Hacker News Digest

Современные модели ИИ демонстрируют сверхчеловеческие способности в решении абстрактных задач, как показал недавний успех GPT-5 на ICPC, но автономные кодирующие агенты всё ещё не могут заменить разработчиков. Основное ограничение — не интеллект, а контекст: агентам не хватает глубокого понимания кодовой базы, её архитектурных паттернов и скрытых знаний, которые есть у людей.

Контекст включает не только код, но и документацию, историю решений, неформальные соглашения и причины прошлых изменений. Без доступа к Slack-тредам, постмортемам инцидентов и организационным практикам агенты работают лишь на 20% от возможного уровня, справляясь в основном с мелкими задачами. Чтобы двигаться дальше, нужны системы, способные усваивать и применять этот скрытый контекст так же, как это делают люди.

• Основным ограничением для кодирующих агентов на основе ИИ является не размер контекстного окна, а неспособность эффективно фокусироваться на актуальных задачах и отбрасывать нерелевантную информацию.
• Многие участники отмечают, что ИИ-агенты демонстрируют уровень понимания, сравнимый с начинающим разработчиком, и не способны заменить senior-специалистов, которые могут интерпретировать бизнес-требования и принимать ответственные решения.
• Существует скептицизм относительно бесконечного увеличения "интеллекта" моделей, так как даже с большим контекстом они допускают ошибки и галлюцинации, а фундаментальные ограничения вероятностной генерации остаются.
• Предлагаются решения для улучшения работы агентов: лучше структурированные кодобазы, иерархическая документация, инструменты для управления контекстом и памятью, а также человеческий контроль для курирования процесса.
• Подчёркивается, что ключевая проблема — не технический контекст, а понимание intent (намерения) стоящего за кодом, что требует более глубокого осмысления, чем простое прогнозирование токенов.

Сейчас кодирующие агенты вроде Claude Code работают медленно и ненадёжно, напоминая dialup-модемы 90-х: частые сбои, необходимость перезапусков, скорость генерации всего 30-60 токенов в секунду. Это связано с взрывным ростом потребления токенов — по данным OpenRouter, объёмы выросли в 50 раз за короткий период, а агентные workflows требуют в 1000 раз больше ресурсов, чем обычные чаты.

Более высокая скорость, например 2000 токенов в секунду (как у Cerebras Code), кардинально меняет опыт: разработчик становится узким местом, а не модель. Это открывает путь к новому этапу — параллельным независящим агентам, которые предлагают несколько вариантов решения задачи с автоматической оценкой качества. Однако рост скорости лишь разгоняет спрос, создавая бесконечный цикл: чем лучше модели, тем сложнее задачи, которые мы им ставим.

• Скептицизм относительно реального повышения продуктивности из-за LLM: AI может создавать иллюзию продуктивности, снижая когнитивную вовлеченность и порождая проблемы с качеством и сопровождением кода.
• Ключевая проблема — скорость и контекст: Медленная генерация токенов и постоянное переключение контекста нарушают состояние потока (flow), а ограничения контекста приводят к ошибкам и галлюцинациям.
• Сдвиг роли разработчика: Инструмент меняет фокус с написания кода на проверку, редактирование и управление AI-агентами, что требует постоянной бдительности и новых навыков.
• Зависимость от надежности провайдеров: Сбои в работе AI-сервисов сравнимы с остановкой производства, что создает риски для рабочего процесса.
• Разные стратегии и предпочтения в использовании: Одни разработчики ценят интегрированные в IDE решения (Cursor), другие предпочитают сторонних агентов (Claude, Codex) или используют LLM как «калькулятор» для рутинных задач и обучения.

• GitHub опросил 2 тыс. разработчиков в США, Индии, Бразилии и Германии: 97 % используют AI-инструменты, 59 % ежедневно.
• Возрастной парадокс: 82 % разрабов 55+ лет применяют AI, тогда как среди 18–24 лет — 62 %.
• Опыт важнее возраста: 81 % специалистов с >20-летним стажем используют AI, против 57 % у новичков.
• Причины: старшие хотят быстрее писать код и учиться, младшие боятся ошибок и не доверяют качеству.
• Эффекты: 55 % считают AI «значительно» улучшает качество, 41 % отмечают меньше багов.
• Риски: 81 % считают, что AI-генерированный код нуждается в дополнительной проверке.

• Опытные разработчики (10+ лет) чаще пользуются AI-инструментами, но используют их как «умелого джуна» для рутины, а не как полноценного автора.
• Многие подчеркивают: важно самому проверять и править результат, иначе качество и поддерживаемость страдают.
• Часть участников считает, что новички перегружены AI и теряют навыки решения задач «вручную».
• Опрос всего 791 человека вызывает сомнение в статистической значимости; к тому же Fastly сам продаёт AI-решения.
• В итоге AI хорош для boilerplate, прототипов и мелких фрагментов, но не для сложной архитектуры без человеческого контроля.

Dev Compass — тест философии программирования
Ответь на 20 вопросов и узнай, где ты на оси «абстракция ↔ конкретика» и «удобно человеку ↔ удобно машине».

Вопрос 1 из 20
Далее

Твоя позиция
Абстракция ↔ Конкретика
Человеку ↔ Машине

Пройти заново

• Пользователи жалуются: почти каждый вопрос «зависит от контекста», приходится выбирать произвольно.
• Многие получают центральные значения и считают результат неточным; кто-то видит в этом «MBTI для разработчиков».
• Просят ранжировать ответы, а не выбирать один, и показывать, как каждый ответ влияет на итог.
• Некоторые любят идею «фракций» и просят добавить статистику по другим участникам.
• Автору советуют скрывать измерения во время прохождения, чтобы не искажать ответы.