Практические уроки от использования ИИ-агентов на кодовой базе в 100 тысяч строк кода

Шесть конкретных техник для крупномасштабной разработки с ИИ

Разработчик недавно описал свой опыт использования ИИ-агентов (Claude Code + Cursor) для создания pandas-совместимого API-слоя поверх аналитического движка chDB. Проект включал согласование 600+ методов в двух системах и обошелся примерно в $20 тыс. токенов. Вот конкретные, практические уроки, которыми они поделились.

Ключевые детали реализации

• Ведите файл правил CLAUDE.md: Поскольку у ИИ нет памяти между сессиями, они закоммитили в репозиторий файл правил, содержащий все паттерны, которые ИИ постоянно путал, все запрещенные сокращения и все принятые архитектурные решения. Это также служило интерфейсом для командной работы. Они предостерегают от превращения этого файла в «500-строчный манифест», который ИИ начнёт игнорировать.
• Следите за рассуждениями, а не только за результатом: На ранних этапах чтение того, как думает ИИ, ценнее, чем то, что он выдает. Когда его логика расходится с вашей, спросите: моё мышление было ошибочным или я просто неправильно его сформулировал?
• Периодически используйте агента с нулевым контекстом как критика: Они начали использовать нового агента (claude.ai/code, а не CLI Claude Code) без памяти о проекте, чтобы оценивать свою работу с критической, рациональной точки зрения постороннего. Два ключевых слова имеют значение: critical (переопределить режим по умолчанию у ИИ) и rational (требовать структурированные рассуждения, а не ощущения).
• Используйте целевую систему как тестовый оракул: Поскольку их целью было соответствие существующему API, они находили реальный код в дикой природе (GitHub/Kaggle ноутбуки), заменяли одну строку импорта и сравнивали выводы вместо создания тестовых случаев.
• Правила вместо промптов: Они наблюдали, как ИИ ищет сокращения, и писали явные запреты. Например: когда тесты падали из-за несоответствия порядка строк, любимым ходом ИИ было добавление .sort_values(), чтобы тест прошел. Они явно запретили это. Случаи, которые действительно невозможно сопоставить, помечаются как XFAIL, но никогда не пропускаются молча.
• Файловая система вместо истории диалога для многозадачных конвейеров: Они организуют многозадачные рабочие процессы с помощью Python-скриптов, где файловая система служит общим контекстным слоем. Каждый агент записывает свою работу в отслеживаемую директорию, а следующий читает то, что ему нужно. Ключевые рабочие паттерны: разделение ролей, структурированные решения (APPROVE/REJECT/ESCALATE в JSON для детерминированного потока управления) и автоматический откат git при сбое.

Разработчик отмечает, что ИИ превосходно справляется с масштабной работой — согласованием сотен функций, генерацией тысяч тестов, обнаружением регрессий — но суждения («это баг или фича? Правильна ли архитектура?») остаются ответственностью человека.