Этот трюк с ИИ экономит 97% ваших токенов.

Большие языковые модели ведут себя как переутомленные стажеры: дайте им слишком много для чтения, и их ответы начинают распадаться. Исследователи и практики теперь называют это «разложением контекста» — производительность снижается, когда вы заполняете окно запроса все большим объемом текста, даже если этот текст технически актуален. После определенного момента больше контекста не делает модели умнее; это лишь запутывает их.

Разработчики по-прежнему регулярно вставляют целые страницы документов, справочники API и результаты поиска в один запрос. Один современный гид по фреймворку может содержать более 20 000 токенов; умножьте это на несколько страниц, и вы превысите 100 000 токенов в одном запросе. Это означает, что вы платите за модель, которая просматривает огромные стены стандартного текста, оглавлений и повторяющихся заголовков, большинство из которых она в основном игнорирует.

Эти ненужные токены напрямую отображаются в вашем счете. При текущих ценах на API частое использование LLM с запросами на 100 тысяч токенов несколько раз в день может незаметно добавить сотни долларов в месяц к бюджету команды на эксперименты. Более того, большие запросы требуют больше времени для обработки, поэтому каждое обращение ощущается как ожидание медленной сборки.

Точность также падает. Когда вы помещаете пять overlapping документов в контекстное окно, модель должна справляться с конфликтующими примерами, устаревшим синтаксисом и специфичными для версии пограничными случаями. Попросите шаблон Tailwind v4, и она может с уверенностью выдать фрагменты Tailwind v3, которые увидела ранее в том же запросе, потому что соотношение сигнал/шум ухудшилось.

Наивный метод извлечения также нарушает рабочие процессы агентов. Агенты, использующие инструменты, вызывают поиск несколько раз за одну задачу, поэтому каждый шаг может добавлять еще 10,000–20,000 токенов "сырого" HTML и Markdown. К третьему шагу ваш "полезный помощник" тянет за собой разросшуюся историю контекста, которая заслоняет те несколько строк кода или конфигурации, которые действительно имеют значение.

Настоящая задача: обеспечить ИИ-агента «совершенным знанием» вашего стека, не перегружая его ограниченное внимание. Это означает, что нужно предоставить именно те 500–5,000 токенов — текущие методы SDK, ваши исключения аутентификации, ту самую заметку о миграции — вместо всей информации в интернете. Системы, которые могут делать это надежно, не только отсекают 50–90% вашего контекста; они помогают моделям оставаться актуальными, когда это имеет значение.

Контекстный разлад имеет нового врага: Протокол Модели Контекста. MCP — это простая, но жесткая идея: прекратить запихивать всё в контекстное окно и вместо этого предоставить моделям инструменты, которые могут извлекать именно то, что им нужно, когда им это нужно. Вместо потока данных на 100,000 токенов, MCP превращает контекст в вызов API.

Два сервера MCP, в частности, формируют своего рода команду точечных ударов: ref.tools и Exa. Ref.tools отвечает за документацию, как публичную, так и приватную, в то время как Exa сосредотачивается на высококачественном, низколатентном поиске кода и технического контента. Вместе они заменяют грубую копипасту на целенаправленный поиск.

Ref.tools действует как хирург документации. Он индексирует общедоступные документы, репозитории GitHub, PDF и внутренние сайты, а затем возвращает только несколько тысяч токенов, которые действительно имеют значение для текущей задачи, а не 20 000 токенов бесполезной информации, которые можно получить при простом сканировании. Он также отслеживает историю поиска в сессии, чтобы модель не продолжала заново открывать одни и те же страницы.

Exa играет вспомогательную роль в кодировании и инженерных исследованиях. Вместо широкой веб-поиска он отдает предпочтение источникам, актуальным для разработчиков, и структурирует результаты так, чтобы агент ИИ мог быстро извлекать API, образцы и примеры. Для рефакторинга, миграций SDK или обновлений фреймворков такая скорость и сосредоточенность означают меньше звонков, меньше токенов и меньше случайных догадок.

В видео Рэя Фернандо представлен смелый показатель: снижение на 97% использования контекстного окна при сложной переработке с помощью этих двух MCP. Ранее он загружал почти 100k токенов документации SDK, правил аутентификации и деталей поставщика базы данных в запрос. С помощью ref.tools и Exa модель извлекает только те фрагменты кода Tailwind v4, ShadCN и специфичного для приложения, которые ей действительно нужны.

