Как сделать правильные шаги к AI-агентам

Вокруг AI-агентов много шума. Но у тех, у кого агенты действительно работают, почти всё начиналось скучно. Одна узкая задача и проверка, которую агент умеет запускать сам. Ниже порядок решений, который экономит недели. Он опирается на руководства Anthropic о построении агентов и на документацию Claude Code.

#Агент или воркфлоу

В статье Building effective agents Anthropic разделяет два типа систем:

• Воркфлоу — модель и инструменты работают по заранее заданным в коде шагам. Пример: письмо → классификация → черновик ответа → проверка.
• Агент — модель сама решает, какие шаги делать и какими инструментами пользоваться, и сама следит за тем, как продвигается задача.

Главный совет той же статьи: ищите самое простое решение и усложняйте систему, только когда это правда нужно. Многим задачам хватает одного хорошо собранного запроса с нужным контекстом и примерами. Агент оправдан, когда шаги заранее неизвестны: «найди, почему падает сборка, и почини».

#Шаг 1. Выберите задачу с проверяемым результатом

Хорошая первая задача:

• повторяется — время на настройку вернётся;
• проверяется машиной — тесты, сборка, линтер, сравнение с эталоном;
• ограничена — затрагивает понятный кусок кода, а не «улучши архитектуру».

Примеры: починить упавший тест по логу CI, обновить зависимость и прогнать тесты, разобрать новые баги и предложить исправление с тестом.

#Шаг 2. Дай агенту способ проверить себя

В лучших практиках Claude Code это первый пункт: агент останавливается, когда работа выглядит готовой. Если у него нет проверки, которую можно запустить, единственный контроль — это вы. Если проверка есть, цикл замыкается: агент сделал, запустил, прочитал результат, исправил.

Пишите критерий прямо в задаче:

Напиши функцию validateEmail. Примеры: user@example.com — true,
invalid — false, user@.com — false. После реализации запусти тесты
и покажи вывод.

Просите доказательства, а не утверждения: вывод тестов, команду и её результат, скриншот. Проверить доказательство быстрее, чем перепроверять всё вручную.

#Шаг 3. Ограничьте права с самого начала

Автономия агента настраивается. В Claude Code есть режимы прав:

Режимы переключаются клавишами Shift+Tab. Для первых задач в незнакомом проекте начните с режима плана:

claude --permission-mode plan

Поверх режимов работают правила allow/deny. Запрет (deny) действует в любом режиме, даже в bypassPermissions. Подробно о правилах — в следующем посте.

#Шаг 4. Измеряйте, а не полагайтесь на ощущения

Сменился промпт, модель или подключён новый инструмент — нужно понять, стало ли лучше. В статье Demystifying evals for AI agents Anthropic советует начинать с 20–50 простых задач, взятых из реальных провалов. Хорошая задача — та, по которой два специалиста независимо вынесли бы одинаковый вердикт «прошло / не прошло».

Держите отдельно два набора:

• регрессионный — то, что агент уже умеет; здесь ожидается почти 100%;
• на возможности — то, что пока не получается; здесь низкий процент нормален.

#Шаг 5. Наращивайте автономию постепенно

Когда агент стабильно проходит набор задач в режиме с подтверждениями, расширяйте права: разрешите безопасные команды заранее, включите автоправки файлов, дайте работать в фоне. Каждый шаг требует меньше вашего внимания, но больше доверия к проверкам.

#Чего избегать

• Начинать с фреймворка. Anthropic советует сначала работать с API модели напрямую: фреймворки прячут промпты и ответы, и отлаживать становится сложнее.
• Давать агенту всё сразу. Лишние инструменты и широкие права — это и шум в контексте, и риск. OWASP выделяет избыточную автономию в отдельную категорию уязвимостей LLM-приложений.
• Проверять «на глаз». Правдоподобный код без тестов — самая частая ловушка. Если результат нельзя проверить, не отправляйте его в прод.

#Что дальше

Во втором посте — первая настройка по шагам: установка Claude Code, Codex или Cursor, файл инструкций, права и первая задача.