🤯 Проблемы качества AI-кодинга — завышенные ожидания от инструмента

Одни говорят, что AI-кодинг решает задачи с минимумом усилий. Другие — что результат сырой, код плохой, толку мало. И те, и другие правы.

Причина таких разных впечатлений банальна: ожидания и компетентность того, кто использует инструмент. Мне помогло разложить это по полочкам:

1️⃣ ИИ решает ровно ту задачу, которую вы описали. Всё, что не указано явно — будет опущено. Он не будет угадывать детали и додумывать контекст, который вы не дали.

2️⃣ Нерабочее решение — это норма, а не поломка. ИИ генерирует текст, а не проверенный ответ. Нужен цикл: написал → проверил → поправил → повторил. Как с любым новым человеком в команде.

3️⃣ИИ не понимает "сделай качественно". У него нет ваших стандартов — пока вы их не передадите, он работает по своим. Давайте конкретику: примеры, ограничения, критерии.

Из коробки ИИ - это потенциал, а не готовый инструмент. Его нужно настраивать под свои процессы, планки качества и ожидания. Чем больше у вас примеров и чётких критериев — тем лучше работает. Не потому что стал умнее, а потому что получил с чем сравнивать.

Когда я посмотрел на это честно — понял, что проблема не новая. Размытые задачи, отсутствие стандартов, знания передаются из уст в уста — всё это было и до AI. Просто с людьми договаривались на ходу. ИИ так не умеет.

💬 А у вас как? Сразу зашёл AI-кодинг или пришлось перестраивать подход?

#ИИ #AI

🧠 Agent Teams в Claude Code: субагенты, которые разговаривают друг с другом

Anthropic выкатили экспериментальную фичу в Claude Code - Agent Teams. Пока в preview, но уже можно попробовать.

Раньше у Claude Code были субагенты, которые работают внутри одной сессии и могут только отчитываться главному агенту. Agent Teams снимают это ограничение: несколько инстансов Claude Code координируют работу как команда из общего списка задач, прямой перепиской между участниками и лид-агентом, который оркестрирует всё это.

Каждый участник — полноценный инстанс Claude Code со своим контекстным окном и своими настройками. Загружает CLAUDE.md и MCP серверы проекта, но не наследует историю лида. Стартует только с промптом, который получил при создании.

Ключевая идея в том, что агентам можно задать разные роли с разными инструкциями и они будут координировать работу напрямую. Агент на бэкенде изменил API и сразу сообщает агенту на фронтенде, не через лида. Агент на тестах может попросить поднять dev-сервер у соседа. Они не ждут в очереди следующей проверки у главного, а решают вопросы между собой. Это принципиально другая модель по сравнению с тем, как один агент тащит всё последовательно.

Про стоимость честно: быстрее в 3–5 раз на параллелизуемых задачах, но токены масштабируются пропорционально числу агентов. Лезть без Max подписки туда не стоит. Работает лучше всего когда задачи независимы.

Мне кажется, именно здесь и кроется самый интересный вопрос. Когда агенты с разными настройками приходят к противоположным решениям — кто решает? Лид-агент как арбитр звучит логично, но насколько у него хватает контекста чтобы рассудить — пока неясно. Хочется попробовать это на реальной задаче.

Включается одной строчкой в settings.json или переменной окружения CLAUDE_CODE_EXPERIMENTAL_AGENT_TEAMS=1.

🔗 Документация: code.claude.com

#ClaudeCode #AI

🧠 Claude Code получил Auto Mode для пропуска подтверждения действий

Когда активно используешь Claude Code, быстро замечаешь одну раздражающую вещь: он постоянно просит подтвердить каждое действие. Запустить команду? Подтверди. Изменить файл? Подтверди. Это надоедает, и в итоге просто жмёшь «approve» не глядя — что обесценивает всю идею проверки.

Раньше выбор был из двух крайностей: терпеть бесконечные диалоги или включить --dangerously-skip-permissions и надеяться, что агент не сделает ничего лишнего. Теперь появился третий вариант - Auto Mode.

Вместо ручного подтверждения каждого действия за тебя решает классификатор на базе Sonnet 4.6. Безопасные операции проходят автоматически, потенциально опасные блокируются. Anthropic честно говорит, что 17% реально опасных действий классификатор всё равно пропускает — так что режим не для продакшн-инфраструктуры, но для повседневных задач подходит хорошо. Учитывая что многие пропускают все разрешения, то звучит как улучшение.

⌛ Жду когда появится на Claude Max подписке

🔗 Источник - anthropic.com

#ClaudeCode #AI

🐱 GitHub Copilot начнёт обучать модели на вашем коде

С 24 апреля 2026 GitHub меняет политику использования данных для тарифов Copilot Free, Pro и Pro+. Теперь ваши промпты, ответы модели, фрагменты кода и контекст вокруг курсора по умолчанию идут на обучение ИИ. Можно отказаться в настройках. Если вы уже отключали эту опцию раньше, ваш выбор сохранён.

Пользователей Copilot Business и Enterprise это не касается.

Что именно собирается:
✔️ Принятые или изменённые вами подсказки
✔️ Ваши запросы в чат и инлайн-саджешены в PR
✔️ Код вокруг позиции курсора в IDE
✔️ Комментарии, документация, имена файлов, структура репозитория
✔️ Оценки подсказок

Что не собирается:
❌ данные из issues, discussions и приватных репозиториев «в покое»

‼️ ВАЖНО! Код из приватных репозиториев всё равно обрабатывается в момент активного использования Copilot, и эти данные могут попасть в обучение, если вы не отключили опцию.

Своё решение GitHub обосновывает так: в прошлом году они начали обучать модели на данных сотрудников Microsoft и увидели заметный рост acceptance rate в нескольких языках. Теперь хотят распространить это на всех пользователей.