Этот набор превращает контекст в сurgical strike. Агента сначала запрашивает ref.tools и Exa, чтобы понять токены дизайна Tailwind v4, затем сканирует кодовую базу Anime Leak на наличие жестко закодированных шаблонов Tailwind v3 и несогласованных тем. Вместо громоздкого, хрупкого запроса вы получаете компактный цикл: спросить, получить, применить, повторить — минимальное количество токенов, максимальный сигнал.

Ref.tools ведет себя не как строка поиска, а скорее как библиотекарь для агентов, созданный для того, чтобы большие языковые модели не тонули в документации. Вместо того чтобы перегружать модель целыми страницами, он выполняет то, что его создатели называют агентным поиском: многоступенчатый, инструментально управляемый запрос, который адаптируется к тому, что модель пытается сделать со временем.

В основе лежит фильтрация с учетом контекста. Ref.tools разбивает обширные документы на небольшие части, а затем выборочно возвращает только наиболее релевантные ~5,000 токенов для конкретной задачи, а не 20,000+ токенов, которые наивный краулер может загрузить в ваше контекстное окно. По данным реальных запросов, пользователи сообщают о 50–70% экономии токенов по сравнению с базовым RAG и до 95–99% сокращения по сравнению с грубыми «вставить документы» рабочими процессами.

Осведомленность о сеансе — это то, где начинает ощущаться, что система создана для агентов, а не для людей. Каждая поисковая сессия отслеживает предыдущие запросы и ответы, так что ref.tools избегает отправки дубликатов и почти дубликатов. Когда ИИ-ассистент совершает несколько вызовов инструментов — «как мне авторизоваться?», «теперь покажи постраничный вывод», «теперь обработка ошибок» — ref.tools уклоняется от уже использованных фрагментов текста, вместо того чтобы тратить токены на одни и те же абзацы.

Индексирование охватывает как общественные, так и частные сферы. По умолчанию ref.tools может сканировать и индексировать: - Публичные документации по продуктам и API - Частные репозитории GitHub - PDF-файлы и другие загруженные файлы - Произвольные веб-сайты за одной URL-адресом

Этот единый индекс становится единственным источником правды для вашего AI-ассистента, позволяя ему ответить на вопрос “Как наше промежуточное ПО для биллинга интегрируется со Stripe?”, извлекая информацию из вашего GitHub, а затем сразу перешагивать к официальной документации Stripe, не меняя инструментов.

Критически важно, что ref.tools оптимизирует запросы на естественном языке от агентов, а не взлом ключевых слов людьми. Ассистент может спросить: «Какие параметры необходимы для конечной точки комментариев в Figma, и покажите минимальный пример на TypeScript?» и ref.tools преобразует это в целенаправленные запросы по своему индексу, после чего возвращает только важные фрагменты кода и объяснений.

Поскольку он использует протокол контекста модели, ref.tools подключается напрямую к Claude, Zed, Cursor и другим средам, осведомленным о MCP. Настройте сервер MCP один раз с помощью API-ключа, и каждый новый проект в вашем редакторе сможет использовать те же индексированные документы без повторной настройки. Для более подробной технической информации и руководств по настройке Ref.tools - Документация поиска для AI-помощников по программированию проведет вас через полный агент-центрированный рабочий процесс.

Exa играет противоположную роль по сравнению с ref.tools: если ref.tools — это ваш дотошный библиотекарь, то Exa — это умный и быстрый читатель всего кодировочного интернета. Подключённый к Claude через MCP, он специализируется на высококачественном, быстром поиске по публичному техническому контенту, от документации и блогов до проблем на GitHub и темам на Stack Overflow.

В то время как ref.tools индексирует ваш PDF-файлы, частные репозитории и документацию поставщиков, Exa находит решения в открытом интернете, настроенные на код. Попросите “Токены дизайна переменных CSS Tailwind v4” или “Shadcn UI + обработчики маршрутов Next.js”, и Exa выдает страницы, которые действительно решают проблему, а не бесполезный SEO-материал. Вы получаете меньше ссылок, но каждая из них занимает свое место в вашем контексте.

