Масштабирование агентного кодирования до 150+ PR в неделю: уроки от $85K токенов в Lovable

Александр Лебедев присоединился к Lovable в январе 2026 года, вскоре после бума агентов генерации кода. К июню он перешел от одиночного разработчика с несколькими агентами, выполнявшими 20–30 объединенных PR в неделю, к одному человеку, координирующему 6–7 агентов (каждый со своим роем подагентов), которые делали 150+ объединенных PR еженедельно. Стоимость: ~$25K в месяц в мае, всего ~$85K на токены с января. Вот как он это сделал — и что сломалось по пути.

От 30 до 150+ PR в неделю: Архитектура

В январе процесс был традиционным: режим планирования, запросы разрешений, классическое ручное ревью кода. К июню Лебедев создал выделенного агента, который пишет задачи для других агентов, с несколькими уровнями агентов реализации и ревью. Крупные изменения теперь отправляются как стек из 10 PR, а не как один PR. Человек участвует только в важных решениях, редко — в самом коде.

Куда уходят токены: 75% на реализацию, 25% на автоматизацию

Основная часть затрат в $85K — около 75% — идет непосредственно на реализацию (создание кода). Оставшиеся 25% (и растущая) финансируют автоматизацию: ИИ-ревью вне среды разработки, пост-мерж ИИ-ревью и рутинные автоматические задачи. Лебедев прогнозирует, что доля автоматизации будет расти по мере того, как больше работы выходит за рамки цикла PR по созданию кода.

Человеческое ревью: Исключение, а не правило

Лебедев утверждает, что построчное ревью кода, написанного ИИ, так же непрактично, как ревью вывода компилятора после перехода с ассемблера на языки высокого уровня. Вместо этого человеческое ревью зарезервировано для самых значимых изменений — обычно не в PR, а на уровне RFC/ADR: обсуждения архитектуры системы, сессии у белой доски, выбор инфраструктуры. Одно проектное решение может иметь большее влияние, чем 50 PR по реализации.

Обратная сторона: код-ревью был инструментом обучения и механизмом распространения знаний. Теперь инженерии нужны новые способы сохранить эти эффекты второго порядка. Лебедев признает: „Я пока не вижу хороших решений, только пространство для новых экспериментов.“

Классификация рисков изменений: Страховочная сеть

Обход человеческого ревью наивно не работает в масштабе — особенно для новичков, которые не знают, чего они не знают. Лебедев создал ИИ-воркфлоу, который классифицирует каждый PR по уровню риска и жестко требует человеческого ревью для PR с высоким риском. Классификатор использует:

• Один файл политики в Markdown, который читает агент, проверяя diff и метаданные PR.
• Измерения классификации: размер, уровень риска, владение кодом (владеет ли команда автора большей частью измененного кода?).
• Категории высокого риска: инфраструктура, аутентификация, большие диффы, фичи продакшена.
• Пример низкого риска: публикация поста в блоге.

Результат классификации передается в детерминированный инструмент, который применяет политику через GitHub actions и правила веток, разрешая или запрещая слияние.

Ключевой вывод

Масштабирование агентного кодинга требует не просто больше агентов, но структурных изменений: агенты генерации задач, стеки PR, автоматическая классификация рисков и сознательное перенесение внимания человека с построчного ревью на решения на уровне архитектуры. Счет за токены в $85K — это инвестиция в доказательство работоспособности модели, но сложные проблемы (обмен знаниями, онбординг) остаются нерешенными.