Нейросеть для написания кода на реальном проекте: 5 задач, которые автор отдал Claude

Разработчик антицензурного сетевого инструмента рассказал на примере собственного проекта, как небольшая команда справляется с клиентами под Windows, macOS, Linux, Android и iOS, серверной инфраструктурой, анализаторами трафика и ротацией ключей. Задач оказалось больше, чем люди способны написать руками за разумное время. Так в проекте появились LLM (большие языковые модели, те самые нейросети, которые генерируют текст и код): в основном Claude от Anthropic, иногда модели OpenAI.

Что понадобится

• Claude (платная подписка Claude Pro или доступ через API) либо ChatGPT (GPT-4o или выше). Для задач из статьи бесплатных лимитов обычно не хватает
• Рабочий проект с уже написанным кодом: нейросеть для написания кода эффективна, когда есть образец, который можно портировать или расширить
• Понимание архитектуры своего проекта: модель не заменяет архитектора, она выполняет инженерную рутину по вашему плану
• Примерно 15 минут на каждую итерацию «промпт, результат, ревью, правка»

Пошаговая инструкция: пять сценариев, где LLM реально работает

1. Кросс-платформенный порт

Когда логика уже написана на одном языке (например, транспортный слой на Go), а нужна эквивалентная реализация на Swift для iOS или Kotlin для Android, модель берёт на себя механический перевод: другие типы, другие библиотеки, другая обработка ошибок.

Вот реализация transport-слоя на Go (код ниже).
Перенеси эту логику на Swift для iOS.
Сохрани интерфейсы и поведение.
Учти ограничения iOS на фоновую сетевую работу.
Покажи, где поведение может отличаться из-за платформы.

Результат не принимают «как есть». Код собирают, запускают, проверяют граничные случаи. Но стартовая точка уже не пустой файл.

2. Протокольная рутина

Автор приводит конкретный пример: ротация ClientHello-фингерпринтов (набор параметров, которые браузер отправляет серверу при установке защищённого соединения). Нужно точно воспроизвести наборы TLS-расширений для профилей Chrome, Firefox, Edge и Safari.

Содержательную часть, что воспроизводить и зачем, определяет человек. А серию однотипных реализаций («сделай то же самое для Firefox 141 с такими параметрами») отдают модели.

Вот профиль ClientHello для Chrome 125 (код ниже).
Создай аналогичный профиль для Firefox 141.
Параметры TLS-расширений: [список].
Сохрани тот же порядок вызовов и структуру обработки ошибок.

Как отмечает автор: «Человеку такая работа довольно быстро становится скучной, а скука в протокольном коде обычно приводит не к философским открытиям, а к переставленному расширению или пропущенному условию. LLM скучно не становится.»

3. Тесты и фикстуры (тестовые данные)

Написать проверки основного сценария несложно. Неприятно систематически покрывать кривые входные данные, ошибки парсинга (разбора входящих данных), пограничные случаи протокольных сообщений.

Вот интерфейс модуля (код ниже) и три существующих теста.
Допиши тесты на: невалидный ввод, таймаут соединения,
пустой ответ, ответ с обрезанным заголовком.
Формат — как в существующих тестах.

4. Рефакторинг (переработка структуры кода)

Поменять интерфейс в одном файле просто. После этого выясняется, что его используют ещё десятки файлов. Или нужно везде добавить контекст с таймаутом. Или убрать разбросанную константу и перенести в конфигурацию.

Для модели это удобный режим: двадцать раз сделать однотипное изменение без раздражения и потом пройтись ещё раз.

5. Первый проход по воспроизводимым багам

Если есть стектрейс (лог ошибки с указанием строк кода), воспроизводимый сбой и локализованная проблема, модель часто находит причину быстрее человека.

Вот стектрейс крэша (лог ниже).
Вот код модуля, где он происходит.
Найди причину и предложи исправление.

Где нейросеть для написания кода не работает?

Автор чётко обозначил границу: модель не архитектор. Ей нельзя сказать «сделай мне анти-DPI систему» (систему обхода глубокой инспекции пакетов, технологии, которой блокируют трафик). Архитектурные решения, выбор подхода, определение того, что именно воспроизводить в протоколе, остаётся за человеком.

Нейросеть работает как инструмент для определённого класса инженерной работы: перенос логики, серийные реализации по образцу, покрытие тестами, механический рефакторинг и первичная отладка.

Что делать с этим прямо сейчас?

Автору Дзена и копирайтеру. Принцип «образец плюс серия» работает и для контента: напишите один шаблон вручную, а адаптации под форматы или площадки отдайте модели. Но ревью обязательно, как и с кодом.

Разработчику и техническому предпринимателю. Если у вас кросс-платформенный проект или SDK, начните с портирования уже работающего модуля. Это самый безопасный сценарий: есть эталон для сравнения.

Тем, кто работает в РФ и СНГ. Описанный проект решает задачу обхода блокировок, что актуально для пользователей в регионах с DPI-фильтрацией. Claude доступен через VPN, из российских инструментов для генерации кода можно попробовать GigaCode от Сбера или кодовые режимы YandexGPT, хотя автор проекта использует именно Claude и модели OpenAI.

Подход «образец, серия, ревью» работает не только в коде обхода блокировок, он работает везде, где есть повторяемая задача и человек, который знает, каким должен быть результат.