Скорость имеет значение, когда вы соединяете инструменты. Агенты MCP часто отправляют несколько запросов для одной задачи — сканируют кодовую базу, проверяют документацию по фреймворкам, подтверждают использование API. Exa реагирует достаточно быстро, чтобы модель, подобная Claude 3.5 Haiku, могла пройти через несколько этапов исследования, не увеличивая задержку и не тратя тысяч лишних токенов на нерелевантные страницы.

Ref.tools сияет, когда ответ находится в вашем мире: ваш SDK, ваши правила аутентификации, ваша внутренняя система дизайна. Exa сияет, когда вам необходимо знание всего мира: специализированная библиотека, значительное изменение в Tailwind v4 или незначительный баг, зарытый в обсуждении на GitHub с прошлой недели. Один инструмент сохраняет ваш частный контекст на пике остроты; другой же не позволяет вам застрять в собственном репозитории.

Используя их вместе, они покрывают каждую поверхность современного стека:

• 1ref.tools: частные документы, документы поставщиков, внутренние PDF-файлы, репозитории GitHub
• 2Exa: публичная веб-страница, документация фреймворка, примеры из сообщества, недавние исправления

Этот комбинированный подход означает, что ваш ИИ-ассистент извлекает только то, что важно — из ваших собственных систем и более широкой экосистемы — при этом сокращая использование контекста более чем на 90% по сравнению с наивными рабочими процессами типа «вставить документы».

Командная строка — самый быстрый способ интегрировать эти MCP в ваш рабочий процесс, независимо от того, используете ли вы интегрированный терминал VS Code или Claude Code от Anthropic. Вам просто нужен CLI `claude`, аккаунт на ref.tools и API ключ от Exa.

Начните с ref.tools. После создания учетной записи перейдите на страницу настроек MCP, сгенерируйте API-ключ и скопируйте его. В вашем терминале подключите его одной командой:

- `claude mcp добавить ref.tools --заголовок "Authorization: Bearer ВАШ_REF_API_KEY"`

Этот флаг `--header` имеет значение: серверы MCP ожидают аутентификацию в HTTP-заголовках, а не в переменных окружения. CLI записывает это в локальный конфигурационный файл MCP в вашем пользовательском каталоге, так что вы настраиваете его один раз, и каждый новый проект Claude Code может его видеть.

Затем добавьте Exa для быстрого поиска кода. Получите API-ключ из панели управления Exa, затем выполните:

- `claude mcp добавить exa --header "x-api-key: ВАШ_EXA_API_КЛЮЧ"`

Ref.tools и Exa используют разные имена заголовков, поэтому копирование точной строки из панели каждого провайдера помогает избежать неявных ошибок 401. Если провайдер предоставляет вам заранее подготовленную команду, вы можете вставить её напрямую в терминал; просто замените заполнители ключами с вашим реальным значением.

Безопасность здесь не подлежит обсуждению. Эти конфигурации MCP хранятся в вашем домашнем каталоге или локальной папке проекта, что означает, что команда `git add .` может случайно включить их в ваш репозиторий. Добавьте такие шаблоны, как:

• 1`.клод-мкп*`
• 2`mcp.config.*`
• 3`*.local.json`

в `.gitignore` и храните ключи API только в локальной конфигурации, никогда не в совместно используемом коде или логах CI.

Чтобы подтвердить, что всё действительно работает, спросите у интерфейса командной строки, что он видит:

- `список claude mcp`

Вы должны увидеть `ref.tools` и `exa` в списке активных серверов, каждый из которых помечен как доступный. Если один из них отсутствует или отображается как недоступный, проверьте название заголовка, значение ключа и убедитесь, что вы не вставили лишние кавычки или пробелы.

Курсор превращает настройку MCP из терминального ритуала в удобное UI-сочетание. Вместо редактирования конфигурационных файлов вы открываете IDE, нажимаете настройки и подключаете ref.tools и Exa за менее чем за минуту. Никаких оболочек, никаких догадок о том, где находятся ваши настройки.

Откройте Курсор, нажмите на значок шестеренки и перейдите в Инструменты и MCP. Эта панель отображает все активные инструменты и любые добавленные вами настраиваемые серверы MCP, так что вы можете сразу увидеть, к каким ресурсам имеет доступ ваш ИИ.

