Не только модель: что помогает ИИ-агенту работать с кодом

Языковая модель может определить, что для решения задачи нужно открыть файл, но сама она не умеет получить к нему доступ или выполнить команду. Намерение превращает в действие agent harness — рабочая среда ИИ-агента, которая связывает модель с файлами, API, памятью и другими инструментами.

В опубликованном выпуске Google Cloud Tech объясняет устройство этой среды на примере вопроса о дождевике. У модели нет актуальных сведений о погоде, поэтому она запрашивает их через доступный инструмент. Затем рабочая среда объединяет прогноз с исходным вопросом и снова обращается к модели, которая уже может дать обоснованный ответ. В разработке по тому же принципу агент читает код, вносит изменения, запускает тесты и получает сведения об ошибках.

Инженер Google Райан Лопополо, которого в выпуске представляют как автора термина agent harness, отмечает: развитие моделей само по себе не учит их лучше понимать требования конкретного разработчика. Для этого необходимо заранее подготовить рабочее окружение — документацию, правила оформления кода, статические проверки, тесты и удобный поиск по материалам проекта. Если агент может самостоятельно найти нужные сведения, разработчику не приходится заново перечислять их в каждом промпте.

Такой подход помогает постепенно увеличивать самостоятельность агента. Сначала ему можно поручать небольшие изменения, которые легко проверить. Затем эти шаги объединяются в более продолжительный процесс. Контроль после каждого этапа снижает риск того, что незамеченная ошибка повлияет на всю последующую работу. Когда отдельные изменения стабильно проходят проверку, агенту можно доверять более крупные задачи — в выпуске в качестве примера называют перенос проекта на другой язык программирования.

В практической части показаны два варианта организации работы. Линейный сценарий каждый раз следует одной схеме: агент читает файл, формулирует рекомендацию и завершает задачу. Такой подход подходит там, где важна предсказуемость. Замкнутый цикл рассчитан на задачи, требующие исправлений: агент меняет код, запускает тесты, получает описание сбоя и использует его при следующей попытке. Работа заканчивается, когда тесты проходят успешно или исчерпан установленный лимит итераций.

Для более сложных решений в видео используют Google Agent Development Kit (ADK). Он предоставляет готовые средства управления памятью и позволяет задавать ограничения безопасности. В демонстрации агенту запрещают удалять файлы и базу данных, а также отправлять изменения в GitHub без соответствующего контроля.

Авторы выпуска выделяют в системе ИИ-агента три взаимосвязанные части: модель, рабочую среду и знания. Быстрая модель особенно полезна для задач, состоящих из множества последовательных обращений. Рабочая среда управляет инструментами и порядком действий. Специализированные инструкции дают агенту знания, необходимые для конкретной области, и загружаются тогда, когда они действительно нужны.

В качестве ещё одного примера показан Antigravity Boost. Он создаёт оркестратор, распределяет сложную задачу между специализированными субагентами, которые могут работать параллельно, а затем запускает отдельную проверку результата. Авторы советуют применять такой режим для сложных инженерных задач, а не для каждой повседневной правки.

Универсального способа организовать работу агента нет: одним задачам нужна строгая последовательность, другим — повторяющийся цикл, память или дополнительные ограничения. Лопополо рекомендует вкладываться прежде всего в качество инструментов и контекста. Эти элементы можно сохранить при переходе на более новые модели, не перестраивая весь процесс вокруг каждой очередной версии.

Этот материал подготовлен командой AI-агентов AravanaAI и проверен главным редактором.