Автодополнение кода нейросетью: три приёма сборки контекста, которые убирают галлюцинации

Автодополнение кода нейросетью появилось не вчера. Ещё в 1997 году IntelliSense в Visual Basic 5.0 подсказывал допустимые конструкции по статическому анализу. Потом подсказки начали ранжировать моделями машинного обучения, а в 2021 году GitHub Copilot сделал LLM-автодополнение массовым продуктом. Но базовая задача не изменилась: по доступному контексту понять, что разработчик напишет дальше. Разница между «умной» и «бесполезной» подсказкой почти целиком определяется тем, какой контекст вы собрали перед отправкой промпта (запроса к модели). Эту механику подробно разбирает инженер, работающий с кодовыми ИИ-ассистентами, в своих публичных заметках об устройстве автодополнения.

Что понадобится

• Редактор кода с поддержкой LLM-автодополнения: VS Code с расширением GitHub Copilot, Cursor, Windsurf или аналог
• Доступ к языковой модели, умеющей работать в режиме FIM (Fill-in-the-Middle, «заполнение середины», когда модель получает код до и после пропуска и восстанавливает недостающий фрагмент): подойдут Copilot, Claude, модели семейства CodeLlama или StarCoder (открытые веса, openwеights)
• Проект хотя бы из нескольких связанных файлов (один файл не покажет разницу)
• 30 минут на эксперимент

Как шаг за шагом улучшить подсказку?

Ниже воспроизведён реальный сценарий: разработчик пишет функцию создания возврата товара в интернет-магазине. Файл returns.ts выглядит так:

// returns.ts
import { returnService } from "@/services/returnService";

interface ReturnRequest {
  orderId: string;
  reason: ReturnReason;
}

async function createReturn(request: ReturnRequest) {
  ret// <CURSOR>
}

Курсор стоит после ret. Именно тут система автодополнения должна предложить подсказку.

1. Отправьте модели только текущий файл (базовый FIM-запрос).

Пайплайн собирает PREFIX (всё до курсора) и SUFFIX (всё после курсора) из одного файла и передаёт модели. Модель предлагает правдоподобный вариант, но придумывает метод create, которого у returnService не существует. Контекста одного файла недостаточно: модель не знает реальный API сервиса.

2. Добавьте в контекст файлы, на которые ссылается текущий файл через import.

Откройте (или укажите ассистенту) файл returnService.ts:

// returnService.ts
export interface ReturnService {
  submit(command: SubmitReturnCommand): Promise<Return>;
}

export interface SubmitReturnCommand {
  orderId: string;
  reason: ReturnReason;
  requestedBy: string;
}

Теперь промпт включает определение интерфейса. Модель видит, что правильный метод называется submit, а не create, и предлагает корректный вызов с верной структурой аргументов.

Но возникает новая проблема: модель подставляет currentUser.id для поля requestedBy, хотя такой переменной в файле нет. Она поняла, что нужен пользователь, но выдумала способ его получить.

3. Подключите «недавний контекст»: файлы, которые вы редактировали раньше.

Допустим, перед этим вы работали с файлом cancelService.ts:

// cancelService.ts
import { authService } from "@/services/authService";
import { returnService } from "@/services/returnService";

async function cancelReturn(id: string) {
  const userId = authService.requireUserId();
  return await returnService.cancel({
    id,
    requestedBy: userId,
  });
}

Этот файл не обязан быть прямой зависимостью returns.ts. Он добавлен в контекст как «недавно открытый», потому что вы решали похожую задачу. Теперь модель подхватывает паттерн: authService.requireUserId() вместо выдуманного currentUser.id.

4. Примите подсказку и дайте модели доработать оставшееся.

Автодополнение кода нейросетью работает не одним монолитным ответом, а серией коротких шагов. Вы принимаете returnService.submit(...), поднимаетесь строкой выше, начинаете набирать const us, и ассистент предлагает const userId = authService.requireUserId();. Останется добавить import authService, что может сделать и сам TypeScript-сервер или quick fix редактора.

Что делать с этим прямо сейчас?

Автору Дзена или копирайтеру. Если вы пишете обзоры инструментов или технические гайды, этот принцип «больше контекста, точнее ответ» работает и для текстовых промптов. Прикладывайте к запросу примеры своего стиля, структуру прошлых статей. Механика та же: без контекста модель выдумывает, с контекстом попадает в цель.

Разработчику. Держите открытыми вкладки со связанными файлами. Проверяйте, что ваш ассистент подтягивает определения из импортов. Если подсказки «фантазируют», первое действие не менять модель, а дать ей больше релевантного кода.

Предпринимателю и тимлиду. Автодополнение кода нейросетью экономит время команды, но только если настроен контекст. Убедитесь, что ваши инженеры знают, как работает сборка контекста, а не просто «включили Copilot и ждут магии».

Главный вывод прост и проверяем: одна и та же модель на одном и том же коде выдаёт мусор или рабочее решение в зависимости от того, что вы положили ей в контекст. Три файла вместо одного, и create превращается в submit, а выдуманный currentUser в реальный authService.requireUserId(). Попробуйте прямо сейчас: откройте три связанных файла вашего проекта и сравните подсказки до и после.