задач. Это действительно агенты, дающие подсказки агентам, а не люди.

Борис Черный, руководитель Claude Code, прямо заявил: «Я больше не даю подсказки Claude. Я пишу циклы, и циклы выполняют работу». Это подразумевает минимальное участие человека в промптинге на высоком уровне, позволяя системе AI самостоятельно определять выполнение.

Claude Code демонстрирует это с помощью мощных встроенных функций. Команда `/loop` устанавливает интервалы для выполнения подсказок, позволяя выполнять повторяющиеся проверки, такие как сканирование проблем GitHub каждые пять минут, автономно обрабатывая входящие задачи.

Аналогично, `/routines` планируют задачи, возможно, ежечасно, для постепенной обработки более крупных спецификаций. В сочетании с `/goal`, который определяет конкретные критерии завершения, эти инструменты позволяют AI агентам выполнять задачи до их завершения, имитируя продвинутый «цикл Ральфа». Этот систематический подход позволяет AI автономно управлять сложными проектами, сосредоточившись на непрерывном, ориентированном на цели прогрессе.

Переход от прямого промптинга, поддерживаемый Создателями в Claude Code от Anthropic и OpenClaw, вводит ошеломляющую новую модель затрат. Эта парадигма «loop engineering» влечет за собой значительный налог на рассуждения. Агенты-оркестраторы, вместо получения одиночных подсказок, постоянно сжигают токены для планирования, делегирования задач параллельным работникам, проверки их результатов и итеративного перепланирования. Этот многоступенчатый цикл обратной связи, где агенты дают подсказки другим агентам, означает, что даже скромные проекты быстро накапливают миллионы токенов за один сеанс, что значительно увеличивает счета за вычисления.

Этот автономный агентный подход также поднимает критические вопросы о надежности и качестве. Представление о том, что тысячи агентов без подсказок могут работать часами без накопления ошибок или создания сложных галлюцинаций, кажется спекулятивным скачком. По мере того как Питер Штайнбергер из OpenClaw и Борис Черный из Claude Code исследуют эти системы, риск того, что незначительные неточности перерастут в катастрофические сбои, возрастает с каждым дополнительным автономным слоем.

Кроме того, раздувание контекста представляет собой внутреннее, практическое ограничение. Непрерывные, самоподсказывающие циклы быстро перегружают конечное окно контекста LLM. По мере того как агенты генерируют обширный внутренний монолог и промежуточные шаги, производительность снижается, что приводит к нерелевантным результатам, пропущенным инструкциям и, в конечном итоге, к катастрофическому сбою. Даже кажущийся простым рабочий процесс может исчерпать модели, такие как Claude или Kimi, за несколько итераций, что затрудняет длительные, сложные операции без надежного управления контекстом.

Эпоха чисто управляемых AI циклов, где агенты бесконечно дают подсказки своим агентам, уступает место более контролируемой парадигме: упряжке. Элитные инженеры из Anthropic (Claude Code) и OpenClaw признают астрономический расход токенов автономными циклами. Эти системы, хотя и мощные, часто влекут за собой высокий «налог на рассуждения», поскольку оркестраторы планируют, делегируют и перепланируют.

Harness переворачивает сценарий. Вместо того чтобы спрашивать ИИ что делать дальше, создавая дорогостоящую двусмысленность, harness говорит ИИ, что делать в рамках заранее определенной, надежной структуры. Этот подход использует LLM только для их основной силы: рассуждения и творческих задач, таких как генерация кода.

Предсказуемые шаги – получение данных, запуск тестов, развертывание артефактов – возвращаются к стандартному, детерминированному коду. Эта гибридная модель гарантирует, что LLM, такой как Claude, работает только там, где его интеллект необходим, минимизируя дорогостоящие, открытые циклы обратной связи. Эта дисциплинированная оркестровка превращает потенциал ИИ в предсказуемый, экономически эффективный рабочий процесс. Для более глубокого понимания агентной системы кодирования Anthropic, изучите Claude Code | Anthropic's agentic coding system.

Оркестровка этих автономных систем требует наблюдаемости. Специальная панель мониторинга является обязательной для отслеживания сложных запусков, использования токенов на каждом шаге и быстрого отладки сбоев по всей системе. Без этой детальной видимости «налог на рассуждения» быстро выходит из-под контроля, делая оптимизацию и постоянное улучшение невозможными.

Надежные harnesses управляют отдельными, изолированными сессиями агентов для различных подзадач. Агент-оркестратор определяет следующие задачи и запускает рабочих для их параллельного выполнения, как это видно в продвинутых Ralph loops. Важно отметить, что между этими агентами передается только необходимый контекст, что предотвращает раздувание промптов и сокращает нарастающие галлюцинации для детерминированного, надежного выполнения.

Реализация этого подхода требует дисциплины. Начните с небольших, детерминированных рабочих процессов, чтобы укрепить уверенность, и интегрируйте отслеживание затрат с первого дня, тщательно отслеживая потребление токенов каждым агентом. Оптимизируйте свой бюджет, развертывая более дешевые модели, такие как Pi (на Kimi), для более простых задач, сохраняя при этом дорогие передовые модели (такие как Claude) для решения сложных проблем; это стратегическое многоуровневое использование моделей является ключом к устойчивому развитию ИИ, выходя за рамки простого позволения агентам Prompt Their Agents Anymore.

Что такое Loop Engineering в ИИ?

Это метод, при котором ИИ-«оркестратор» автоматизирует создание промптов для других ИИ-«работников» в непрерывном цикле для выполнения больших, сложных задач без постоянного вмешательства человека.

Почему Loop Engineering так дорог?

Он потребляет огромное количество токенов, потому что ИИ-оркестратор многократно выполняет задачи рассуждения: планирование, делегирование задач работникам, обработка их результатов и перепланирование следующих шагов.

Какова лучшая альтернатива чистому Loop Engineering?

Детерминированный рабочий процесс или «harness», который заранее определяет процесс. Этот подход использует ИИ только для конкретных творческих задач, таких как кодирование, в то время как для предсказуемых шагов используется обычный код, что экономит затраты и повышает надежность.

Кто является пионером концепции Loop Engineering?

Среди выдающихся деятелей – Boris Cherny, руководитель Claude Code в Anthropic, и Peter Steinberger, создатель агента OpenClaw.