Частые вопросы

Здесь собраны вопросы, которые чаще всего задают люди, начинающие работать с ИИ-агентами. Ответы намеренно короткие: у каждого есть ссылка на страницу, где тема разобрана подробно.

Чем агент отличается от ChatGPT?

ChatGPT — это чат: вы задаёте вопрос, модель отвечает текстом, и на этом всё. Агент — это та же языковая модель, но с инструментами и циклом работы: он думает, выполняет действие (читает файл, запускает команду), смотрит на результат и повторяет, пока не достигнет цели. Чат может рассказать, как исправить баг; агент откроет ваш код, исправит баг и запустит тесты. Подробнее рассказано на странице Что такое агент.

Заменит ли меня ИИ?

Скорее нет, но работа изменится. Агенты хорошо справляются с рутинной частью (черновики кода, тесты, документация, миграции), но им нужен человек, который ставит задачу, проверяет результат и отвечает за него. Ценность смещается от «умею написать код» к «умею точно сформулировать, что нужно, и проверить, что получилось». Практика показывает: в выигрыше те, кто освоил инструменты раньше коллег, а не те, кто их игнорировал. Взвешенный разбор ждёт в разделе Зачем ИИ-агенты, а о том, как меняется конкретно ваша роль, рассказано в разделах для разработчика, аналитика, менеджера и тестировщика.

Почему агент ошибается, если он такой умный?

Потому что под капотом работает большая языковая модель (LLM), которая предсказывает следующий токен, а не «знает» истину. Иногда она выдаёт уверенно изложенную выдумку, и это называется галлюцинацией (hallucination): несуществующая функция библиотеки, вымышленная ссылка, неверный факт. Ошибки — не сбой, а свойство технологии, поэтому проверка результата всегда остаётся на человеке. Как это устроено, рассказано в разделе Что такое LLM.

Почему вчера работало, а сегодня тот же промпт даёт другой результат?

Модель недетерминирована: на каждом шаге она выбирает следующий токен с долей случайности, поэтому два запуска одного промпта дают разные ответы. Кроме того, у агента почти никогда не бывает «того же самого» запроса: изменился код в репозитории, история диалога, результаты инструментов, а всё это часть контекста. Это нормально; надёжность достигается не идеальным промптом, а проверками результата и итерациями. Подробнее рассказано в разделах Промптинг и Что такое LLM.

Почему агент «забыл», о чём мы говорили?

У модели нет памяти между запросами. Она видит только контекстное окно (context window): системный промпт, историю сессии, файлы и результаты инструментов. Когда окно переполняется, харнес (agent harness) сжимает или обрезает историю, и детали из начала разговора теряются. Новая сессия начинается с чистого листа. Что с этим делать, а именно записывать важное в файлы памяти вроде CLAUDE.md, рассказано в разделах Токены и контекстное окно и Память.

Можно ли доверять коду, который написал агент?

Доверять можно ровно настолько, насколько вы его проверили. Код агента часто выглядит убедительно (компилируется, аккуратно оформлен), но может содержать тонкие логические ошибки, выдуманные API или тесты, которые ничего не проверяют. Относитесь к нему как к коду незнакомого стажёра: обязательное ревью, запуск тестов, проверка граничных случаев. Ответственность за то, что попало в основную ветку, несёт человек, а не модель. Приёмы проверки собраны в разделе Проверка результатов.

Безопасно ли давать агенту доступ к репозиторию?

При разумных настройках это безопасно, но по умолчанию стоит быть осторожным. Основные риски: агент может выполнить разрушительную команду, отправить код во внешний сервис или попасться на prompt injection (внедрение промптов), то есть вредоносные инструкции, спрятанные в данных, которые он читает. Харнесы дают защиту: режимы разрешений, подтверждение опасных команд, песочницы. Начинайте с режима, где каждое действие требует подтверждения, и ослабляйте ограничения постепенно. Подробности собраны в разделе Безопасность.

Можно ли отправлять агенту данные клиентов?

Без подготовки нельзя. Всё, что попадает в контекст, уходит на серверы провайдера модели, поэтому сначала проверьте: что говорит договор с провайдером об использовании данных для обучения, какие требования накладывают закон и ваши соглашения с клиентами, есть ли в компании политика по ИИ-инструментам. Часто задачу можно решить на обезличенных или синтетических данных, и этого хватает для большинства сценариев разработки. Разбор рисков и практик собран в разделе Безопасность.

Сколько это стоит?

Типичные варианты: подписка (десятки–сотни долларов в месяц за человека) или оплата по API за токены: тогда счёт зависит от объёма работы, и активный день агентной разработки может стоить от единиц до десятков долларов. Есть и бесплатные пути: открытые харнесы с недорогими или локальными моделями, правда, с более слабыми результатами. Главное понимать, что вы платите за токены, а значит, размер контекста напрямую влияет на счёт. Экономика объяснена в разделе Токены и контекстное окно, а сравнение инструментов приведено в обзоре харнесов.

Какой инструмент выбрать первым?

Тот, который проще всего встроить в ваш текущий рабочий процесс: если вы живёте в терминале, подойдёт консольный харнес вроде Claude Code или OpenAI Codex; если в редакторе, то Cursor; если важны открытый код и выбор моделей, то OpenCode или pi. Возможности инструментов близки, а навыки переносимы, поэтому цена ошибки невелика: начните с любого и поработайте с ним пару недель. Сравнение приведено в обзоре харнесов.

Нужно ли уметь программировать, чтобы пользоваться агентами?

Нет, но это влияет на то, какие задачи стоит брать. Аналитики разбирают с агентами данные и документацию, менеджеры готовят отчёты и прототипы, тестировщики генерируют сценарии, и всё это без написания кода. Программирование становится критичным, только когда результат работы агента — код, который нужно проверить и за который нужно отвечать. Сценарии для разных ролей собраны в разделах для аналитика, менеджера и тестировщика.

Что такое MCP простыми словами?

MCP (Model Context Protocol) — открытый протокол, по которому агент подключается к внешним системам: базам данных, трекерам задач, браузеру, внутренним API. Это как USB: раньше для каждой пары «агент и сервис» нужна была своя интеграция, теперь сервис один раз публикует MCP-сервер с инструментами, и любой харнес-клиент может их подключить. Для вас это означает, что агент может не только править код, но и, например, читать тикеты из Jira. Подробнее рассказано в разделе MCP.

Что делать, если агент ходит по кругу и не может решить задачу?

Не уговаривать его в том же диалоге: после нескольких неудачных попыток контекст забит следами ошибок, и они тянут модель по той же колее. Начните новую сессию с уточнённой постановкой: меньше задача, больше конкретики, явно перечислено, что уже не сработало. Часто помогает разбить задачу на шаги и проверять каждый. Типичные тупики и выходы из них собраны в разделе Типичные ошибки.

С чего начать команде?

С малого и измеримого: один-два добровольца, один инструмент, ограниченный класс задач, например тесты, ревью или документация. Договоритесь о правилах (что можно отправлять в модель, как ревьюится код агента), заведите файл памяти проекта, а через пару спринтов сравните результаты и решите, расширять ли практику. Внедрять «сверху и всем сразу» — почти гарантированный способ получить отторжение. Маршрут по сайту описан на странице Как читать этот сайт, а устройство ежедневной работы с агентом разобрано в разделе Рабочий цикл.

Что дальше

• Глоссарий: если встретили незнакомый термин.
• Полезные ссылки: документация, статьи и лидерборды для самостоятельного изучения.