Чтобы подключить ref.tools, прокрутите вниз до раздела «Пользовательские серверы MCP» и нажмите «Добавить пользовательский сервер MCP». Появится форма с полем для ввода имени, URL и необязательным блоком конфигурации JSON, куда вы можете вставить точный фрагмент, создаваемый ref.tools. Этот JSON обычно включает URL сервера MCP и заголовки для аутентификации.

Получите эти подробности с панели управления ref.tools в разделе "MCP". Вы увидите заранее подготовленную конфигурацию с: - URL сервера - Версия протокола - Заголовки с полем `Authorization`

Вставьте этот JSON в поле конфигурации Cursor, затем добавьте свой API-ключ ref.tools в указанное поле, если Cursor отделяет ключи от заголовков. Cursor хранит его локально, поэтому ваш ключ никогда не должен находиться в системе контроля версий.

Exa следует тому же принципу. Перейдите на панель управления Exa, откройте раздел API и сгенерируйте ключ, если у вас его нет. Скопируйте URL MCP и любой пример конфигурации JSON, который они предоставляют, затем добавьте второй пользовательский сервер MCP в Cursor с этими значениями и вашим ключом API Exa.

Под капотом Cursor использует тот же Протокол Контекста Модели, что и ваша настройка CLI, просто с более дружелюбной оболочкой. Если вы хотите проверить, что происходит, Протокол Контекста Модели - Официальная Документация подробно описывает JSON-схему, которую использует Cursor. Как только оба сервера подключатся, ИИ Cursor сможет автоматически вызывать ref.tools для получения документации и Exa для поиска кода, не прикасаясь к терминалу.

Рефакторинг перчаток не бывает более жестоким, чем переход на фреймворк в самом разгаре. Пример Рэя Фернандо: обновить существующее производственное приложение до Tailwind v4, согласовать его с shadcn/ui и унифицировать запутанную, наполовину ответвленную систему дизайна, не разрушая пользовательский опыт. Приложение Anime Leak уже предлагает реальные функции — загрузка изображений, генерируемые ИИ «протекающие» аниме-оверлеи, галереи, возможность делиться контентом — поэтому регрессии не являются теоретическими.

Tailwind v4 переосмысляет подход к стилям: CSS-переменные, дизайнерские токены и новая конфигурация, которая стремится к согласованной системе вместо хаотичного набора утилит. Это само по себе требует внимательного изучения последних документов по Tailwind, записей о миграции и примеров. Теперь добавьте в смесь изменённую кодовую базу с классами устаревшей версии Tailwind v3, макетами с приоритетным светлым режимом и целевой страницей с тёмной темой от другого автора.

Идеальный материал для стресс-теста, так как успех требует одновременного использования двух типов мышления. Агент должен усвоить новый психический модел на основе дизайн-токенов Tailwind из документации. Затем ему нужно просканировать десятки компонентов, страниц и файлов макетов, чтобы вывести фактическую дизайн-систему приложения и согласовать ее с Tailwind v4 и shadcn/ui.

Рэй передает это модели Haiku 4.5 Клода, работающей как агент в Claude Code, с очень четким заданием. Промпт: использовать `ref` MCP для изучения документации по Tailwind v4 и дизайн-системам, а также использовать `exa` MCP для широкого поиска в реальном коде и паттернах. Только после этого исследовательского этапа следует изучить репозиторий Anime Leak и предложить единую стратегию токенов и тем.

Инструкция идет дальше: рассматривайте жестко закодированные классы Tailwind v3 как подозреваемых, которых нужно нормализовать в токены и переменные стиля v4. Уважайте существующие примитивы shadcn/ui, но объедините цвет, отступы и типографику в единую согласованную иерархию, которая работает как в светлом, так и в темном режимах. Никаких подсказок, никаких заранее подготовленных фрагментов.

Ставки определенно зависят от контекстной дисциплины. Наивная установка могла бы засыпать окно 50,000–100,000 токенами документации Tailwind, документацией shadcn и кодом приложения, надеясь, что модель не сгорит. Здесь вопрос более актуален: сможет ли агент, осведомленный о инструментах и ограниченный `ref` и `exa`, предоставлять именно столько документации и фрагментов кода, чтобы уложиться в несколько тысяч токенов за раз — и при этом создать корректный план рефакторинга Tailwind v4 от начала до конца?

