Всем привет! Продолжаю свой рассказ-исследование🌿

Ранее я уже упоминала наш большой игровой цикл: 💨выбор пути, события, бои, развитие отряда, мета-прогрессию и новые забеги 💨 Но по ходу работы мы поняли, что незаметно начали делать не прототип, а сразу полноценную игру, так и не проверив главную идею 🤨

Поэтому решили сфокусироваться на самом важном - разработке боя

Именно сражения должны задавать интерес в игре. Ведь если они не работают, то ни карта, ни случайные события, ни система прогрессии не смогут это исправить

Поэтому нам пришлось безжалостно сокращать идеи. Часть систем отправилась в папочку «на потом». Мы решили оставить только то, что помогает ответить на ❔главный вопрос: интересно ли вообще играть?

⁉️В итоге сейчас у нас есть только самое необходимое: поле боя, несколько юнитов, базовые действия и возможность как победить, так и проиграть

Выглядит всё ещё сыро, однако именно сейчас мы впервые подходим к моменту, когда систему можно не просто описывать в документах, а почувствовать в игре

Всем привет! На связи Кирилл 👋

Давно не виделись: вот уже больше двух месяцев я ничего не писал в канал.

Всё это время я занимался доработкой MVP-билда с основной работы для показа издателям.

Хочу сказать большое спасибо Ангелине за то, что руководит рабочими процессами, рассказывает вам о ходе разработки прототипа и занимается поиском новых ребят в команду! Возможно, позже напишем о пополнении подробнее.

Теперь обращаюсь к вам, подписчики канала, с небольшой просьбой. Если у вас есть Android-устройство и немного свободного времени, буду признателен, если вы поиграете в билд, прикрепленный в сообщении ниже, и поделитесь своими впечатлениями в форме обратной связи. Ваш фидбэк поможет в общении с потенциальными издателями.

Заранее спасибо всем, кто откликнется! 🥰

Всем привет! На связи Кирилл 👋

🤖 Искусственный интеллект всё больше становится неотъемлемой частью процесса разработки. Глупо это отрицать, ещё более странно с этим бороться. И хотя мне встречаются программисты, которые считают использование нейросетей в написании кода чем-то постыдным, большая часть разработчиков активно внедряет ИИ в свой рабочий пайплайн.

Однако, как и с любым другим инструментом, работа с ИИ требует определенных навыков для достижения максимальной эффективности.

Кажется, мне удалось добиться довольно высокого КПД в связке с нейросетями, и я хотел бы поделиться с вами проверенными подходами. Надеюсь, это будет особенно полезно тем, кто уже пробовал внедрять ИИ в работу, но не ощутил весомого прироста производительности.

Текст получился объемным, поэтому по уже сложившейся традиции разобью его на несколько постов ↘️

1. Использование ИИ-агентов 🤖

Пожалуй, это главная причина высокой эффективности. Многие из тех, кто недоволен тем, как нейросеть пишет код, просто не пробовали работать с ней в агентском режиме.

В формате агента ИИ получает доступ к вашему проекту целиком: ко всем скриптам, структуре папок и ассетам. Вам больше не нужно вручную копировать куски кода, вставлять их в чат и пытаться объяснить, что это и как работает, агент сделает это сам. Причём намного эффективнее, так как глубина анализа кодовой базы у современных моделей действительно на высоком уровне.

Далее я подробно расскажу, как именно настраиваю агентов под свои проекты. Но даже "из коробки", без сложной кастомизации, сам факт перехода на агентский режим даёт колоссальную разницу в качестве написания кода и точности ответов.

2. Использование платных моделей 💰

По сути, это прямое следствие работы с агентами. Полноценный агентский режим бесплатен только в ознакомительных целях.

Мне могут возразить: ведь есть бесплатные решения или возможность запустить нейросеть локально на своей машине. На это я отвечу так:

• Бесплатные модели не сравняются по качеству с платными флагманами. Это простые законы рынка: лучшие алгоритмы требуют огромных вычислительных мощностей и инвестиций.

• Локальный запуск имеет строгие ограничения. На обычный рабочий ПК можно установить лишь относительно небольшие open-source модели. По глубине контекста и качеству логики они всё ещё уступают закрытым топовым решениям от Anthropic, OpenAI или Google.

