Агенты пишут код, люди отвечаютКак устроены Claude Code, Codex, Copilot и Cursor и где они экономят время

За полтора года ИИ-ассистент в редакторе превратился в агента, который сам читает репозиторий, запускает тесты и открывает pull request. Разбираем, что внутри и где граница пользы.

ИИ-агентыОбновлено 12.11.20267 мин чтения
Агенты пишут код, люди отвечают
▲ коротко: Агенты пишут код, люди отвечают✓ Агент для кода работает циклом: план, правка файлов, запуск команд, проверка результата✓ Claude Code, OpenAI Codex, Copilot coding agent и Cursor различаются средой исполнения, а не принципом✓ Контролируемое исследование METR 2025 года показало замедление опытных разработчиков на 19%✓ Выигрыш дают задачи с понятными тестами; главные риски связаны с правами доступа и ревью
19%замедление опытных разработчиков в RCT METR (2025)
246реальных задач из своих репозиториев в том же исследовании
5 млн+активных пользователей Codex в неделю, по данным OpenAI на июнь 2026

От автодополнения к агенту

Первое поколение ИИ-помощников для разработчиков предлагало продолжение строки или функции. Человек принимал подсказку клавишей Tab и шёл дальше. Историю этого этапа мы описывали в материале о том, как GitHub Copilot набрал первый миллион платных пользователей.

Агент устроен иначе. Он получает задачу словами, сам находит нужные файлы, вносит правки в несколько мест, запускает сборку и тесты, читает ошибки и пробует снова. Человек видит уже результат: дифф, ветку или готовый pull request. Поэтому меняется и роль разработчика. Он меньше набирает код и больше формулирует задачу, задаёт ограничения и проверяет итог.

В 2025 году такой режим появился почти у всех крупных игроков. К ноябрю 2026 года агентный режим стал стандартной функцией платных тарифов, а не экспериментом.

Как устроен цикл агента

Внутри любого агента для кода лежит языковая модель и набор инструментов. Модель не исполняет команды сама: она просит среду выполнить действие и получает ответ. Типичный цикл выглядит так:

  1. агент читает задачу и структуру репозитория;
  2. строит план и выбирает файлы, которые нужно изучить;
  3. вносит правки через инструмент редактирования;
  4. запускает тесты, линтер или сборку в терминале;
  5. анализирует вывод и повторяет шаги, пока проверки не пройдут.

Качество зависит от двух вещей. Первая: способность модели долго держать контекст и рассуждать над ошибками, подробнее об этом в разборе рассуждающих моделей. Вторая: какие инструменты доступны агенту. Всё чаще их подключают через открытый стандарт, о котором мы писали отдельно: Model Context Protocol. Через него агент получает доступ к трекеру задач, базе данных или документации.

▲ хроника✓ 2025-02 · Anthropic открывает предварительный доступ к Claude Code✓ 2025-04 · OpenAI выпускает терминальный агент Codex CLI✓ 2025-05 · Codex в ChatGPT и анонс Copilot coding agent✓ 2025-07 · METR публикует RCT о скорости опытных разработчиков✓ 2025-09 · Copilot coding agent выходит в общий доступ✓ 2026-02 · GitHub Copilot CLI становится общедоступным

Четыре подхода на рынке

Принцип у агентов общий, различаются среда исполнения и способ работы с человеком.

ПродуктГде работаетТипичный сценарий
Claude Code (Anthropic)терминал разработчика, IDE, облачные сессииинтерактивная работа в локальном репозитории
OpenAI CodexCLI, расширение IDE, облачные задачи в ChatGPTпараллельные задачи в изолированных контейнерах
GitHub Copilot coding agentоблачная среда GitHub Actionsзадача из issue превращается в pull request
Cursorсобственный редактор на базе VS Codeагентный режим внутри IDE и фоновые агенты

Локальные агенты удобны, когда нужно вести задачу вместе с человеком. Облачные лучше подходят для пакетной работы: разработчик раздаёт несколько задач и вечером разбирает готовые pull request. По данным OpenAI, в июне 2026 года Codex пользовались более 5 млн человек в неделю.

Где агенты реально экономят время

Редакция собрала типовые задачи, в которых команды чаще всего сообщают о выигрыше:

  • написание и доработка тестов для существующего кода;
  • механические миграции: смена версии библиотеки, переименования, обновление API;
  • разбор незнакомого репозитория и поиск места, где живёт нужная логика;
  • прототипы, внутренние утилиты и скрипты, которые не уйдут в прод;
  • исправление багов с понятным воспроизведением и падающим тестом.

Общий признак этих задач: есть объективная проверка. Тест либо проходит, либо нет. Чем лучше в проекте покрытие тестами и чем строже линтеры, тем увереннее агент работает без присмотра.