Честно говоря, ничего неожиданного. Все крупные AI-инструменты так или иначе используют данные пользователей для улучшения моделей. Вопрос всегда в деталях: насколько прозрачно это делается и насколько просто отказаться. GitHub хотя бы сохраняет ранее выставленные настройки и даёт внятный opt-out. Но сам факт, что приватный код «в момент использования» может уйти на обучение — это стоит держать в голове, особенно если работаете с чувствительными проектами.

🔗 Источник - github.blog

#Copilot #AI #Github

🧠 OpenAI Codex теперь умеет в нативную iOS и macOS разработку

OpenAI добавили в Codex отдельный плагин для Swift/SwiftUI разработки - Build iOS Apps.

Агент и итерирует приложение полностью в терминале через xcodebuild без использования Xcode. Для более глубокой автоматизации подключается XcodeBuildMCP — MCP-сервер, который даёт агенту доступ к возможностями XCode для открытого проекта.

Для нового проекта всё начинается с простого промпта — Codex скаффолдит SwiftUI-приложение и пишет build-скрипт под локальное окружение. Для существующих проектов в схеме работы появляется XcodeBuildMCP, который помогает агенту разобраться в структуре таргетов и правильно выбрать схему сборки.

Интересная часть — набор Agent Skills:
👉 SwiftUI expert — базовые практики и паттерны
👉 SwiftUI Pro — аудит современных API, доступности и производительности
👉 Liquid Glass expert — работа с новым iOS/macOS 26 API
👉 Swift concurrency expert — для борьбы с предупреждениями компилятора
👉 SwiftUI view refactor — уменьшение файлов и консистентность кода

На мой взгляд это интересный сигнал: Codex всё сильнее метит в нишу специализированного агента под конкретные платформы, а не просто универсального ИИ-помощника, что в целом уже давно было подтверждено. Посмотрим, насколько это работает на практике со Swift-кодом, где у моделей исторически больше пробелов, чем с Python или TypeScript из-за меньшего объема данных для обучения.

🔗 Источник: developers.openai.com

#iOS #macOS #SwiftUI #AI #Codex #ИИ

🤖 DTA - MCP-сервер, который даёт AI-агенту полноценный доступ к Android-приложению

Концепция такая: подключить AI-агента не просто к коду, а к живому приложению на девайсе. Агент видит реальный layout с Compose-иерархией, перехватывает сетевой трафик с момента запуска, мокирует HTTP и WebSocket ответы, и сам тапает по экрану. Всё через MCP.

Технически это одна debugImplementation зависимость в приложении — библиотека внедряется в байткод и сразу пишет трафик и раскрывает UI-дерево без изменений в коде. На стороне агента поднимается MCP-сервер через CLI. Дальше агент сам: смотрит экран, анализирует запрос, ставит мок, тапает кнопку, проверяет результат — и докладывает.

Интересная деталь — WebView и Chrome Custom Tabs не чёрный ящик, их DOM-дерево инжектится прямо в нативную иерархию. И трафик не надо предугадывать когда записывать — он пишется с первого же запроса.

Доступна версия 0.9.27, но идея рабочая. На мой взгляд это правильное направление для AI в мобильной разработке.

🔗 Статья про подход и либу
🐱 Исходники на GitHub

#Android #MCP #AI #ИИ

📱 ИИ-агент как QA-тестер для твоего мобильного приложения

Даёшь задание: "проверь, что пользователь может залогиниться и попасть на главный экран". Агент берёт эмулятор, прокликивает приложение, сообщает что получилось. Примерно так работает claude-in-mobile.

Это MCP-сервер, который подключает Claude Code к Android-эмулятору, iOS Simulator, десктопным приложениям и браузеру. Агент видит экран, может тапать, свайпать, вводить текст, читать UI-дерево — и делает это по твоим инструкциям на обычном языке, без тест-скриптов.

Отдельно стоит отметить: уже есть поддержка Aurora OS. Для тех, кто разрабатывает под российскую мобильную платформу — агент умеет работать и с ней.

Сценарий простой:
👉 описываешь что нужно проверить
👉 агент прокликивает
👉 возвращает результат

Полезно для smoke-тестирования через агента, исследования приложения перед написанием автотестов или чтобы не переключаться между терминалом и эмулятором руками.

Проект открыт к участию сообщества — если есть идеи что добавить или доработать, создавайте issues в репозитории. PR тоже приветствуются.

🐱 github.com/AlexGladkov/claude-in-mobile

#MCP #ClaudeCode #AndroidDev #AuroraOS #iOS #AI #ИИ

⭐️ Вышла Gemma 4. Четыре размера моделей от 2 до 31 миллиардов параметров, все с Apache 2.0 лицензией. Главное — это не очередная пиар-история про "самую способную модель", а прикладной инструмент, который реально можно загрузить и юзать локально.

Числа впечатляют: 31B модель прямо сейчас на 3 месте в Arena.ai мировом лидерборде для open source. Главная фишка для мобилки — E2B и E4B модели. Это 2B и 4B параметров эффективной ширины, работают оффлайн на Pixel, Raspberry Pi и вообще на чём угодно.

Поддержка видео, аудио, 140+ языков нативно. Контекст 256K на больших моделях. Для кода работает хорошо — Google позиционирует как локальную альтернативу Claude Code и прочим облачным ассистентам.

🔗 Источник - google.blog

#ai #models #openmodels #locallm

🧠 Вышел Cursor 3, которые фактически визуальный клон Codex. Продукт отходит от работы как IDE и теперь стал визуальной оберткой над работой параллельных агентов в нескольких проекта

🔗 Источник - Cursor Blog

#Cursor