В общем, вывод простой: ИИ - это такой же базовый рабочий инструмент. За него нужно платить точно так же, как за электричество, от которого питается ваш ПК, или за интернет, без которого работа просто встанет.

В этом плане я согласен с главой OpenAI Сэмом Альтманом, который предрекает, что в будущем ИИ станет ещё одной привычной статьёй коммунальных расходов.

И дело не только в профессиональной разработке. Тенденции таковы, что практически все аспекты нашей повседневной жизни от развлечений и образования до бытовых помощников и медицины плавно переходят на подписочную модель. ИИ просто становится естественной частью этой системы.

Не могу сказать, что я это одобряю, но реальность такая, какая есть.

🔒 🔒 🔒

Нельзя не упомянуть объективные трудности, с которыми сталкиваются разработчики из России при работе с топовыми нейросетями: блокировки по IP и невозможность оплатить подписку картами российских банков.

И если с первой проблемой, я считаю, любой уважающий себя разработчик способен разобраться, подняв собственный VPS-сервер или просто оплатив подписку на готовый VPN, то с оплатой самих сервисов всё несколько сложнее.

Сейчас есть множество сайтов и Telegram-ботов, через которые можно оплатить подписки на Cursor, Claude, ChatGPT и другие инструменты. Комиссии там, конечно, конские, но для многих это остается единственным доступным вариантом. Рекламировать не буду, при необходимости вы без труда найдёте их сами.

Хотя я, разумеется, рекомендовал бы при первой возможности обзавестись картой зарубежного банка. Да, само её оформление из России сейчас стоит весьма немалых денег, а возиться с переводами и документами - тот ещё квест. Нервов и бюджета на старте это вряд ли сэкономит. Зато в долгосрочной перспективе это позволяет не переплачивать комиссии посредникам и, что самое главное, оставаться полноценно включённым в мировую экосистему и инфраструктуру разработки.

🔓 🔓 🔓

5. Использование файлов-инструкций 📖

Файлы инструкций для AI-инструментов разработки (Cursor, Claude Code, Copilot и др.) работают по принципу системного промпта уровня проекта. Это текстовые правила, которые автоматически или полуавтоматически подмешиваются в контекст каждого вашего запроса к нейросети, задавая рамки и стандарты работы.

Когда вы отправляете запрос ИИ, итоговый промпт для модели формируется из трех слоев:

1. Базовый системный промпт (задан разработчиками модели)
2. Файл правил проекта (та самая инструкция)
3. Ваш текущий запрос + открытый код (то, что вы ввели в чат или указали через контекст)

Благодаря второму слою, инструкциям, модель всегда держит нужный контекст: какую архитектуру и библиотеки использовать или какой кодстайл принят на проекте - в общем любые указания, даже если вы начали диалог в абсолютно чистом чате. К тому же, по ключевым словам-триггерам, указанным в инструкциях, можно запускать специфическое поведение агента.

В Cursor используется модульный и динамический подход

📌 Формат: файлы .mdc (Markdown Cursor) в директории .cursor/rules/

📌 Принцип подгрузки: у каждого .mdc-файла есть заголовок с правилами срабатывания (frontmatter):
• globs: "*.cs" - загружать правило в контекст только при редактировании или упоминании C#-файлов.
• alwaysApply: true - подгружать правило всегда (для глобальных гайдлайнов).
• description: "..." - Cursor считывает описание и сам решает, подтянуть ли файл под текущую задачу.

📌 Главный плюс: экономия токенов. Например, модель не читает правила по вёрстке интерфейсов, когда вы пишете логику боевой системы.

На своих проектах я использую следующий набор инструкций ↘️

🔖 architecture.mdc
Самая главная инструкция. В ней описана либо текущая архитектура проекта, либо план по ее развитию, если проект только создан. Честно говоря, такой документ будет полезен при любом рабочем пайплайне (с использованием ИИ или без). Он помогает упорядочить и закрепить основные решения. В идеале стоит расписать пример организации эталонной фичи по принципам feature-based иерархии (как для скриптов, так и для ассетов). Файл периодически дополняется при ключевых изменениях в проекте.

