Ваш конспект

Loop Engineering: Тандем моделей для автономной разработки

Ключевые тезисы:

• Использование двух разных AI-моделей в ролях тимлида и разработчика создаёт эффективный цикл разработки.
• Главная проблема — предвзятость одной модели, которая сама пишет и проверяет код.
• Решение — разделение ролей: одна модель планирует и ревьюит, другая — пишет код.
• Критерии приёмки и тесты — объективная основа для принятия решения, а не мнение агента.
• Такой подход экономит время, повышает качество и позволяет уверенно двигать проект вперёд.

Суть подхода: Разделение ролей

Автор переносит принципы командной разработки на работу с AI. Вместо одной модели, которая делает всё, используется тандем:

• Тимлид (Claude Opus): Отвечает за проектирование, документацию, постановку задач и, самое главное, за строгое ревью на основе критериев.
• Разработчик (GPT-4o / Cursor): Пишет код по заданию тимлида.

Ключевая идея: Разные модели (от Anthropic и OpenAI) обеспечивают непредвзятый взгляд. Модель, написавшая код, уже считает его правильным, а "внешний" ревьювер ищет ошибки.

Как работает цикл (Loop Engineering)

Нормальный цикл разработки, в отличие от наивного "написано — значит готово", выглядит так:

1. Спецификация и критерии приёмки: Чёткое описание того, что нужно сделать и как понять, что задача выполнена.
2. Имплементация: Модель-разработчик пишет код.
3. Ревью и тестирование: Модель-тимлид проверяет код, прогоняет тесты, сверяет с критериями.
4. Верификация:
   • Если всё ОК: Работа принимается, цикл завершён.
   • Если есть ошибки: Код отправляется на доработку разработчику с конкретными замечаниями.

Роль человека: Нести окончательную ответственность, но не делать ревью вручную, особенно в сложных системах.

Экономический вопрос: Зачем две подписки?

Использование двух платных моделей (Claude + Cursor/GPT) увеличивает расходы. Аргументы "за":

• Высокая цена ошибки: Если сроки горят, а результат должен быть качественным.
• Нехватка компетенций: Человеку может потребоваться неделя, чтобы разобраться в сложном коде, а модель сделает это за минуты.
• Объективность: Разные модели — это разные "взгляды", что снижает риск пропустить баг.

Личный выбор автора: Он готов платить за вторую подписку, чтобы получить эффективный тандем и не тратить время на ручное ревью.

Техническая реализация на примере

Задача: Добавить кнопку экспорта лидов в CSV.

Критерии приёмки (для Claude):

1. Есть кнопка.
2. CSV-файл содержит нужные поля.
3. Обрабатывается пустой список.
4. Формат валидный.

Процесс:

1. Claude (тимлид) получает промт с задачей и критериями.
2. Claude вызывает агента-кодера (Cursor) через команду go в терминале, передавая ему детальный план.
3. Cursor работает в режиме go, пока не выполнит все условия.
4. Claude проверяет результат: смотрит diff (разницу в коде), запускает тесты, ищет нарушения.
5. Если тесты не проходят или есть замечания — Reject с конкретным списком доработок.
6. Цикл повторяется, пока все критерии не будут зелёными.

Почему тесты — это всё

Тесты (юнит-, end-to-end, smoke-тесты) — это объективные факты, а не мнение.

• Пока функционал не подтверждён тестами, всё остальное — лишь предположение о его работоспособности.
• Тесты дают измеримое доказательство выполнения задачи (скриншоты, логи, отчёты о покрытии).

Организация проекта

Для работы тандема используется:

1. claude.md: Главный файл с описанием проекта, критериями приёмки и запретом для Claude писать код самостоятельно.
2. Skill-файл (например, cursor_teamlead.md): Пошаговое описание всего цикла loop engineering:
   • Как делегировать задачи Cursor.
   • Как настроить гейты приёмки (gate) в каждый go prompt.
   • Как проводить ревью на предмет "AI slop" (мусора в коде).
   • Шаблоны промтов и вспомогательные bash-скрипты.

Результаты и выводы

• На практике: Автор написал ~100 000 строк кода для большого бизнес-проекта, используя DeepSeek в качестве кодера и Cursor в качестве тимлида, потратив менее $30.
• Распределение задач:
  • Claude (Anthropic): Для задач, требующих глубокого анализа и ревью, несмотря на более строгие лимиты токенов.
  • Cursor/OpenAI: Для ресурсоёмких задач по генерации кода, где важна экономия токенов.
• Главный итог: Такой подход позволяет автономно получать качественный результат с доказательной базой (тесты, артефакты), что ускоряет разработку и повышает уверенность в коде.