Контекстные окна обычно воспринимаются как потолок. Здесь они превратились в погрешность округления. Используя ref.tools и Exa через MCP, агент рефакторинга Tailwind V4 извлек всё необходимое — документацию по Tailwind, шаблоны ShadCN и кодовую базу Anime Leak — используя примерно 2800 токенов от начала до конца.

На модели с контекстным окном 200,000 токенов, это 2,800-токеновое пространство составляет около 1.4% от доступного объема. Поменяем соотношение: система оставила 98.6% окна нетронутым, что представляет собой сокращение более чем на 97% по сравнению с классическим рабочим процессом "вставить половину документа сайта в чат".

В отличие от старого метода, который описывает создатель: засовывание ~100,000 токенов необработанной документации в модель, чтобы просто начать. Пара руководств по SDK, правила аутентификации и документация по базе данных, и вы уже были на полпути к максимуму контекста, не написав ни одной строки кода.

Ref.tools и Exa меняют эту схему. Вместо предварительной загрузки всего, агент обращается к этим серверам MCP для выполнения целенаправленных поисков, извлекает только необходимые фрагменты и передает их обратно по мере необходимости. Никаких 20,000-токеновых HTML-баLOBов, только краткие выдержки, соответствующие текущей подзадаче.

Вы можете увидеть результаты в плане, который агент генерирует после завершения своей разведки. После изучения документации Tailwind V4 через ref.tools и сканирования репозитория с помощью Exa, он предлагает пошаговую стратегию, а не неопределенный список желаемых изменений.

План разбивается на конкретные этапы, например: - Аудит использования существующих утилит Tailwind V3 и пользовательских классов - Соответствие устаревших токенов и цветов токенам дизайна Tailwind V4 и CSS-переменным - Приведение компонентов ShadCN в соответствие с новой общей системой дизайна - Обновление конфигураций, макетов и критически важных пользовательских потоков для обеспечения согласованного поведения в светлой/темной темах

Каждый шаг возвращается к контексту, который агент действительно прочитал: новая модель дизайнерских токенов Tailwind V4, паттерны компонентов ShadCN и текущая тематика Anime Leak. Поскольку MCPs выделили только эти конкретные разделы, модель не потратила токены на маркетинговые страницы, шум в changelog или нерелевантные API.

Это внимание к деталям важно как для качества, так и для стоимости. С использованием всего 2800 тщательно подобранных токенов вместо 100 тысяч неясного текста, агент может одновременно «держать в уме» весь план рефакторинга, ключевые правила Tailwind и живые фрагменты кода, избегая при этом потери контекста. Результат ощущается не как автозаполнение, а скорее как старший инженер, проходящий по контрольному списку миграции.

Агентные рабочие процессы перестают быть трюком, как только вы можете извлечь 2,800 гиперрелевантных токенов вместо того, чтобы распылять 100,000 на стене. Ref.tools и Exa не только экономят деньги, но и радикально увеличивают объём задач, которые вы можете передать ИИ, не загромождая его контекстное окно до непригодного состояния.

Многоступенчатые агенты сталкивались с жестким ограничением: несколько документов, кодовая база среднего размера, и всё превращалось в кашу. С токен-эффективными MCP вы можете связать десятки исследовательских шагов — документацию по фреймворкам, примеры SDK, внутренние RFC, проблемы на GitHub — оставаясь при этом в пределах 10,000 токенов живого контекста.

Это открывает двери для рабочих процессов, которые гораздо ближе к настоящим проектам в области программного обеспечения. Теперь агент может: - Составить карту незнакомого монорепозитория - Сравнить три конкурирующие библиотеки - Соответствовать внутренней системе дизайна - Предложить план миграции с явными компромиссами

Режим Планирования в Cursor делает это очевидным. Вместо того чтобы сразу переходить к коду, агент может потратить 20–30 вызовов инструментов исключительно на разведку: изучение документации Tailwind v4 через ref.tools, анализ шаблонов кода с помощью Exa и создание пошагового плана рефакторинга — без разрушения вашего контекстного бюджета.

Ранее такой уровень предварительного планирования означал либо ручной труд, либо непрерывное потребление сотен тысяч токенов на наивном RAG. С ref.tools, которые регулярно сокращают контекст на 50–70%, и сценариями, подобными рефакторингу Tailwind Рэя Фернандо, который составил около 2,800 токенов вместо ~100,000, режим планирования вдруг масштабируется до сложности «викенд-проекта», а не просто «исправления одного файла».

