Перейти к содержимому

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.

Чат описывает способ общения, а агентность определяют инструменты и цикл действий. В ChatGPT тоже есть режимы агентной работы, поэтому название продукта не проводит эту границу. Сравнивайте конкретную сессию: может ли она только предложить исправление или ещё прочитать код, изменить его и запустить проверки. Подробнее на странице «Что такое агент».

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?

Заголовок раздела «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?

Заголовок раздела «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.

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?

Заголовок раздела «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?

Заголовок раздела «Безопасно ли давать агенту доступ к репозиторию?»

Риск зависит от доступов и данных. Начинайте с тестового проекта, минимальных прав и проверяемых результатов. Отдельно ограничьте файлы, сеть, MCP-серверы и браузерные аккаунты: песочница команд не обязательно охватывает остальные инструменты. Подтверждения помогают только вместе с техническими ограничениями. Подробнее в главе «Безопасность и приватность».

Можно ли отправлять агенту данные клиентов?

Заголовок раздела «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.

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.

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?

Заголовок раздела «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 результатом работы агента становится код, который нужно проверить и за который нужно отвечать. Сценарии для разных ролей собраны в разделах для аналитика, менеджера и тестировщика.

MCP (Model Context Protocol) задаёт 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.

Дообучение (fine-tuning) меняет саму модель: знания «растворяются» в её весах, обновить один факт можно только переобучением, а разграничить доступ невозможно, потому что модель одна на всех. RAG модель не трогает: он находит нужные фрагменты документов и кладёт их в контекст перед ответом. Поэтому данные всегда свежие, ответ приходит со ссылкой на источник, а права доступа применяются при поиске. Практическое правило: дообучение отвечает за поведение (формат, стиль, язык домена), RAG за факты компании. Разбор приведён на странице Что такое RAG.

Нам нужен RAG или хватит агента с поиском по репозиторию?

Заголовок раздела «Нам нужен RAG или хватит агента с поиском по репозиторию?»

Если вопросы не выходят за пределы кода, хватит агента: он ищет по файлам на месте, и его «индекс» никогда не устаревает, потому что его нет. RAG начинает выигрывать, когда знания живут вне репозитория и разбросаны по системам: архитектурные решения, регламенты, разборы инцидентов, контракты между командами. Признак, что пора: люди регулярно спрашивают в чатах то, что уже где-то написано, но найти это дороже, чем спросить человека. Лестница вариантов от простого к сложному разобрана на странице Варианты архитектуры.

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

Заголовок раздела «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 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. Внедрение «сверху и всем сразу» почти гарантированно вызывает отторжение. Маршрут по сайту описан на странице Как читать этот сайт, а устройство ежедневной работы с агентом разобрано в разделе Рабочий цикл.

Как понять, стало ли лучше после смены модели?

Заголовок раздела «Как понять, стало ли лучше после смены модели?»

Сравните старую и новую конфигурацию на одинаковых задачах, с теми же правами и бюджетом. Запишите исходы, повторы, расход и время ревью. Один удачный ответ не показывает устойчивость; начните с эвалов на задачах команды.

Да, если подготовлены среда, права, лимиты, остановка при неопределённости и способ приёмки. После сбоя повтор не должен создавать второе внешнее действие. Подготовка описана в главе «Фоновые агенты».

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

Автор учебника: Шахматов Алексей