AI-агенты: что это значит для дизайн-систем, если 60% компонентов теряются при генерации кода

Николай Сычев, старший разработчик X5 Tech, описал на Хабре путь от проблемы к инструменту. Суть: когда проект большой и платформ несколько (React, Jetpack Compose, SwiftUI), ИИ-агент при генерации кода подставляет компоненты из открытых библиотек вроде Material UI или Bootstrap вместо внутренних элементов дизайн-системы. Разработчик тратит время не на создание нового, а на переделку сгенерированного. Сычев протестировал три подхода и разобрал, почему ни один не решает задачу полностью.

Три подхода, которые не сработали, и почему

• Прямое чтение файлов. Агенту дают доступ к папке с компонентами. На практике при дизайн-системе из 200 и более компонентов агент делает 25-40 вызовов инструментов, загружает 12-18 тысяч токенов (единиц текста, которые модель обрабатывает за раз) и всё равно находит только 60-70% нужных элементов. Имя файла вроде «FilterChip.kt» ничего не говорит модели о назначении компонента.

• Векторный поиск по коду. Исходники загружают в базу данных ChromaDB, агент ищет по смыслу. Вызовов стало меньше (5-8), но качество упало: агент формулирует запрос на языке интерфейса («кнопка для подтверждения»), а в индексе лежит код с техническими терминами (onClick, variant, disabled). Смысловое расстояние слишком велико, и поиск возвращает до 60 тысяч токенов контекста, из которых полезны 2-3 компонента.

• Статичный файл SKILL.md. Все компоненты описывают в одном Markdown-файле и кладут агенту в системный промпт (базовая инструкция, которую модель получает перед каждым запросом). При 100 компонентах файл разрастается до 50-100 тысяч токенов. Модель хуже извлекает информацию из середины длинного документа, это известный эффект «lost in the middle» (потеря внимания к середине текста). Файл быстро устаревает, а при нескольких платформах нужно либо вести отдельный файл на каждую, либо сваливать всё в кучу.

Что конкретно предлагает Сычев?

Автор движется к инструменту, который работает по протоколу MCP (Model Context Protocol, стандарт подключения внешних данных к ИИ-агенту). Идея: вместо того чтобы давать агенту весь код или весь каталог, сервер DS MCP отдаёт только те компоненты, которые релевантны конкретной задаче, с учётом платформы и контекста. Агент спрашивает: «Чем сверстать кнопку подтверждения?», а получает не 200 файлов, а описание конкретного PrimaryButton с параметрами и примером.

Это не готовый продукт, а подход, описанный в публикации. Автор фиксирует проблему и разбирает, почему очевидные решения не масштабируются.

Как попробовать подход уже сейчас?

1. Откройте статью Николая Сычева на Хабре и изучите сравнение трёх подходов с конкретными цифрами по токенам и вызовам.
2. Если у вас дизайн-система до 30 компонентов, начните с подхода SKILL.md: опишите каждый компонент (название, параметры, пример использования) в одном файле и подключите его как системный промпт или файл правил в вашей IDE.
3. Следите за публикациями автора: он анонсирует продолжение с реализацией DS MCP-сервера.

Есть ли аналогичные инструменты в России?

Проблема, которую описывает Сычев, не привязана к конкретной модели. Она возникает при работе с любым ИИ-агентом, будь то Cursor, GitHub Copilot или агенты на базе YandexGPT и GigaChat (российские языковые модели от Яндекса и Сбера соответственно). Разница в том, что экосистема MCP-серверов пока развивается в основном вокруг зарубежных IDE и моделей. Российские аналоги используют собственные механизмы подключения контекста, и описанный подход потребует адаптации.

Частые вопросы

AI агенты: что это и зачем им дизайн-система?

ИИ-агенты в контексте разработки это программы, которые получают задачу на естественном языке (например, «сверстай экран авторизации») и самостоятельно пишут код. Дизайн-система это набор готовых элементов интерфейса (кнопки, карточки, поля ввода), принятых в конкретном проекте. Без доступа к ней агент использует чужие компоненты, и код приходится переписывать.

Нужно ли быть разработчиком, чтобы применить этот подход?

Для работы с MCP-серверами и дизайн-системами, да, нужны технические навыки. Но принцип «дай агенту правильный контекст вместо всего подряд» работает в любой области: от написания текстов до составления отчётов. Если вы автор или маркетолог, тот же подход применим к промпт-инжинирингу (настройке запросов к нейросети под конкретную задачу).

Когда появится готовый инструмент DS MCP?

Автор не назвал конкретную дату. В статье описан анализ проблемы и направление решения. Готовый продукт пока не выпущен.

Практический вывод простой: если вы уже используете ИИ-агентов для генерации чего угодно, от кода до текстов, проверьте, сколько времени уходит на переделку результата, и начните с малого: опишите свои «компоненты» (шаблоны, правила, стиль) в компактном файле и подключите его к агенту как контекст.