🔖 codestyle.mdc
Фиксирует соглашения по неймингу и структуре классов. Выступает единым стандартом чистоты кода. В пайплайне разработки это гарантирует, что любой сгенерированный нейросетью скрипт выглядит так, будто его создавал один человек. Если вы работаете в JetBrains Rider, можно настроить файл .DotSettings по тем же правилам или, наоборот, сформировать инструкцию на основе имеющегося конфига IDE.

🔖 exceptions.mdc
Описывает стандартизированную систему обработки ошибок, валидации компонентов и генерации исключений. Для ИИ-агента это важнейший файл-ограничитель: он запрещает нейросети глотать ошибки, писать мягкие проверки на null, делать ранние выходы или заменять полноценные исключения обычным Debug.Log.

🔖 principles.mdc
Базовый свод инженерных принципов (SOLID, DRY, YAGNI, KISS, правила hot path и направления потока данных), сформулированный без привязки к конкретному языку. Файл задает философию качества кода, защищая кодовую базу от двух крайностей: усложнения архитектуры "на будущее" (YAGNI) и написания избыточного кода ради применения красивых паттернов (SOLID ради SOLID). При генерации фич файл заставляет делать выбор в пользу наименее нагруженных и максимально читаемых решений.

🔖 planning.mdc
Описывает алгоритм проектирования задач перед написанием кода. Задает сценарий: сбор вводных данных, последовательные уточняющие вопросы (по одному за раз), фиксация граней задачи и формирование финального TODO-промпта. Подход экономит время и токены, так как запрещает ИИ бросаться писать код до согласования всех нюансов (API, edge cases, lifecycle). Наличие кодовых фраз (create plan, copy prompt, save prompt, implement) позволяет полностью контролировать переход от обсуждения идеи к зафиксированному плану и имплементации.

На режиме планирования стоит остановиться отдельно. Со временем я стал проводить в нем всё больше времени, порой даже больше, чем в процессе самой генерации кода. Инструкция planning.mdc составлена так, что при желании этап планирования можно вести очень детально, прорабатывая каждый нюанс.

Бывает, что в процессе такого диалога нейросеть помогает обратить внимание на нюансы проблемы, о которых вы изначально даже не задумывались, или подсвечивает изъяны в архитектурном замысле.

Правило простое: чем более проработанным будет план предстоящей работы, тем меньше правок придется вносить в результат работы агента. Это означает меньше переписывания кода и меньше бессмысленного расхода токенов. Для этапа планирования лучше использовать наиболее глубокие и рассуждающие модели (я предпочитаю флагманские модели Antropic).

🔖 review.mdc
Протокол проверки кодовой базы. В нем прописан алгоритм работы ИИ-агента в качестве ревьюера: выбор области проверки, сбор полного контекста файлов и правила формирования отчетов. Главная особенность - запрет "правок ради правок" и субъективных оценок. Каждое замечание должно иметь градацию (Blocker, Major, Minor, Nit) и подкрепляться ссылкой на правила из других инструкций или доказанным багом. Файл превращает нейросеть в строгого, объективного аудитора, который даёт отчёт без самовольного изменения файлов.

🔖 unity-mcp.mdc и rider-mcp.mdc
Эти инструкции отвечают за специфику взаимодействия агента с соответствующими MCP-серверами (Unity и Rider). Подробнее о связке с MCP я расскажу чуть позже.

Главный вывод

Каким бы инструментом вы ни пользовались, стратегия одна - разделяйте правила на мелкие тематические модули. Не сваливайте инструкции по UI, игровой логике, кодстайлу и т.п. в один гигантский файл. Модульность сэкономит контекстное окно, повысит точность следования инструкциям и сбережет ваши токены.

P.S.
Очень советую посмотреть 📺 видео Ильи Яковлева на тему работы с ИИ-агентами. В нем он детально рассказывает о подобном подходе с модульными файлами инструкций. Я во многом скорректировал свой рабочий пайплайн именно благодаря его практическим советам, поэтому рекомендую ознакомиться с оригиналом.