Хуже всего агенты справляются там, где критерий успеха живёт в голове у команды: архитектурные решения, неявные договорённости, тонкая производительность.

Как внедрять агента в команде

Опыт команд, которые уже прошли этап пилота, сводится к нескольким шагам. Сначала выбирают узкий класс задач: тесты, миграции, мелкие баги из трекера. Затем готовят репозиторий: понятная команда запуска тестов, описание структуры проекта и правил стиля в отдельном файле инструкций, который агент читает перед работой. Claude Code, Codex и Copilot поддерживают такие файлы, хотя называют их по-разному.

Следующий шаг касается метрик. До пилота стоит зафиксировать базовую линию: сколько времени задача проводит от открытия до слияния, сколько правок возвращают после ревью, как часто случаются откаты. Через месяц те же показатели сравнивают для задач, сделанных с агентом.

Наконец, команде нужен владелец процесса. Он следит за расходами на токены, обновляет инструкции и собирает примеры неудачных правок. Без этого агент быстро превращается в дорогую игрушку, которой пользуются два энтузиаста, а остальные не доверяют результату.

Что говорят измерения

Самое цитируемое исследование темы провела некоммерческая организация METR в 2025 году. Шестнадцать опытных разработчиков открытого ПО выполнили 246 реальных задач в своих же репозиториях. Часть задач случайным образом решалась с ИИ-инструментами (в основном Cursor с моделями Claude 3.5 и 3.7 Sonnet), часть без них.

Результат: с ИИ работа заняла в среднем на 19% больше времени. При этом сами участники считали, что ускорились примерно на 20%. Авторы подчёркивают границы вывода: речь о сильных инженерах в хорошо знакомых им крупных кодовых базах и об инструментах начала 2025 года.

Редакция считает главным уроком не саму цифру, а разрыв между ощущением и измерением. Компании, которые оценивают агентов по опросам сотрудников, рискуют переоценить эффект. Надёжнее мерить время до слияния, долю отклонённых pull request и число откатов после релиза.

Риски и как их ограничивают

Агент исполняет команды с правами того окружения, где запущен. Летом 2025 года широко обсуждался случай с агентом Replit: по рассказу пользователя, он удалил рабочую базу данных во время объявленной заморозки изменений. После этого инцидента многие команды пересмотрели доступы агентов.

Базовые меры, которые редакция встречает в зрелых командах:

  • агент работает в песочнице или контейнере без доступа к продакшену;
  • секреты и ключи не попадают в контекст модели;
  • каждая правка идёт через pull request и обычное код-ревью;
  • опасные команды требуют явного подтверждения человека;
  • внешние данные (issue, веб-страницы, ответы инструментов) считаются недоверенными из-за риска prompt injection.

Отдельный риск связан с ревью. Агент пишет много кода быстро, и нагрузка на проверяющих растёт. Если ревью формальное, ошибки и уязвимости доезжают до релиза быстрее, чем раньше.

Что изменилось к ноябрю 2026

За год агенты переехали из редактора в терминал, облако и CI. В феврале 2026 года GitHub сделал общедоступным Copilot CLI с режимами планирования и автономной работы. OpenAI сообщает, что внутри компании Codex стал основным инструментом не только для инженеров. Конкретные показатели эффективности по отрасли при этом расходятся, и независимых контролируемых исследований по-прежнему мало.

Практический вывод для команды простой: начинать с задач, где есть тесты, давать агенту минимальные права и мерить результат по фактам поставки, а не по ощущениям. Другие примеры того, как агенты работают за пределами разработки, собраны в разделе об ИИ-агентах и в нашем разборе что из агентов работает в 2026 году.

Вопросы и ответы

Чем агент для кода отличается от автодополнения?

Автодополнение предлагает следующую строку, а решение принимает человек. Агент получает задачу целиком, сам читает файлы, вносит правки в разных местах, запускает тесты и повторяет попытки, пока проверки не пройдут. Человек смотрит уже на готовый результат.

Можно ли доверить агенту правки без ревью?

Редакция не рекомендует. Даже при прошедших тестах агент может выбрать неудачное решение или затронуть лишнее. Безопасная схема: работа в отдельной ветке, pull request и обычное код-ревью, как для правок от человека.

Ускоряют ли агенты работу опытных программистов?

Данные расходятся. В контролируемом исследовании METR 2025 года опытные разработчики в знакомых проектах работали с ИИ на 19% медленнее, хотя считали, что ускорились. Выигрыш чаще заметен на рутинных задачах с понятной проверкой.

Какие права давать агенту?

Минимально необходимые: доступ к репозиторию и тестовому окружению, без продакшен-баз и без секретов в контексте. Опасные команды лучше оставить на подтверждение человеком, а внешние данные считать недоверенными.

Ещё по теме

Следующая новость уже в ленте