ИИ🔥
Концепция Agentic Engineering: переход от vibe coding к системной разработке
Agentic Engineering от Google
Google выпустила whitepaper про переход от обычного кодинга к vibe coding и дальше к agentic engineering.
Это система, а не просто фреймворк или плейбук — есть многоуровневая структура (спектр → SDLC-фазы → harness-компоненты → роли разработчика)
К началу 2026 г. 85% профессиональных разработчиков регулярно используют AI coding agents, 51% — ежедневно, и ~41% всего нового кода генерируется AI.
To do: Добавить эту статистику в раздел "почему сейчас" моей презентации/поста про AI-трансформацию для клиентов consulting — как обоснование срочности перехода на agentic engineering.
Команде LangChain удалось поднять результат агента на Terminal Bench 2.0 на 13.7 балла, меняя только system prompt, tools и middleware — без смены модели. Другая команда подняла агента с позиции вне топ-30 в топ-5 тем же способом.
Этому мы и учим в Proglib на 🔗 курсе по ИИ агентам.
Context engineering требует разделения static context (всегда загружен: system prompt, rule-файлы AGENTS.md/CLAUDE.md, core guardrails — дорого, но надёжно) и dynamic context (загружается по требованию: skills, tool results, RAG — дёшево и масштабируемо, но есть риск, что агент не подгрузит нужное).
Agent Skills решают 4 конкретные проблемы: context rot от перегруженных промптов, отсутствие процедурной памяти у LLM, операционные издержки multi-agent архитектур, отсутствие портируемости между вендорами.
Developer role распадается на два режима: conductor (real-time, синхронно, в IDE, контроль на уровне keystroke — для exploratory coding и обучения новому API) и orchestrator (async, высокий уровень абстракции, multi-agent delegation — для feature implementation, миграций, генерации тестов).
AI быстро генерирует ~80% кода фичи, но оставшиеся 20% (edge cases, error handling, интеграционные точки, тонкая бизнес-логика) требуют глубокого контекста, которого у модели нет — и эти ошибки опаснее, так как код "выглядит правильно".
Экономика vibe coding — низкий CapEx (минимальные вложения на старте), но высокий OpEx (token burn rate от циклов "промпт → ошибка → промпт", maintenance tax на разбор AI-спагетти-кода, security remediation).
Agentic engineering — обратная картина: высокий CapEx (специфика, тесты, контекст), низкий OpEx, и есть конкретная crossover point, после которой vibe coding обходится в 3-10 раз дороже за фичу.
Intelligent model routing — это финансовый рычаг: дорогие frontier-модели используются только для сложных задач (требования, архитектура), а детерминированные задачи (генерация тестов, код-ревью, CI/CD мониторинг) роутятся на дешёвые/быстрые модели.
Опытные разработчики с AI-ассистентами тратили на 19% больше времени на определённые задачи — преимущественно из-за времени на верификацию, дебаг и коррекцию AI-вывода.
Production-ready агенты (в отличие от прототипных скриптов) требуют отдельной инфраструктуры: персистентная память между сессиями, scoped permissions на tools/данные, eval coverage, observability — и грань между "это просто скрипт" и "это продукт" определяется именно этим набором.
====
🔗 AI Consultung & Automation
📨 AI WEEKLY News
🎞 AI hottest video
🔗 Vacancies AI • IT (MENA/South Asia)
👨💻 Product Hunt Daily