Что такое ИИ-агент на слабой модели: структурная инженерия вместо промптов

Компания-разработчик не названа, продукт: opencode (открытый CLI-агент). Это не классический launch, а описание подхода. Буду строить новость вокруг метода.

---

Разработчики корпоративного Android-проекта в июне 2025 года опубликовали подход к запуску ИИ-агентов на внутренних языковых моделях, где вместо промптов (текстовых инструкций для модели) используется структурная инженерия: таблицы запретов, отложенная подгрузка правил и блокировки кодом.

Публичные руководства по работе с ИИ-агентами почти всегда опираются на так называемые frontier-модели, самые мощные коммерческие сервисы вроде GPT-4 или Claude. В корпоративной реальности эти модели часто недоступны: служба безопасности запрещает отправлять исходный код внешним провайдерам. Команда, работающая с крупным Android-проектом на Kotlin, описала свой путь: как провести реальную задачу от постановки до готового кода, используя только внутренний шлюз с моделями заметно слабее передовых. Подход опубликован как открытый опыт и строится вокруг инструмента opencode, CLI-агента с открытым кодом.

Что меняет структурная инженерия?

• Запреты записаны в таблицы, а не спрятаны в промпте. Модель сверяется с таблицей в момент действия, а не пытается «помнить» длинную инструкцию из начала сессии. Для слабой модели это критично: то, что попало в контекст давно, она учитывает хуже свежего текста. Этот эффект в статье назван recency.

• Правила подгружаются лениво. Все инструкции разделены на два режима. Несколько ключевых файлов (always-on) присутствуют всегда. Остальные (lazy) агент читает только когда они нужны. Перед написанием тестов он загружает правило тестирования; пока тесты не нужны, файл не тратит ни одного токена (единицы текста, которыми модель измеряет объём ввода и ответа).

• Агенты изолированы через файлы. Субагент (отдельный ИИ-агент со своей ролью и своим контекстным окном) вызывается как инструмент главной сессии. У каждого свой промпт и своя задача.

• Опасные действия блокируются кодом, а не уговорами. Плагин-блокировщик перехватывает git-команды до выполнения и физически не даёт модели закоммитить в защищённую ветку или ветвиться от master. Никакой промпт это не гарантирует, а код гарантирует.

• Навигация по проекту через AST-индекс вместо grep. Обычный поиск по крупному проекту возвращает сотни строк, забивая контекст шумом. Плагин ast-index ищет по символам кода: классам, методам, полям, и выдаёт точные попадания. Индекс обновляется автоматически при старте и в фоне.

Как устроен «харнес» изнутри?

Харнес, так авторы называют всю обвязку вокруг модели: конфигурацию, правила, субагентов и защиты.

В основе лежит конфиг (файл opencode.json). Там записаны модели (основная текстовая и отдельная для распознавания изображений), подключённые MCP-серверы (MCP, Model Context Protocol, стандартный «разъём» для подключения внешних систем: трекера задач, вики, дизайн-макетов, эмулятора), разрешения на действия и список правил.

Рядом с конфигом лежит файл AGENTS.md, «конституция» проекта. Он загружается в контекст каждой сессии без исключений. Внутри: жёсткие правила (формат коммитов, ветвление только от develop), принципы работы (минимальный дифф, не соглашаться с моделью по умолчанию) и индекс всех остальных правил.

Скилл, ещё одно понятие из статьи, это записанная процедура с триггером. Например, как провести фичефлаг через все слои проекта. Раньше такое объясняли каждому новичку устно, теперь записывают один раз, и агент активирует процедуру по короткой фразе.

Как попробовать?

1. Установите opencode, открытый CLI-агент, который можно направить на любой LLM-шлюз. Репозиторий доступен на GitHub (инструмент бесплатный, с открытым кодом).
2. Настройте конфиг: укажите свои модели, подключите MCP-серверы для трекера задач и документации. Весь модельный трафик остаётся внутри вашей сети.
3. Создайте файл AGENTS.md с жёсткими правилами проекта и индексом правил для ленивой подгрузки. Разделите правила на always-on и lazy.
4. Добавьте плагин-блокировщик для git-команд, чтобы модель физически не могла выполнить опасное действие, даже если «решит» это сделать.

Есть ли аналоги в России?

Описанный подход не привязан к конкретной модели. В качестве LLM можно использовать YandexGPT или GigaChat через внутренний шлюз, если компания развернула их локально. Ключевое отличие метода в том, что он рассчитан именно на слабые модели: структура компенсирует то, чего не хватает в «интеллекте». Для команд в РФ, которым запрещено отправлять код наружу, это один из немногих документированных путей к агентной разработке.

По моим наблюдениям, YandexGPT и GigaChat в локальных развёртываниях ведут себя ближе к тем «не-frontier» моделям, о которых говорит статья, чем к GPT-4. Поэтому структурная инженерия для них даже более актуальна, чем для западных аналогов.

Что с этого прямо сейчас, по ролям?

Автору на Дзене. Что такое ИИ-агент на практике: это не магический помощник, а модель в цикле с инструментами. Понимание этой механики помогает точнее писать о технологиях и не повторять маркетинговые клише.

Разработчику в корпорации. Готовая архитектура для запуска агентов на собственных моделях. Таблицы запретов и ленивая подгрузка правил решают конкретную проблему: слабая модель «забывает» инструкции из начала сессии, а структура это компенсирует.

Руководителю и предпринимателю. Если служба безопасности не пускает код наружу, это не приговор для автоматизации. Подход показывает, что агентный цикл разработки (SDLC, Software Development Life Cycle, жизненный цикл разработки ПО) возможен на внутренних моделях при правильной обвязке.

Частые вопросы

Что такое ИИ-агент и чем он отличается от чат-бота?

ИИ-агент, это языковая модель, которой дали инструменты (доступ к файлам, коду, внешним сервисам) и запустили в цикл. Модель сама решает, какой инструмент вызвать, получает результат, анализирует его и делает следующий шаг. Обычный чат-бот отвечает на один вопрос и ждёт следующего. Агент выполняет многошаговую задачу.

Можно ли использовать этот подход без opencode?

Да. Авторы прямо указывают, что выбор opencode не принципиален. Всё описанное переносится на любой CLI-агент с поддержкой правил, субагентов и плагинов. opencode выбран потому, что это открытый инструмент, который можно направить на собственный шлюз.

Зачем блокировать действия кодом, если можно написать запрет в промпте?

Промпт (текстовая инструкция для модели) это рекомендация, а не гарантия. Модель может «забыть» запрет или интерпретировать его иначе, особенно если она не самая мощная. Плагин-блокировщик работает на уровне кода: команда перехватывается до выполнения и не проходит физически. Где цена ошибки высока (коммит в production-ветку), только код даёт надёжность.