Это тихий переход от автозаполнения к AI-партнеру. Модели автозавершения кода предполагают следующую строку; агенты на основе MCP могут обосновать, почему миграционный путь имеет смысл, указать точные изменения в API и показать три файла в вашем репозитории, которые нарушают новый контракт.

Как только контекст перестает быть узким местом, ограничивающим фактором становится проектирование процессов, а не математические операции с токенами. Вы начинаете мыслить в терминах практических руководств — «спецификация нового функционала», «обновление SDK», «объединение дизайн-систем» — и настраивать агентов для их выполнения от начала до конца. Чтобы понять, насколько быстро расширяется эта экосистема, Awesome MCP Servers - Curated List уже отслеживает десятки специализированных бэкендов, готовых интегрироваться в эти рабочие процессы.

Контекстный "блоат" теперь — это выбор, а не ограничение. Стек, построенный вокруг ref.tools и Exa, предоставляет вам ИИ-пара-программиста, который обрабатывает терабайты данных, в то время как ваша модель видит только ~3,000 токенов, которые имеют значение.

Ref.tools выступает в роли вашего агентского поискового уровня: он индексирует публичные документы, приватные PDF-файлы и целые репозитории GitHub, затем предоставляет вашей модели лишь самые релевантные ~5,000 токенов на запрос, вместо того чтобы разбрасывать более 20,000 сырых токенов с собранных страниц. На практике это означает 50–70% меньше токенов при типичных задачах и до 95–99% экономии при поиске сложной документации.

Exa дополняет это, обеспечивая высококачественный, осведомленный о коде поиск по вебу с высокой скоростью. Вместо того чтобы загружать документы SDK, правила аутентификации и руководства поставщиков непосредственно в ваш запрос, ваш агент вызывает Exa, чтобы найти нужные фрагменты, а затем использует ref.tools для их преобразования в точный, минимальный контекст.

Вы получаете три взаимовыгодные победы одновременно: - Значительное сокращение объема токенов (с 100 тыс. токенов до ~2,800 токенов в нашей переработке Tailwind v4) - Улучшенное поведение модели (меньше искажения контекста, более целенаправленное рассуждение) - Более быстрая доставка функций (агенты тратят время на кодирование, а не на создание документов)

Лучшая часть: этот стек работает на основе открытого Протокола Контекста Моделей (MCP), поэтому он совместим с различными моделями и редакторами. Claude, xAI, OpenAI, локальные модели, VS Code, Cursor, Zed, облачные IDE - если это поддерживает MCP, оно может использовать эти инструменты.

Настройте это один раз, а затем пусть каждый новый проект наследует преимущества. Конфигурируйте ref.tools и Exa на уровне пользователя, держите ключи API вне ваших репозиториев, и ваша следующая задача «прочитать документацию + переработать кодовую базу» превратится в единственный агентный запрос вместо выходных.

Установите их сейчас: - ref.tools: https://ref.tools - Exa: https://exa.ai - Спецификация MCP: https://modelcontextprotocol.io

Что такое сервер MCP (Протокол Контекста Модели)?

Сервер MCP — это специализированный сервис, который выступает в роли интеллектуального источника данных для AI-моделей. Вместо сырых веб-поисков он предоставляет сфокусированный, актуальный и эффективный с точки зрения токенов контекст для конкретных задач, таких как поиск документации.

Что такое "контекстное вырождение" в LLM?

Контекстное разложение — это ухудшение работы языковой модели при заполнении её контекстного окна избыточной или неуместной информацией. Этот 'шум' делает модель менее точной и 'глупее' для конкретной задачи.

Как ref.tools и Exa фактически экономят токены?

Ref.tools использует интеллектуальный, ориентированный на модели поиск, чтобы находить и извлекать только самые релевантные фрагменты из документации. Exa предоставляет высококачественный и быстрый поиск для задач программирования. Вместе они предотвращают загрузку тысяч ненужных токенов в контекст.

Какие редакторы кода поддерживают эти MCP?

Эти MCP могут использоваться в любой среде, которая поддерживает Протокол Модельного Контекста. Видео демонстрирует настройку в терминальных инструментах, таких как 'Claude Code', и в нативных ИДЕ для ИИ, таких как Cursor, который имеет встроенную поддержку.