7. Дополнительные MCP-серверы, плагины и навыки в моём рабочей сетапе 🪄

Помимо работы с Unity и IDE, в Cursor у меня активирован еще ряд специализированных MCP-серверов и плагинов, которые закрывают задачи поиска, глубокого анализа и взаимодействия с файловой системой.

📎 filesystem (MCP Server)
Базовый, но критически важный инструмент, позволяющий ИИ-агенту выходить за рамки открытого проекта. Через него модель может читать и записывать файлы в разрешенных директориях на диске, анализировать внешние конфиги, логи или создавать локальные дампы данных.

📎 sequential-thinking (MCP Server)
Специальный MCP-инструмент от Anthropic, созданный для пошагового "структурированного мышления". При решении сложных архитектурных задач агент запускает этот процесс, разбивая задачу на гипотезы, проверяя граничные случаи и корректируя свои выводы до того, как сгенерировать итоговый код. Это снижает количество галлюцинаций при проектировании на порядок.

📎 Context7 (Plugin )
Специализированный плагин для исследовательской работы с документацией. В него встроен субагент docs-researcher и команда /docs. Если мне нужно быстро изучить новую библиотеку или специфический фреймворк, Context7 сам находит актуальные доки, индексирует их и подтягивает в контекст агента ровно те куски API, которые нужны прямо сейчас.

📎 Tavily (Plugin)
Стандартный поиск Google или Yandex часто дает слишком шумный HTML-результат. Tavily - это поисковый движок, созданный специально для LLM-агентов. Он позволяет модели делать точечные веб-запросы (tavily-search, tavily-research), извлекать чистый текст со страниц (tavily-extract) и парсить свежую документацию по библиотекам или API прямо во время диалога.

📎 Cursor Team Kit (Skills)
Набор внутренних навыков (Skills), встроенных в экосистему Cursor. Они расширяют возможности ИИ по автоматизации локальной среды:
• check-compiler-errors - быстрая проверка ошибок компиляции в проекте;
• control-cli / control-ui - выполнение команд в терминале и управление интерфейсом;
• fix-ci - автоматический анализ и исправление упавших пайплайнов в CI/CD.

Встроенный маркетплейс Cursor 🔍

Отдельно стоит отметить, что в Cursor встроен собственный магазин плагинов, где можно в пару кликов найти и подключить узкоспециализированные инструменты под любой рабочий процесс:

- Интеграция с UI/UX: плагины для работы с Figma, чтобы агент мог считывать токены дизайна, размеры компонентов и макеты прямо из исходников.

- Таск-трекеры и менеджмент: официальные и сторонние модули для Jira, Linear, Notion или GitHub Issues - с ними агент может автоматически брать задачи из спринта, создавать сабтаски и привязывать PR к тикетам.

- Специфические API и базы данных: готовые коннекторы к Slack, Supabase, Vercel и другим сервисам.

Благодаря этому Cursor превращается в единый центр управления всем стеком разработки.

9. Тесная связка с Git: безопасность и контроль изменений 🍴

Работа с ИИ-агентами обязана подкрепляться строгой дисциплиной работы с Git. Это базовый элемент безопасности и контроля вашей разработки по двум главным причинам:

• Прозрачность правок: вам необходимо точно видеть, какие именно файлы и строки затронул агент. Diff-просмотр в Git - самый наглядный инструмент.

• Экономия токенов и времени: если агент пошёл по неверному пути, гораздо быстрее и дешевле просто задискардить изменения, чем пытаться просить модель откатить всё назад и сжигать токены на исправление её же собственных ошибок.

Кстати, я как-то поймал себя на мысли, что читаю и анализирую код чаще в Git-клиенте, чем в самой IDE. Из бесплатных графических клиентов очень рекомендую Fork. На мой взгляд, это один из самых удобных функциональных инструмент для ежедневной работы.

Также советую фиксировать каждое промежуточное решение ИИ-агента временным WIP-коммитом. Когда вся задача будет полностью решена, засквошьте цепочку временных коммитов в один понятный итоговый коммит перед мёрджем. Это позволит сохранить историю репозитория чистой и при необходимости легко откатиться к любому успешному этапу.